Βάση γνώσεων

Βάση Γνώσεων υπό τη μορφή
κανόνων τύπου «ΑΝ… ΤΟΤΕ…»
η οποία εφαρμόζεται εύκολα σε σύστημα υποστήριξης αποφάσεων.

Επιλογή ασθενειών

Με βάση τα τρέχοντα στατιστικά στοιχεία και δεδομένα από κορυφαίους οργανισμούς υγείας όπως ο Παγκόσμιος Οργανισμός Υγείας (WHO, https://www.cdc.gov/nndss/index.html βάσει δεδομένων από την 23η Φεβρουαρίου 2024) μέσω του Παγκόσμιου Παρατηρητηρίου για την Υγεία (GHO), τα Κέντρα Ελέγχου και Πρόληψης Νοσημάτων (CDC, https://www.cdc.gov/nndss/index.htmlβάσει δεδομένων από την 23η Φεβρουαρίου 2024) μέσω του Εθνικού Συστήματος Παρακολούθησης Δηλούμενων Νοσημάτων (NNDSS) και το Ευρωπαϊκό Κέντρο Πρόληψης και Ελέγχου Νόσων (ECDC, https://atlas.ecdc.europa.eu/public/index.aspx βάσει δεδομένων από την 23η Φεβρουαρίου 2023) μέσω του Άτλαντα Επιτήρησης Λοιμωδών Νόσων, εντοπίσαμε 22 νόσους για συγκεντρωτική ανάλυση και παρακολούθηση στο πλαίσιο του παρόντος έργου. Αυτές οι νόσοι επιλέχθηκαν με βάση τον ουσιαστικό τους αντίκτυπο στην παγκόσμια υγεία, τον επιπολασμό τους και τις τάσεις που παρατηρούνται στα πρόσφατα δεδομένα, διασφαλίζοντας με αυτόν τον τρόπο ότι το σύστημά μας διαθέτει τα μέσα για την αντιμετώπιση μολυσματικών νόσων που αποτελούν απειλή για τις θαλάσσιες επιχειρήσεις.

Κατάλογος Επιλεγμένων Νόσων

Ανεμοβλογιά

Παρωτίτιδα

Chikungunya

Νοροϊός

Χολέρα

Κοκκύτης

COVID-19 (Κορονοϊός)

Λύσσα

Δάγκειος πυρετός

Ερυθρά

Διφθερίτιδα

Τέτανος

Ιός Ebola

Φυματίωση

Λοιμώδης Μονοπυρήνωση

Τυφοειδής/Παρατυφοειδής Πυρετός

Γρίπη

Ηπατίτιδα Α

Ελονοσία

Κίτρινος πυρετός

Μηνιγγιτιδοκοκκική Νόσος

Iός Zika

Απόκτηση ιατρικών γνώσεων

Αρχικά βρέθηκε συναφής βιβλιογραφία αναφορικά με τις επιλεγμένες νόσους, διαγνωστικά κριτήρια για ποικίλες λοιμώξεις και κατευθυντήριες γραμμές για τη διάγνωση μολυσματικών νόσων. Η βιβλιογραφία περιλαμβάνει διεθνή άρθρα με αξιολόγηση από ομότιμους, ηλεκτρονικές εκθέσεις, σχόλια, αρθρογραφία, ηλεκτρονικά βιβλία και δελτία τύπου από πανεπιστήμια και ερευνητικά ιδρύματα, τα οποία περιλαμβάνουν γνώμες εμπειρογνωμόνων. Περιέχεται επίσης γκρίζα βιβλιογραφία που δημοσίευσε ο ΠΟΥ, τα Κέντρα Ελέγχου και Πρόληψης Νοσημάτων (CDC) των ΗΠΑ και άλλες δημοσιεύσεις και σημεία πληροφόρησης της τοπικής αυτοδιοίκησης. Οι PubMed, Google Scholar, Embase, Medline και Science Direct είναι ορισμένες από τις ερευνητικές βάσεις δεδομένων που εξετάστηκαν.

