A Noninvasive Model to Detect Malaria Based on Symptoms Using Machine Learning
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The impact of Artificial Intelligence in the domain of Healthcare has been growing, day by day. These applications bring a drastic change in the healthcare system and affects our lives based in the change it brings to the Patientcare system, transforming the traditional way of handling sicknesses and diseases. Machine Learning algorithms that use data, have a big role in the AI based applications that are used in the Healthcare. Hence the Data source and the nature of Data holds an important role in developing effective AI based solutions for many health issues in the society. Data is available in all the hospitals and medical care facilities for many years now. However, without transforming them into a format where Machine Learning algorithms work, it is impossible to use them to develop an AI based application. In this research paper, we briefly discuss the process of developing an AI based application to predict Malaria, which is one of the most common vector borne diseases in the coastal districts of Karnataka. This pioneer work was done over the data collected from the clinical notes of a 1500 bed hospital situated in Mangalore. Few machine learning algorithms like Logistic regression, Support vector machine XGB Booster classifier, CAT Booster Classifier and Random forest classifier were used over the dataset. Our experimental study revealed that, Random Forest classifier works efficiently for this data set, compared with the other algorithms that we used. It gave the best accuracy of 90.92.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle