Application of Data Mining Using Apriori to Find Patterns of Asthma in Medical Record Data at the Health Center (Case Study: Datar City Health Center)
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
Medical records are a very important source of information in the world of health. Medical records document a patient's medical history, diagnosis, treatment, and care patterns at health facilities. However, with the large amount of data that continues to grow every day, it is often difficult for medical personnel and health facility managers to manually analyze and find useful patterns. Community health centers, as primary healthcare facilities, play an important role in addressing public health issues. Community health centers often face limitations in effectively processing available data. Therefore, methods are needed to help uncover hidden information from medical record data. One approach that can be used to analyze big data is data mining. Data mining allows users to find patterns, trends, or certain relationships that were previously unseen. In medical records, the application of data mining techniques can help identify disease patterns, relationships between diseases, and risk factors that contribute to certain diseases by using the apriori method to obtain better health service planning. From testing using the RapidMiner application, this study identified complaints, medical history, and causal factors. The results showed that there were 5 association rules formed with the highest Best rule value of 14% support and 62% confidence. The rule was “If the causal factor is genetic, the complaint is dizziness, then the medical history includes a history of asthma since childhood.”
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 | 0,006 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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