Chickenpox: presentation and complications in adults Abro AH, Ustadi AM, Das K, Abdou AM, Hussaini HS, Chandra FS.
Clinical manifestations, complications and management of chickenpox infection in pediatric Bereda G. 
Chickenpox Clinical Presentation Anthony J Papadopoulos, MD
Interna Szczeklika 2022 Group work
Chronic Joint Pain 3 Years after Chikungunya Virus Infection Largely Characterized by Relapsing-remitting Symptoms Sarah R. Tritsch, Liliana Encinales, Nelly Pacheco, et al. 
Manifestations of Atypical Symptoms of Chikungunya during the Dhaka Outbreak (2017) in Bangladesh Deeba IM, Hasan MM, Al Mosabbir A, Siam MHB, Islam MS, Raheem E, Hossain MS.
Overview on Chikungunya Virus Infection: From Epidemiology to State-of-the-Art Experimental Models Constant LEC, Rajsfus BF, Carneiro PH, Sisnande T, Mohana-Borges R and Allonso D
Chikungunya virus: A general overview K.A. Galán-Huerta, A.M. Rivas-Estilla, I. Fernández-Salas, J.A. Farfan-Ale, J. Ramos-Jiménez
Chikungunya virus disease European Centre for Disease Prevention and Control (ECDC) 2024
Parazytologia medyczna kompendium Morozinska- Gogol
A prolonged, community-wide cholera outbreak associated with drinking water contaminated by sewage in Kasese District, western Uganda Kwesiga, B., Pande, G., Ario, A.R. et al. 
Cholera — the new strike of an old foe Anna Kuna, Michał Gajewski
Χολέρα Matthew Fanous; Kevin C. King
Sensitivity, Specificity, and Public-Health Utility of Clinical Case Definitions Based on the Signs and Symptoms of Cholera in Africa Nadri J, Sauvageot D, Njanpop-Lafourcade BM, Baltazar CS et al. 
Factsheet on COVID-19 European Centre for Disease Prevention and Control (ECDC) 2024
COVID-19 diagnosis and management: a comprehensive review Pascarella G, Strumia A, Piliego C, Bruno F et al. 
COVID-19 patients’ clinical characteristics, discharge rate, and fatality rate of meta-analysis Li L-q, Huang T, Wang Y-q, et al. 
Clinical profile of Dengue fever in an urban tertiary care hospital in South India Dhivya P., Monica A., Jayaramachandran S.
Dengue—How Best to Classify It Anon Srikiatkhachorn, Alan L. Rothman, Robert V. Gibbons et al. 
Dengue hemorrhagic fever – A systemic literature review of current perspectives on pathogenesis, prevention and control Wen-Hung Wang, Aspiro Nayim Urbina, Max R. Chang et al. 
Clinical Characteristics and Management of 676 Hospitalized Diphtheria Cases, Kyrgyz Republic, 1995 R. Kadirova, H. Ü. Kartoglu, P. M. Strebel
Corynebacterium Diphtheriae Anmol Chaudhary; Shivlal Pandey
Association of clinical signs and symptoms of Ebola viral disease with case fatality: a systematic review and meta-analysis Harsha Moole , Swetha Chitta , Darlyn Victor et al. 
Clinical Manifestations and Laboratory Diagnosis of Ebola Virus Infection. Qureshi AI. 
The Reemergence of Ebola Hemorrhagic Fever, Democratic Republic of the Congo, 1995  Ali S. Khan, F. Kweteminga Tshioko, David L. Heymann et al. 
Acute and Chronic Symptoms of Mononucleosis Sanjay Lambore, MB, MSc, James McSherry, MB ChB, and Arthur S. Kraus, ScD
Infectious mononucleosis in children – one centre experience Joanna Maria Wrembel, Tomasz Jarmoliński
Clinical Signs and Symptoms Predicting Influenza Infection Monto AS, Gravenstein S, Elliott M, Colopy M, Schweinle J. 
An Office-Based Approach to Influenza: Clinical Diagnosis and Laboratory Testing NORMAN J. MONTALTO, D.O.
Travelers Malaria Patricia Schlagenhauf-Lawlor
Sensitivity of fever for diagnosis of clinical malaria in a Kenyan area of unstable, low malaria transmission. utanda, Albino & Cheruiyot, Priscah & Hodges, James & Ayodo, George & Odero, Wilson & John, Chandy
Plasmodium falciparum clinical malaria in Dielmo, a holoendemic area in Senegal: No influence of acquired immunity on initial symptomatology and severity of malaria attacks Rogier, Christophe & Ly, Alioune & Adama, Tall & Cissé, Badara & Trape, J.
Invasive Meningococcal Infection: Analysis of 110 cases from a Tertiary Care Centre in North East India Dass Hazarika, R., Deka, N.M., Khyriem, A.B. et al.
Which early ‘red flag’ symptoms identify children with meningococcal disease in primary care? Tanya Ali Haj-Hassan, Matthew J Thompson, Richard T Mayon-White et al. 
Mumps Virus: Modification of the Identify-Isolate-Inform Tool for Frontline Healthcare Providers Koenig KL, Shastry S, Mzahim B, Almadhyan A, Burns MJ. 
Characteristics of a large mumps outbreak: Clinical severity, complications and association with vaccination status of mumps outbreak cases Stein Zamir, H Schroeder, H Shoob, N Abramson & G Zentner 
Mumps outbreak and laboratory diagnosis Mylène Maillet, Eric Bouvat, Nicole Robert et al. 
An outbreak of norovirus-related acute gastroenteritis associated with delivery food in Guangzhou, southern China  Lu Y, Ma M, Wang H, Wang D, Chen C, Jing Q, Geng J, Li T, Zhang Z, Yang Z. 
