Expert System for Diagnosing Lipoma Disease in Hospital Patients Latersia Using the Certainty Factor (CF) 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
Lipoma disease is a disease characterized by a lump filled with a layer of fat that gradually accumulates under the skin, where this lump is between the skin and the muscle layer. This disease often appears on the neck, back, shoulders, arms, and thighs. In general, fat lumps or lipomas can be said to have slow growth between the skin and muscle layers. People tend to just let the lumps happen to them and think they are just normal lumps, without carrying out further examinations. The queue to see a doctor for further examination is also a factor. Therefore, it is necessary to make efforts so that the public can obtain information and be able to diagnose lipoma early without having to visit a doctor. From the description above, it is the basis for building a system that can provide information on lipoma disease and diagnose lipoma disease early. The system to be built can produce an early diagnosis analysis based on symptoms that are felt like a doctor, this system is commonly called an expert system, to support accuracy in building an expert system a method is needed in the analysis of its completion. One of the methods to be used is Certainty Factor (CF). The CF method is a clinical parameter value given by MYCIN to indicate the level of trust. The php programming language and MySQL database can build a system for diagnosing lipoma disease using the Certainty Factor method. type of lipoma Lipo Sarcoma 42.24%, Spindle cell lipoma, 56.59%, Myxoid liposarcoma 51.36%, Hibernoma 32%, Intramuscular hemangioma 51.48%, Chondroid lipoma 51.48%, Atypical lipoma 24%. From these results it can be said that the greatest confidence value is the type of Spindle cell lipoma disease with a confidence value of 56.59%.
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 | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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