Buradasınız

Anasayfa » Content

Hastane enfeksiyonlarının gizli örüntülerinin bulunması: Bir veri madenciliği yaklaşımı

Finding hidden patterns of hospital infections on newborn: A data mining approach

Journal Name:

  • İstanbul Üniversitesi İşletme Fakültesi Dergisi

Publication Year:

  • 2010

Key Words:

Keywords (Original Language):

Author NameUniversity of AuthorFaculty of Author
Abstract (2. Language): 
The increasing number of hospital infections with considerable morbidity, mortality and economic burden attracts the attention of not only the health-care environment, but also the whole society. This study presents an application of data mining methods for hospital infection detection in a newborn intensive care unit. The data set is provided by Department of Clinical Microbiology and Infectious Diseases, Eskisehir Osmangazi University, Faculty of Medicine. Decision tree and neural network classification models are built using accuracy estimation methods; holdout sampling and cross validation. In model comparison, accuracy and sensitivity measures are taken into consideration primarily. The study highlights that antibiotics and urinary catheter usage, peripheral catheter duration, enteral and total parenteral nutrition durations, and birth weight for gestational age are considerable risk factors. Among the models, neural network and CHAID decision tree perform better on hospital infections detection.
Bookmark/Search this post with
Abstract (Original Language): 
Her geçen gün görülme sıklıgı artan hastane enfeksiyonları, önemli derecede morbidite, mortalite ve ekonomik yüklere neden olmakta ve yalnızca saglık sektörünü degil, tüm toplumu ilgilendirmektedir. Bu çalısmada, yenidogan yogun bakım ünitesindeki hastane enfeksiyonlarının tespit edilmesi için veri madenciligi yöntemlerinin uygulaması sunulmaktadır. Veri seti Eskisehir Osmangazi Üniversitesi, Tıp Fakültesi, Klinik Mikrobiyoloji ve Enfeksiyon Hastalıkları Bölümü tarafından hazırlanmıstır. Karar agaçları ve yapay sinir agları sınıflandırma modelleri basit ve çapraz dogrulama yöntemleri ile kurulmustur. Model karsılastırmada dogruluk ve duyarlılık oranları öncelikli olarak dikkate alınmıstır. Bu çalısmada antibiyotik ve üriner kateter kullanımı, periferik kateter kullanım süresi, enteral ve total parenteral beslenme süreleri ve dogum agırlıgının gestasyonel yasa oranı önemli risk faktörleri olarak bulunmustur. Yapay sinir agları ve CHAID karar agaçları hastane enfeksiyonlarının tespitinde basarılı olmustur.
FULL TEXT (PDF): 
PDF icon arastirmax-hastane-enfeksiyonlarinin-gizli-oruntulerinin-bulunmasi-bir-veri-madenciligi-yaklasimi.pdf
  • 2
210-226
  • English

REFERENCES

References: 

[1] M. Ertek, Hastane Enfeksiyonları: Türkiye Verileri. Hastane Enfeksiyonları Koruma
ve Kontrol Sempozyum Dizisi. 60, 9-14 (2008).
[2] Y. Perk, Yenidogan Yogun Bakım Enfeksiyonları; Koruma ve Kontrol. Hastane
Enfeksiyonları Koruma ve Kontrol Sempozyum Dizisi. 60, 137-141 (2008).
[3] D. Pittet, Infection Control and Quality Health Care in the New Millennium.
American Journal of Infection Control. 33, 5, June, 258-267 (2005).
[4] D. Breaux, et al., Using Automated Surveillance to Trace Evidence-Based Practices:
Reducing Infection Outcomes when Escherichia Coli is Your Most Common
Uropathogen. American Journal of Infection Control. 33, 5, June, (2005).
[5] E. Lamma, et al., A System for Monitoring Nosocomial Infections, in Medical Data
Analysis ISMDA 2000 (Brause, R.W., Hanisch, E. Eds.). Springer, Berlin, 2000.
[6] U.M. Fayyad, et al. (Eds.), Advances in Knowledge Discovery and Data Mining. The
MIT Press, Cambridge, Massachusetts, 1996, p.6.
[7] J. Han, Kamber, M., Data Mining Concepts and Techniques. Morgan Kaufmann, San
Francisco, 2006, p.24, 291, 327, 360, 372.
[8] R.O. Duda, et al., Pattern Classification. Wiley, New York, 2001, p.398.
[9] O. Maimon, L. Rokach, Decision trees, in The Data Mining and Knowledge Discovery
Handbook (O. Maimon, L.Rokach Eds.), Springer Science+Business Media Inc., New
York, 2005.
[10] L. Breiman, et al., Classification and Regression Trees. Chapman & Hall, New York,
1984, p.30, 66.
[11] G.V. Kass, An Exploratory Technique for Investigating Large Quantities of
Categorical Data. Journal of Applied Statistics. 29, 2, 119-127 (1980).
[12] C.M. Bishop, Neural Networks for Pattern Recognition. Oxford University Press, New
York, 1995, p.117, 140.
[13] P.N. Tan, et al., Introduction to Data Mining. Pearson Addison-Wesley, Boston,
2006, p.296.
[14] R. Dybowski, S. Roberts, An anthology of probabilistic models for medical
informatics, in probabilistic modeling in Bioinformatics and Medical Informatics.
(Husmeier, D., Dybowski, R., Roberts, S. Eds.), Springer-Verlag, London, 2005.
[15] E.A. Braithwaite, et al., Artificial Neural Networks for Neonatal Intensive Care, in
Clinical Applications of Artificial Neural Networks (Dybowski, R., Gant, V. Eds.),
Cambridge University Press, Cambridge, 2001.
[16] G.E.P. Box, D.R. Cox, An Analysis of Transformations. Journal of the Royal
Statistical Society. Series B, 26, 2, 211-252 (1964).
[17] S.M. Weiss, C.A. Kulikowski, Computer Systems That Learn. Morgan Kaufmann
Publishers Inc., San Mateo, California, 1991, p.30.

Thank you for copying data from http://www.arastirmax.com