Application of the K-Nearest Neighbor Method for Classification of Hypertension Diseases (Case Study: Stabat Health Center)
Notice bibliographique
Résumé
Globally, the WHO (World Health Organization) estimates that non-communicable diseases cause about 60% of deaths and 43% of diseases worldwide. Hypertension is a disease that occurs due to an increase in blood pressure in humans. It is difficult to know if a person has hypertension, without measuring the patient's blood pressure. According to the American Heart Association (AHA), the number of Americans over the age of 20 suffering from hypertension has reached 74.5 million, but nearly 90-95% of cases have no known cause. It is estimated that about 80% of the increase in hypertension cases will occur mainly in developing countries by 2025, from 639 million cases in 2000. This number is expected to increase to 1.15 billion cases in 2023. This study uses a quantitative approach with experimental methods to test the application of K-Nearest Neighbor (KNN) in the classification of hypertension diseases at the Stabat Health Center. The description of the results obtained is to make the right decision regarding when and how to treat the disease to prevent the worst possibility for patients by classifying the severity of hypertension both in normal circumstances, prehypertension, stage 1 hypertension, and stage 2 hypertension. The results of the trial show that the KNN model is able to provide accurate predictions based on patient history data available at Stabat Health Center.
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 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 | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».