Pengelompokan Data Rekam Medis pada Pasien Penyakit dalam Untuk Meningkatkan Manajemen Informasi Kesehatan Berdasarkan Wilayah Kota Binjai Menggunakan Algoritma Clustering K- Means
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 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.
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 | 0,003 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,003 | 0,007 |
| Science ouverte | 0,009 | 0,006 |
| Intégrité de la recherche | 0,000 | 0,002 |
| 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