Data Mining Analysis For Medical Record Data Clasterization Using K-Means Algorithm In Sylvani Binjai Hospital
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
Rekam medis adalah rekaman riwayat dari pasien yang melakukan pengobatan di rumah sakit maupun klinik. RSU Sylvani memiliki banyak pasien, setiap bulannya dan membuat data history pasien menumpuk di dalam data rekam medis, Namun tidak ada tindak lanjut manfaat dari data-data yang tersedia. Padahal data-data tersebut memiliki potensi yang besar untuk memberikan informasi baru dan wawasan yang berharga jika digali dengan data mining menggunakan metode k-means clustering. Jumlah data yang uji sebanyak 893 data dan menghasilkan 4 kelompok dari variabel diagnosa penyakit, jenis kelamin dan alamat. Dimana kelompok 1 berjumlah 268 data dengan pusat diagnosa penyakit Hipertension dan jenis kelamin perempuan pada alamat Kebun Lada. Kelompok 2 berjumlah 289 data dengan pusat diagnosa penyakit Asma dan jenis kelamin perempuan pada alamat Pahlawan. Kelompok 3 berjumlah 185 data dengan pusat diagnosa penyakit GERD dan jenis kelamin laki-laki pada alamat Kebun Lada. kelompok 4 berjumlah 151 data dengan pusat diagnosa penyakit Pembesaran Prostat dan jenis kelamin laki-laki pada alamat Kebun Lada.
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 | 0,005 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,002 | 0,007 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,003 |
| Science ouverte | 0,006 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,000 |
| 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