A machine learning method for incomplete and imbalanced medical data
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F67985556%3A_____%2F17%3A00484058" target="_blank" >RIV/67985556:_____/17:00484058 - isvavai.cz</a>
Nalezeny alternativní kódy
RIV/68407700:21340/17:00313379
Výsledek na webu
—
DOI - Digital Object Identifier
—
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
A machine learning method for incomplete and imbalanced medical data
Popis výsledku v původním jazyce
Our research reported in this paper is twofold. In the first part of the paper we usenstandard statistical methods to analyze medical records of patients suffering myocardialninfarction from the third world Syria and a developed country - the Czech Republic.nOne of our goals is to find whether there are statistically significant differences betweennthe two countries. In the second part of the paper we present an idea how to deal withnincomplete and imbalanced data for tree-augmented naive Bayesian (TAN). All resultsnpresented in this paper are based on a real data about 603 patients from a hospital innthe Czech Republic and about 184 patients from two hospitals in Syria.
Název v anglickém jazyce
A machine learning method for incomplete and imbalanced medical data
Popis výsledku anglicky
Our research reported in this paper is twofold. In the first part of the paper we usenstandard statistical methods to analyze medical records of patients suffering myocardialninfarction from the third world Syria and a developed country - the Czech Republic.nOne of our goals is to find whether there are statistically significant differences betweennthe two countries. In the second part of the paper we present an idea how to deal withnincomplete and imbalanced data for tree-augmented naive Bayesian (TAN). All resultsnpresented in this paper are based on a real data about 603 patients from a hospital innthe Czech Republic and about 184 patients from two hospitals in Syria.
Klasifikace
Druh
D - Stať ve sborníku
CEP obor
—
OECD FORD obor
20205 - Automation and control systems
Návaznosti výsledku
Projekt
<a href="/cs/project/GA16-12010S" target="_blank" >GA16-12010S: Struktury podmíněné nezávislosti: kombinatorické a optimalizační metody</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)
Ostatní
Rok uplatnění
2017
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název statě ve sborníku
Proceedings of the 20th Czech-Japan Seminar on Data Analysis and Decision Making under Uncertainty, CZECH-JAPAN SEMINAR 2017
ISBN
978-80-7464-932-5
ISSN
—
e-ISSN
—
Počet stran výsledku
8
Strana od-do
188-195
Název nakladatele
University of Ostrava
Místo vydání
Ostrava
Místo konání akce
Pardubice
Datum konání akce
17. 9. 2017
Typ akce podle státní příslušnosti
WRD - Celosvětová akce
Kód UT WoS článku
000418391500021