جستجوی مقالات مرتبط با کلیدواژه
fuzzy regression
در نشریات گروه پزشکی
تکرار جستجوی کلیدواژه fuzzy regression در مقالات مجلات علمی
-
مقدمهدیابت یکی از بیماری های خطرناک و رایج جهان مدرن است. از آنجا که در تحقیقات پزشکی معمولا داده های کمی در دسترس است و داده های پزشکی دارای عدم قطعیت و ابهام زیادی است، برای پیدا کردن رابطه ی ورودی و خروجی در داده های پزشکی استفاده از مدل های فازی مناسب به نظر می رسد. هیچکدام از مقالات قبلی از رگرسیون فازی برای پیش بینی عوارض دیابت از جمله نفروپاتی استفاده نکرده اند. لذا در این مطالعه، مدل رگرسیون فازی برای پیش بینی نفروپاتی در بیمار دیابتی استفاده شده است.روش هادر پژوهش حاضر از نتایج GFR آزمایشات قبلی بیمار برای پیش بینی افق دورتری از GFR و در نهایت پیش بینی عارضه ی کلیوی استفاده شده است. بیماری های مزمن کلیوی براساس مقدار GFR سطح بندی شده است که فازی سازی داده ها براساس این سطوح انجام شده است. پیش بینی GFR طی مراحل زیر انجام شد: مرحله ی 1، تعریف مجموعه های فازی براساس سطوح GFR، که برای هر سطح یک مجموعه فازی در نظر گرفته شده است. مرحله ی 2، فازی سازی داده های بیمار براساس مجموعه های فازی. مرحله ی 3، پیش بینی GFR با مدل رگرسیون فازی. مرحله ی 4، غیرفازی سازی مقادیر پیش بینی با استفاده از غیرفازی ساز میانگین. مرحله ی 5، ارزیابی کارایی مدل. خطای RMSE برای مقایسه کارایی مدل استفاده شده است.یافته هانتایج پیش بینی GFR نشان داد که، مقایسه RMSE با استفاده از مدل رگرسیون خطی ساده 10.09 و با استفاده از مدل فازی 4.24 بود.نتیجه گیریمدل رگرسیون فازی قادر به پیش بینی نفروپاتی در بیماران دیابتی است.کلید واژگان: پیش بینی، نفروپاتی دیابتی، دیابت، رگرسیون فازی، عدم قطعیتBackgroundDiabetes is one of the most dangerous and common diseases of the modern world. Since medical research usually has limited data available and medical data is very ambiguous, it seems appropriate to use the fuzzy model to find out the relationship between input and output in medical data. None of the previous articles of fuzzy regression have been used to predict complications of diabetes, including nephropathy. Therefore, in this study, a fuzzy regression model was used to predict nephropathy in a diabetic patient.MethodsIn the present study, GFR results of previous patient experiments were used to predict a deeper horizons of GFR and ultimately to predict renal disease. Chronic kidney disease has been stratified based on the amount of GFR, that fuzzy data has been constructed based on these levels. The GFR prediction was performed in the following steps. Step 1: Define fuzzy sets based on the GFR level, which is considered for each level of a fuzzy set. Step 2: Fuzzify patient data Based on fuzzy sets. Step 3: GFR prediction with fuzzy regression model. Step 4: Defuzzifying the predictions. Step 5: Evaluating the model efficiency. The RMSE error is used to compare the performance of the model.ResultsThe results of GFR prediction showed that comparison RMSE was 10.09 with using simple linear regression model and 4.24 in fuzzy model.Conclusionsfuzzy regression model can predict nephropathy in diabetic patients.Keywords: Prediction, Diabetes, Diabetic Nephropathy, Fuzzy Regression
-
Background andPurposeSince protein A is considered an important protein from medical, medicinal, genetic engineering, and biotechnology point of view, the present study attempted to investigate and determine to what extent protein A is produced through regression, in addition to the production conditions of the protein. Thus, a figure was introduced as for the estimation of the amount of protein A.MethodsWith the introduction of fuzzy mathematics and its combination with statistical methods, the kinds of regression models for estimating the amount of unknown variables were introduced. The utilization of fuzzy regression was developed from 1982 through the introduction of regression models, and the fuzzy data was based on a kind of linear plan. One of these regression models is fuzzy regression which considers the features of fuzzy numbers and the estimation obtained through them, and it has a higher level of reliability.ResultsIn the present study, fuzzy regression method was introduced, and the number usage of this model in estimating the amount of secretion of protein A was investigated. It was then confirmed that this estimation method had a higher level of reliability. The type of regression used in this article was fuzzy regression that had a higher confidence level than the point classic regression. At the same time, the number of triangular fuzzy number was used in the current research in terms of computational handling, and it was found that triangular fuzzy number was much easier to use in comparison with the other species.ConclusionSecretion and extracellular production of recombinant protein is a wide production method which is currently developing. In the present study, it was observed that the statistical methods for improving the process in medical biotechnology are ideal methods. It was also documented that for laboratory designing of this important protein and achieving the best and most improved conditions for production and secretion, its amount of production must first be calculated through statistical methods.Keywords: protein A, extracellular, fuzzy groups, triangular fuzzy numbers, fuzzy regression
نکته
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2025 magiran.com All Rights Reserved.