Vomiting as a Symptom and Transmission Risk in Norovirus Illness: Evidence from Human Challenge Studies Amy E. Kirby, Ashleigh Streby, Christine L. Moe
Clinical Manifestation of Norovirus Gastroenteritis in Health Care Settings Ben A. Lopman, Mark H. Reacher, Ian B. Vipond, Joyshri Sarangi, David W. G. Brown
Clinical manifestation of norovirus infection in children aged less than five years old admitted with acute diarrhea in Surabaya, Indonesia: a cross-sectional study Fardah Athiyyah A, Shigemura K, Kitagawa K et al. 
Diagnostic value of symptoms and laboratory data for pertussis in adolescent and adult patients Miyashita N, Akaike H, Teranishi H, Kawai Y, Ouchi K, Kato T, Hayashi T, Okimoto N.
Pertussis (Whooping Cough) Centers for Disease Control and Prevention
Pertussis prevalence among adult patients with acute cough İlbay A, Tanrıöver MD, Zarakol P, Güzelce EÇ, Bölek H, Ünal S. 
Clinical aspects of human rabies in the state of Ceará, Brazil: an overview of 63 cases Duarte NFH, Pires Neto RDJ, Viana VF, Feijão LX, Alencar CH, Heukelbach J. 
Epidemiological and clinical features of human rabies cases in Bali 2008-2010 Susilawathi NM, Darwinata AE, Dwija IB, Budayanti NS et al. 
Rubella outbreak among workers in three small- and medium-size business establishments associated with imported genotype 1E rubella virus-Shizuoka, Japan, 2015 Kato H, Kamiya H, Mori Y, Yahata Y, Morino S, Griffith M et al. 
Rubella (German Measles, Three-Day Measles) Centers for Disease Control and Prevention
Five years review of cases of adult tetanus managed at Gondar University Hospital, North West Ethiopia (Gondar, Sep. 2003-Aug. 2008) Tadesse A, Gebre-Selassie S. 
Clinical features and outcomes of tetanus: a retrospective study Fan Z, Zhao Y, Wang S, Zhang F, Zhuang C. 
Τέτανος Louise Thwaites, MD
Tetanus: Presentation and outcome in adults.  Younas NJ, Abro AH, Das K, Abdou AMS, Ustadi AM, Afzal S. 
Miliary tuberculosis: Clinical manifestations, diagnosis and outcome in 38 adults Mert, A., Bilir, M., Tabak, F., Ozaras, R., Ozturk, R. et al. 
A Population-Based Survey of Tuberculosis Symptoms: How Atypical Are Atypical Presentations? Loren G. Miller, Steven M. Asch, Emily I. Yu, Laura Knowles, Lillian Gelberg, Paul Davidson
Alert sign and symptoms for the early diagnosis of pulmonary tuberculosis: analysis of patients followed by a tertiary pediatric hospital Farina, E., D’Amore, C., Lancella, L. et al. 
Clinical and epidemiological characteristics of HIV/AIDS patients diagnosed with tuberculosis in the Integral Care Service of the Dr. Robert Reid Cabral Children’s Hospital during the period 2010-2016 Ricardo Elías-Melgen, Rosa Abreu, Milandres García
Typhoid FeverAn Epidemic With Remarkably Few Clinical Signs and Symptoms Klotz SA, Jorgensen JH, Buckwold FJ, Craven PC.
Current trends in typhoid fever Crum, N.F. 
Characteristic features of culture positive enteric fever in pediatric teaching hospital in Sulaimani governorate Tyib, Tara & Fakhir, Haydar & Mohammad, Hayder
Enteric fever Basnyat B, Qamar FN, Rupali P, Ahmed T, Parry CM.
Clinical Manifestations Of Hepatitis A: Recent Experience In A Community Teaching Hospital Myron J. Tong, Neveen S. El-Farra, Marianne I. Grew,
Natural History, Clinical Manifestations, and Pathogenesis of Hepatitis A Shin EC, Jeong SH
Clinical and Epidemiological Spectrum of Acute Viral Hepatitis Due to Hepatitis A and E in Children: A Descriptive, Cross-Sectional, Hospital-Based Study Javaria Rasheed, Muhammad Khalid, Sobia Rubab, Bushra Iqbal, Iram Nawaz, Asad Shahzad
Assessing yellow Fever risk in the ecuadorian Amazon.  Izurieta RO, Macaluso M, Watts DM, Tesh RB, Guerra B, Cruz LM, Galwankar S, Vermund SH
Clinical features of yellow fever cases at Vom Christian Hospital during the 1969 epidemic on the Jos Plateau, Nigeria Evan M Jones and D. C. Wilson
Clinical and epidemiological characteristics of yellow fever in Brazil: analysis of reported cases 1998-2002 Tuboi, Suely & Costa, Zouraide & Vasconcelos, Pedro & Hatch, Douglas.
An Overview of Yellow Fever Virus Disease McGuinness I, Beckham JD, Tyler KL, Pastula DM.
Yellow fever outbreak in Kenya: A review Olivier Uwishema, Stanley Chinedu Eneh, Anyike Goodness Chiburoma et al. 
Yellow Fever Leslie V. Simon; Muhammad F. Hashmi; Klaus D. Torp.
Zika Virus The Johns Hopkins University
Clinical, laboratory and virological data from suspected ZIKV patients in an endemic arbovirus area Tatiana Elias Colombo, Cássia Fernanda Estofolete, Andréia Francesli Negri Reis et al. 
Clinical relevance of Zika symptoms in the context of a Zika Dengue epidemic Humberto Guanche Garcell, Francisco Gutiérrez García, Manuel Ramirez Nodal et al. 
The Clinical Spectrum of Zika Virus in Returning Travelers Eyal Meltzer, Eyal Leshem, Yaniv Lustig, Giora Gottesman, Eli Schwartz

