Abstract
The paper deals with the problem of diabetic polyneuropathy diagnosing. This is one of the earliest and most dangerous complications of diabetes among children and adolescents. The research aims to develop models for diagnosing diabetic polyneuropathy in children and adolescents based on various medical data. The developed models will make it possible to diagnose a complication without using neurophysiological research methods. Therefore, the proposed models can be used in small medical and obstetrical stations in rural areas as well as a support system for making medical decisions. In the course of the study, a review and analysis of scientific publications of domestic and foreign scientists on the topic of the research are carried out. A large set of textual medical data is processed, then a database is created, features are analyzed, and a model is developed to reveal the presence of diabetic polyneuropathy in children and adolescents with type 1 diabetes mellitus. The achieved quality of the classification model allows us to assert that machine learning methods can be used to find hidden dependencies in the development and course of complications of diabetes mellitus.
Highlights
The paper deals with the problem of diabetic polyneuropathy diagnosing
The research aims to develop models for diagnosing diabetic polyneuropathy in children and adolescents based on various medical data
A large set of textual medical data is processed, a database is created, features are analyzed, and a model is developed to reveal the presence of diabetic polyneuropathy in children and adolescents with type 1 diabetes mellitus
Summary
Другие симптомы (судороги в мышцах, слабость в конечностях, онемения, покалывания и др.). На рисунках 1 и 2 приведены графики, отражающие зависимость качества классификации от количества используемых для обучения моделей признаков. 1. Зависимость качества классификации от количества признаков, используемых для обучения модели SVM. 2. Зависимость качества классификации от количества признаков, используемых для обучения модели k Ближайших соседей. В случае использования в качестве классификатора нелинейного метода опорных векторов максимальная доля правильных ответов составила приблизительно 81 % при обучении модели на 9 или 16 признаках. Что чем больше расстояние между гиперплоскостями, тем меньше будет средняя ошибка классификатора, поэтому метод также называют методом классификации с максимальным зазором. Лежащая в основе ядерных методов для решения нелинейных задач, заключается в том, чтобы создать нелинейные комбинации исходных линейно неразделимых признаков и с помощью функции отображения φ спроецировать их на пространство более высокой размерности, где они становятся линейно разделимыми. Результаты тестирования модели на данных, не используемых при обучении, приведены в таблице 2
Sign-in/Register to view highlights & summary Talk to us
Join us for a 30 min session where you can share your feedback and ask us any queries you have
Schedule a callDisclaimer: All third-party content on this website/platform is and will remain the property of their respective owners and is provided on "as is" basis without any warranties, express or implied. Use of third-party content does not indicate any affiliation, sponsorship with or endorsement by them. Any references to third-party content is to identify the corresponding services and shall be considered fair use under The CopyrightLaw.
