کاربرد استنتاج شبکه باور بیزی در پیش بینی موفقیت لقاح آزمایشگاهی

سال انتشار: 1391
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 742

فایل این مقاله در 6 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

NCCSE01_123

تاریخ نمایه سازی: 9 بهمن 1392

چکیده مقاله:

لقاح آزمایشگاهی (IVF) یک تکنیک کمکی در درمان ناباروری می باشد. پیش بینی دقیق و زود هنگام نتیجه لقاح آزمایشگاهی برای بیماران و پزشکان مهم می باشد. استفاده از شبکه بیزی روشی نو جهت پیش بینی موفقیت درمان IVF است. شبکه های بیزی ابزاری برای رسیدگی به عدم قطعیت و پیچیدگی را فراهم می کنند. در این مقاله با توجه به عدم قطعیت در درمان، ما مدلی بر پایه یادگیری با نظارت توسط شبکه بیزیرا پیشنهاد می دهیم تا بتوانیم تغییرات ممکن در پروسه درمان لقاح آزمایشگاهی را پیشنهاد دهیم و نرخ موفقیت کلی را بهبود دهیم. بدین منظورمتغیرهای تصادفی مسأله استخراج شده و ارتباطات آن ها که بیانگر استقلال شرطی متغیرها است مشخص شده است. برای یادگیری و تست شبکهبیزی از داده های مرکز ناباروری منتصریه مشهد استفاده شده است. نتایج نشان می دهد شبکه های بیزی می توانند به عنوان رهیافت کاربردی جدید جهت مدل سازی اطلاعات به منظور پیش بینی نتیجه IVF مورد استفاده قرار گیرند.

نویسندگان

سمر اشرافی کاخکی

گروه هوش مصنوعی و رباتیک، دانشگاه آزاد اسلامی واحد مشهد

سعید راحتی قوچانی

گروه برق، دانشگاه آزاد اسلامی واحد مشهد

نیره خادم زاده

دانشگاه علوم پزشکی واحد مشهد

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • سعیدی، علی، آقایی، آرزو، "پیش بینی درماندگی مالی شرکت‌های پذیرفته ...
  • Fassino, S., et al., "Anxiety, depression and anser suppression in ...
  • Volgsten, H., et al., "Prevalence of psychiatric disorders in infertile ...
  • Bustillo, M., et al., "Serum progesterone and estradiol concentrations in ...
  • Jurisica, I., et al., "Case-based reasoning in IVF: Prediction and ...
  • Fayyad, U., G. P iatetsky -Shapiro, and P. Smyth, "The ...
  • Papageorgiou, E., I. Kotsioni, and A. Linos, "Data mining: a ...
  • Manna, C., et al., "Experimental results on the recognition of ...
  • Morales, D.A., et al., "Bayesian classification for the selection of ...
  • Guh, R.S., T.C.J. Wu, and S.P. Weng, "Integrating genetic algorithm ...
  • Trimarchi, J.R., et al., "Comparing data mining and logistic regression ...
  • Saith, R., et al., "Relationships between the developmental potential of ...
  • Kaufmann, S., et al., "The application of neural networks in ...
  • Cross, S., et al., Which Decision Support Technologies are Appropriate ...
  • _ _ _ _ _ _ _ _ _ _ ...
  • Heckerman, D., A tutorial on learning _ Bayesian networks. Innovations ...
  • Friedman, N. and M. Goldszmidt, Learning Bayesian networks from data. ...
  • Twardy, C.R., et al., _ 'Ep idemiological data mining of ...
  • نمایش کامل مراجع