Artificial Neural Network for Predicting Abscess Disease Based on Patient Data Using the Backpropagation Method
Notice bibliographique
Résumé
The development of information technology, particularly Artificial Intelligence (AI), has had a significant impact on the healthcare sector, including its application in supporting disease diagnosis. One of the common diseases encountered is abscess, a pyogenic bacterial infection characterized by the accumulation of pus in body tissues. At Bidadari General Hospital Binjai, abscess cases have shown fluctuations from 2023 to 2025, highlighting the need for faster, more accurate, and more efficient prediction methods to assist medical personnel in decision-making. This study aims to develop an abscess disease prediction model using an Artificial Neural Network (ANN) with the backpropagation algorithm based on patient data, analyze the model’s accuracy, and provide an alternative decision-support system for early diagnosis. The research method applied is quantitative-experimental, involving several stages: problem identification, collection of patient clinical data, data normalization, ANN architecture design, model training using backpropagation, and evaluation using accuracy metrics, Mean Squared Error (MSE), and Confusion Matrix. The prediction results indicate that the average number of abscess patients per month is projected to increase by 14.33% from historical records to the next 12 months. The historical monthly average was 14.9 patients, while the predicted average for the following year reached 17.0%. The model demonstrated good performance with a Mean Absolute Percentage Error (MAPE) of 244.25%. Therefore, the application of backpropagation-based ANN has the potential to serve as an effective solution in assisting medical personnel to perform early diagnosis of abscess disease in a faster, more accurate, and efficient manner.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| 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 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 ».