Pengelompokan Data Rekam Medis pada Pasien Penyakit dalam Untuk Meningkatkan Manajemen Informasi Kesehatan Berdasarkan Wilayah Kota Binjai Menggunakan Algoritma Clustering K- Means
Notice bibliographique
Résumé
The history of disease in patients is generally recorded in medical record data in every hospital as well as at Artha Medika Hospital which is a health institution that was established in 2012 in the city of Binjai also has a very large amount of medical record data. However, in using the information management system owned by Artha Medika Hospital, there are weaknesses and it is still limited in managing medical record data in the hospital which is used in making reports to the head of the leadership. Therefore, a system is needed that can assist the hospital in improving health information management to be faster in managing data by approaching using data mining techniques with the k-means method. So that in finding new information based on medical record data of internal medicine patients can be used in the decision-making process by hospital management to be right on target so that it can produce 3 groups of data consisting of Age, Type of disease and Region. From testing on cluster 3, it can be seen that the results of the age group (X), type of disease (Y), region (Z) the amount of data owned is 645 cluster 3 data centred on the centroid of the information of the number of patient medical records data, namely age is 44-52 years, with the type of disease is chronic kidney disease and the region is South Binjai.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,005 | 0,004 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,015 | 0,007 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».