Κάθε νόσος στη συνέχεια περιγράφηκε με διάφορες ενδείξεις ομαδοποιημένες σε 8 ειδικές κατηγορίες. Διεξήχθησαν στοχευμένες συνεντεύξεις με εμπειρογνώμονες της ιατρικής για τον προσδιορισμό των κρίσιμων στοιχείων όσον αφορά τη διάγνωση των μολυσματικών νόσων και τη σχέση τους με κλινικούς παράγοντες λήψης αποφάσεων. Αναπτύξαμε έναν πίνακα που απεικονίζει τις συχνότητες ποικίλων συμπτωμάτων νόσων. Κάθε σειρά στον πίνακα αντιστοιχεί σε μία συγκεκριμένη νόσο και κάθε στήλη αντιστοιχεί σε ένα ειδικό σύμπτωμα. Η διατομή γραμμής και στήλης περιέχει τη συχνότητα ή την εμφάνιση ενός ορισμένου συμπτώματος για μια συγκεκριμένη νόσο.

Ομάδες ενδείξεων για μολυσματικές νόσους

1. Γενικές/συστημικές ενδείξεις

  • Συνεχής πυρετός ή πυρετός με διαλείμματα μικρότερα της 1 ημέρας
  • διαλείπων πυρετός κάθε 2-4 μέρες
  • λήθαργος
  • εφίδρωση ή/και ρίγη
  • πονοκέφαλος
  • έλλειψη όρεξης ή/και απώλεια βάρους

