Expert System To Determine Psychological Disorders In Chronic Kidney Failure (CKD) Patients Undergoing Hemodialysis Therapy Using Certainty Factor Method
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
Chronic Kidney Failure (CKD) is damage to the kidneys both in structure and/or function that lasts for 3 months or more. Hemodialysis is a prolonged therapy that can significantly impact the physical and psychological well-being of patients with chronic kidney disease. This therapy has a big effect on sufferers. The psychological impact that appears can affect the success of therapy so it is important to recognize these symptoms and provide appropriate treatment to overcome them. Based on research at Delia General Hospital, patients who will undergo Hemodialysis therapy must come to the hospital to receive comprehensive therapy by a doctor. Long patient queues when undergoing therapy can make patients tired and remember the patient's condition in order to get information and therapy. Handling of these problems can be overcome by building a system that can determine psychological disorders in patients. Expert systems are computer-based systems that use knowledge, facts and reasoning techniques in solving problems that usually can only be solved by an expert in a particular field. Certainty Factor (CF) is a method capable of defining the degree of certainty of a rule or fact in describing an expert's belief in the problem at hand. With an expert system, it can help identify and determine early on psychological disorders in patients. From the results of trials conducted by expert systems to determine psychological disorders in patients with kidney failure using the Certainty Factor method, the highest value is depression with a percentage of 94.59%.
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) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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