Resumen

Hoy en día, la enorme cantidad de datos de pacientes aumenta significativamente con respecto al tiempo en los repositorios y la minería de datos se utiliza cada vez más como un área de investigación emergente en los campos médicos para extraer ideas/patrones útiles y previamente desconocidos de los datos del repositorio. Estos patrones desconocidos pueden ayudar a descubrir nuevos conocimientos ocultos en estos repositorios de datos. A partir de la observación, se ordenaron diferentes regímenes ARV para diferentes pacientes. Sin embargo, la combinación de estos fármacos provoca diferentes efectos secundarios en los pacientes. Se ha observado que había una falta de estudios predictivos y modelos diseñados disponibles en hospitales específicamente Centros ART que determinan o clasifican con precisión el régimen ARV del paciente a TDF 3TC EFV, TDF 3TC NVP, AZT 3TC ATV/R, AZT 3TC LPV/R, TDF 3TC LVP/R, TDF 3TC ATV/R, 8888, y ABC 3TC LPV/R. Con el fin de resolver este tipo de problemas, construimos un sistema clasificador preciso o modelo utilizando parámetros como la edad del paciente, el día del encuentro con el paciente, el mes del encuentro con el paciente, el año del encuentro con el paciente, el peso del paciente, el recuento de CD4 del paciente adulto, el cribado de TB del paciente, el estadio de seguimiento de la OMS del paciente, el porcentaje de CD4 del paciente niño, el régimen especificado del paciente, el régimen del paciente, etc. El objetivo general de esta investigación fue el modelado predictivo para la clase de régimen ARV del paciente a través de técnicas de minería de datos con el fin de mejorarlos. El estudio utilizó la metodología CRIPS-DM para encontrar e interpretar patrones en los repositorios. Para la clasificación se utilizó un algoritmo de árbol de decisión (J48 y Random Forest). Utilizando todos los clasificadores probados, la investigación del estudio muestra que la precisión total fue superior al 60%. Por otra parte, entre las diferentes clasificaciones, la clase H (ABC 3TC LPV/R) ha mostrado la peor predicción. Pero se reveló que el clasificador J48 produce relativamente una mayor precisión de clasificación para el régimen D (AZT-3TC-NVP). En este caso, la clasificación dependía de los parámetros seleccionados, lo que reveló que el valor de la precisión de la predicción difería entre todos los clasificadores y los atributos seleccionados. Por último, el estudio concluyó que la minería de datos puede utilizarse como una técnica significativa para descubrir el régimen del paciente basándose en los factores que le afectan, con una precisión del 96,1%. El aprendizaje conjunto resuelve los modelos clasificadores de mayor rendimiento anticipatorio con diferentes algoritmos de aprendizaje. Este modelo se alineó con la investigación sentimental para magnificar las apariencias del conjunto de datos, ya sea de los medios sociales o de la recopilación de datos primarios. La investigación empírica con diferentes parámetros muestra la mejora detallada de sus métodos de aprendizaje.

• Materias:Insuficiencia cardíaca Plataforma de servicios Filtro de orden óptimo Características clínicas Osteoporosis
• Subjects:Heart failure Platform services Optimal order filtering Clinical features Osteoporosis
• Palabras claves: R, TDF, LPV, paciente, estudio, minería de datos, recuento de CD4 del paciente adulto, porcentaje de CD4 del paciente niño, clase de régimen ARV
• Keywords:+, R, TDF, LPV, patient, study, data mining, Patient CD4 Count Adult, Patient CD4 Percent Child, ARV regimen class