5. Αιματολογικές ενδείξεις

  • αιμορραγικές εκδηλώσεις

2. Αναπνευστικές ενδείξεις 

  • πόνος στο στήθος
  • βήχας
  • φλέγμα
  • δύσπνοια
  • πονόλαιμος
  • ρινική καταρροή

6. Γαστρικές ενδείξεις:

  • κοιλιακό άλγος
  • διάρροια
  • ναυτία
  • εμετός

3. Μυοσκελετικές ενδείξεις

  • οσφυαλγία
  • πόνος στις αρθρώσεις
  • μυϊκό άλγος
  • τρισμός

7. Δερματολογικές ή σχετικές ενδείξεις:

 

  • οίδημα στον λαιμό
  • δερματικό εξάνθημα
  • ίκτερος ή/και σκούρα ούρα

4. Νευρολογικές ενδείξεις

  • θολή όραση
  • γνωστικές δυσκολίες
  • δυσκολία στην κατάποση
  • ζάλη
  • συναισθηματική διέγερση
  • νευρολογικά προβλήματα αισθήσεων και κίνησης
  • επιληπτικές κρίσεις
  • αυχενική δυσκαμψία και ευαισθησία στο φως

8. Άλλες ενδείξεις:

 

  • υδροφοβία
  • πόνος στους όρχεις
  • ερυθρότητα οφθαλμών

 

Αλγόριθμος πρόβλεψης

Ο αλγόριθμος πρόβλεψης στοχεύει στον προσδιορισμό της/των πιθανής/ών μολυσματικής/ών νόσου/ων από την/τις οποία/ες πάσχει ένας/μία ασθενής βάσει των συμπτωμάτων του/της. Ο αλγόριθμος πρόβλεψης πρέπει να εκπαιδευτεί και εμείς τον εκπαιδεύσαμε με τη βάση γνώσεων των συμπτωμάτων και των μολυσματικών νόσων. Η βάση γνώσεων για τα συμπτώματα και τις μολυσματικές νόσους εκφράστηκε σε ποσοστά, δηλαδή σύμφωνα με το πόσοι/ες ασθενείς στους 100 θα εξέφραζαν ένα συγκεκριμένο σύμπτωμα αν είχαν μολυνθεί από μια συγκεκριμένη μολυσματική νόσο. Βάσει αυτών των δεδομένων, δημιουργήσαμε τυχαία εκατοντάδες εικονικούς/ές ασθενείς με συγκεκριμένα συμπτώματα, αλλά επιτύχαμε σε όλους/ες τα ακριβή ποσοστά από τη βάση γνώσεων. Για παράδειγμα, αν για μια συγκεκριμένη νόσο το 25% των ασθενών εμφανίζει το σύμπτωμα 1, το 50% το σύμπτωμα 2 και το 100% το σύμπτωμα 3, μπορούμε να δημιουργήσουμε τους/τις εξής 5 ασθενείς από αυτά τα δεδομένα και τα συνολικά ποσοστά θα εξακολουθούν να συμφωνούν με τα αρχικά δεδομένα. Αυτή η προσέγγιση της τυχαίας δημιουργίας εικονικών ασθενών χρησιμοποιήθηκε για να ληφθεί υπόψη η μοναδικότητα του κάθε ανθρώπου, οπότε τα συμπτώματα που εμφανίζονται μετά τη μόλυνση εκδηλώνονται ελαφρώς διαφορετικά στον καθένα.
Ασθενής 1ο Σύμπτωμα 2ο Σύμπτωμα 3ο Σύμπτωμα
1 1 1 1
2 1 1
3 1 1
4 1
5 1 1
6 1
7 1 1
8 1
25% 50% 100%
Χρησιμοποιήσαμε αυτά τα τυχαία δεδομένα για να εκπαιδεύσουμε τον αλγόριθμο πρόβλεψης. Στον αλγόριθμο πρόβλεψής μας δοκιμάσαμε τρία μοντέλα τεχνητής νοημοσύνης για να μπορέσουμε να τα συγκρίνουμε και να επιλέξουμε το πιο ακριβές: το τυχαίο δάσος, το δέντρο απόφασης και τον αφελή Bayes. Όλα τα εν λόγω πρότυπα χρησιμοποιούνται για την άμεση πρόβλεψη μιας νόσου βάσει των δεδομένων συμπτωμάτων. 1. Ο αφελής Bayes είναι ένας ταξινομητής που υποθέτει ότι τα συμπτώματα είναι ανεξάρτητα υπό προϋποθέσεις, δεδομένης της νόσου-στόχου. Η ισχύς αυτής της παραδοχής (αφέλεια) είναι αυτή που αποδίδει στον ταξινομητή το όνομά του. 2. Το μοντέλο δέντρου αποφάσεων είναι ένα δενδροειδές μοντέλο των συμπτωμάτων και των πιθανών νόσων τους, συμπεριλαμβανομένων των τυχαίων αποτελεσμάτων συμβάντων, του κόστους πόρων και της χρησιμότητας. Κάθε διακλάδωση αντιπροσωπεύει το αποτέλεσμα της δοκιμής (αν υφίσταται ή όχι ένα σύμπτωμα) και κάθε κόμβος φύλλου αντιπροσωπεύει μια νόσο. Στην παρακάτω εικόνα παρουσιάζεται ένα πλήρες δέντρο αποφάσεων.
decision tree

3. Το μοντέλο τυχαίου δάσους βασίζεται στο μοντέλο δέντρων απόφασης, με τη διαφορά ότι στο μοντέλο τυχαίου δάσους δημιουργείται ένα δάσος (μεγάλος αριθμός) δέντρων απόφασης, λαμβάνοντας υπόψη μόνο ορισμένα συμπτώματα για κάθε δέντρο απόφασης. Η έξοδος του τυχαίου δάσους είναι η νόσος που επιλέγουν τα περισσότερα δέντρα αποφάσεων.

Για τη δημιουργία και των τριών μοντέλων χρησιμοποιήθηκε το λογισμικό εξόρυξης δεδομένων Orange. Το λογισμικό εξόρυξης δεδομένων Orange είναι ένα από τα λογισμικά για μηχανική μάθηση και εξόρυξη δεδομένων. Χρησιμοποιήθηκε καθώς είναι ένα δωρεάν, ευρέως χρησιμοποιούμενο λογισμικό από το οποίο μπορούν να εξαχθούν τα παραγόμενα μοντέλα και στη συνέχεια να χρησιμοποιηθούν σχεδόν οπουδήποτε με τη χρήση μιας βιβλιοθήκης Orange python (Demsar J, Curk T, Erjavec A, Gorup C, Hocevar T, Milutinovic M, Mozina M, Polajnar M, Toplak M, Staric A, Stajdohar M, Umek L, Zagar L, Zbontar J, Zitnik M, Zupan B (2013) Orange: Journal of Machine Learning Research 14(Aug): 2349-2353. http://jmlr.org/papers/volume14/demsar13a/demsar13a.pdf). Αυτό επιτρέπει την εύκολη ενσωμάτωση του αλγορίθμου πρόβλεψης στον ιστότοπο, στην εφαρμογή για κινητά και τη διάθεσή του στο κοινό.

Η ακόλουθη εικόνα παρουσιάζει το έργο σε λογισμικό εξόρυξης δεδομένων Orange.

Αποτελέσματα αξιολόγησης

Στην ενότητα αυτή παρουσιάζεται η αξιολόγηση τριών διαφορετικών μοντέλων μηχανικής μάθησης: του Τυχαίου Δάσους, του Αφελή Bayes και του Δέντρου Αποφάσεων. Τα μοντέλα αξιολογήθηκαν χρησιμοποιώντας διάφορες μετρικές επιδόσεων για να προσδιοριστεί αν είναι κατάλληλα για ανάπτυξη.


Σύνολο δεδομένων που χρησιμοποιήθηκε

Συλλέξαμε έναν μικρό αριθμό πραγματικών συμπτωμάτων και συνδυασμών νόσων ασθενών ως δεδομένα δοκιμής. Επισημαίνεται ότι τα δεδομένα δοκιμής δεν χρησιμοποιήθηκαν κατά τη διαδικασία εκπαίδευσης ενώ δημιουργούνταν τα εν λόγω μοντέλα.


Τεχνικές Επικύρωσης

Στο έργο εφαρμόστηκαν οι τεχνικές της Διασταυρούμενης Επικύρωσης και της Τυχαίας Δειγματοληψίας για να ελεγχθεί η ακρίβεια των μοντέλων. Ο συνδυασμός της Διασταυρούμενης Επικύρωσης και της Τυχαίας Δειγματοληψίας καθιστά ευκολότερη την ολοκληρωμένη αξιολόγηση επιδόσεων των μοντέλων μηχανικής μάθησης. Αυτή η προσέγγιση διπλής επικύρωσης διασφαλίζει την ενδελεχή κατανόηση του τρόπου απόδοσης του μοντέλου σε διάφορα σενάρια.


Τεχνική Διασταυρούμενης Επικύρωσης και Ρύθμιση Δειγματοληψίας

Διασταυρούμενη Επικύρωση

  • Αριθμός Αναδιπλώσεων: 5
  • Στρωματοποίηση: Ενεργή (διασφαλίζει ότι κάθε αναδίπλωση έχει παρόμοια κατανομή κλάσεων)

Τυχαία Δειγματοληψία

  • Επανάληψη εκπαίδευσης/δοκιμής: 10 φορές
  • Μέγεθος συνόλου εκπαίδευσης: 66%
  • Στρωματοποίηση: Ενεργή
Μετρικές αξιολόγησης
  1. AUC (Περιοχή κάτω από την Καμπύλη): Μετρά την ικανότητα του μοντέλου να διακρίνει μεταξύ των κλάσεων.: Measures the model’s ability to differentiate between classes.
  2. CA (Ακρίβεια Ταξινόμησης): Ο λόγος των σωστά προβλεφθέντων περιπτώσεων προς το σύνολο των περιπτώσεων.: The ratio of correctly predicted instances to the total instances.
  3. Βαθμολογία F1:Ο αρμονικός μέσος όρος της ακρίβειας και της ανάκλησης.
  4. Ακρίβεια: Ο λόγος των σωστά προβλεπόμενων θετικών παρατηρήσεων προς το σύνολο των προβλεπόμενων θετικών παρατηρήσεων.
  5. Ανάκληση: Ο λόγος των σωστά προβλεπόμενων θετικών παρατηρήσεων προς το σύνολο των παρατηρήσεων της πραγματικής κλάσης.
  6. MCC (Συντελεστής Συσχέτισης Matthews): Μέτρο για την ποιότητα των δυαδικών ταξινομήσεων.
Επιδόσεις Μοντέλου

Παρακάτω παρατίθεται ένας πίνακας που συνοψίζει τα αποτελέσματα αξιολόγησης για τα τρία μοντέλα μηχανικής μάθησης: το Τυχαίο Δάσος, τον Αφελή Bayes και το Δέντρο Αποφάσεων.

Μετρική Τυχαίο Δάσος Αφελής bayes Δέντρο Αποφάσεων
AUC 1.000 0.998 0.802
CA 0.952 0.857 0.571
F1 0.937 0.825 0.500
Ακρίβεια 0.929 0.810 0.468
Ανάκληση 0.952 0.857 0.571
MCC 0.952 0.854 0.559

Αυτός ο πίνακας αποτυπώνει τις επιδόσεις κάθε μοντέλου σε όλες τις βασικές μετρικές αξιολόγησης που χρησιμοποιήθηκαν στο έργο DESSEV. Η σύγκριση των μοντέλων με βάση την Περιοχή κάτω από την Καμπύλη ROC δείχνει ότι το μοντέλο Τυχαίου Δάσους είναι καλύτερο, το οποίο διαδέχεται το μοντέλο Αφελή Bayes, με το Δέντρο Αποφάσεων να είναι το λιγότερο αποτελεσματικό.


Καθώς το μοντέλο Τυχαίου Δάσους έχει την καλύτερη απόδοση, είναι το μοντέλο που χρησιμοποιείται για την πρόβλεψη νόσων στον ιστότοπο και την εφαρμογή για κινητά.

elGreek
Scroll to Top