2. Existing WorkA literature review

2. Existing Work
A literature review reveals many results on diabetes carried out by different methods and materials of diabetes
problem in India. Many people have developed various prediction models using data mining to predict diabetes.
Combination of classification-regression-genetic-neural network, handles the missing and outlier values in the
diabetic data set, and also they replaced the missing values with domain of the corresponding attribute [1]. The
classical neural network model is used for prediction, on the pre-processed dataset.
In predictive analysis of diabetic treatment using regression based data mining techniques to diabetes data, they
discover patterns using SVM algorithm that identify the best mode of treatment for diabetes across different age [2].
They concluded that drug treatment for patients in the young age group can be delayed whereas; patients in the old
age group should be prescribed drug treatment immediately. Prediction and classification of various type of diabetes using C4.5 classification algorithm was carried out in Pima Indians Diabetes Database [3]. A detailed analysis of the
Pima diabetic data set was carried out efficiently using of Hive and R. In this analysis we can derive some
interesting facts, which can be used to develop the prediction models [4].
The soft computing based prediction model was developed for finding the risks accumulated by the diabetic
patients. They have experimented with real time clinical data using Genetic Algorithm [5]. The obtained results
pertaining to the level of risk which prone to either heart attack or stroke. The novel pre-processing phase with
missing value imputation for both numerical and categorical data. A hybrid combination of Classification and
Regression Trees (CART) and Genetic Algorithms to impute missing continuous values and Self Organizing Feature
Maps (SOFM) to impute categorical values was improved in [6].
Deploying a health information exchange (HIE) repository promote and integrate the data within a single point of
robust data sharing. This sharing of information and electronic communication systems enable access to health
services and also promotes additional care over dual eligible patients. It recognizes which patient is requiring more
care and attention than others. It gives needed data to determine which strategies should be put in place to maximize
positive behavior modification [9].
The predictive analytics works in three areas such as Operations management, Medical management and
biomedicine, and System design and planning. Healthcare predictive analytics system can help one of the issues that
is to address the cost of patients being repeatedly admitted and readmitted to a hospital for chronic diseases which is
similar or multiple. The survey of New England Journal of Medicine tells that one in five patients suffer from
preventable readmissions. Therefore,1% of the population accounts for 20% of all US healthcare expenditures
almost and 25% for over 80% of all expenditures [10].
Various big data technology stack and research over health care combined with efficiency. cost savings, etc.,are
explained in better healthcare [11]. The hadoop usage in health care became more important to process the data and
to adopt the large scale data management activities. The analytics on the combined compute and storage can
promote the cost effectiveness to be gained using hadoop [12].
All the above researchers have been successful in analysing the diabetic data set and developing good prediction
models. In this paper, we use the predictive analysis technique in Hadoop/Map Reduce environment to predict and
classify the type of diabetes. This system provides efficient way to care and cure the patients at low cost with better
outcomes like affordability and availability.

ผลลัพธ์ (ไทย) 1:

2. ที่มีอยู่ทำงานการทบทวนวรรณกรรมพบว่า ผลลัพธ์ในการดำเนินการ โดยวิธีการอื่นและวัสดุของโรคเบาหวานโรคเบาหวานมากปัญหาในประเทศอินเดีย หลายคนได้พัฒนาแบบจำลองพยากรณ์ต่าง ๆ ใช้การทำเหมืองข้อมูลเพื่อทำนายโรคเบาหวานทั้งประเภทถดถอยพันธุกรรมโครงข่ายประสาท จัดการกับค่าหายไปและ outlier ในการชุดข้อมูลโรคเบาหวาน และจะแทนค่าหายไปกับโดเมนของแอททริบิวต์ที่เกี่ยวข้อง [1] ที่แบบจำลองโครงข่ายประสาทคลาสสิกใช้สำหรับทำนาย ในชุดข้อมูลที่ประมวลผลเบื้องต้นในการวิเคราะห์ระบบช่วยรักษาโรคเบาหวานโดยใช้การถดถอยโดยใช้เทคนิคเหมืองข้อมูลข้อมูลโรคเบาหวาน พวกเขาค้นพบรูปแบบที่ใช้อัลกอริทึม SVM ที่ระบุโหมดดีของการรักษาโรคเบาหวานระหว่างอายุที่แตกต่าง [2]พวกเขาสรุปว่า ยารักษาสำหรับผู้ป่วยในกลุ่มอายุน้อยล่าช้าขณะ ผู้ป่วยในเก่ากลุ่มอายุควรจะกำหนดยารักษาทันที ทายผลและจำแนกประเภทของชนิดต่าง ๆ ของโรคเบาหวานโดยใช้อัลกอริทึมประเภท C4.5 ได้ดำเนินการในฐานข้อมูลโรคเบาหวานอินเดีย Pima [3] วิเคราะห์รายละเอียดของการชุดข้อมูลเบาหวาน Pima ทำออกใช้ได้อย่างมีประสิทธิภาพของกลุ่มและอาร์ ในการวิเคราะห์นี้ เราสามารถได้รับบางอย่างสนใจข้อเท็จจริง ซึ่งสามารถใช้ในการพัฒนาแบบจำลองพยากรณ์ [4]อ่อนคำนวณทำนายตามแบบได้รับการพัฒนาสำหรับการค้นหาความเสี่ยงที่สะสม โดยโรคเบาหวานผู้ป่วย พวกเขามีเบื้องกับเวลาจริงข้อมูลทางคลินิกโดยใช้อัลกอริทึมทางพันธุกรรม [5] ผลได้รับเกี่ยวกับระดับของความเสี่ยงซึ่งแนวโน้มที่จะทั้งหัวใจโจมตีหรือจังหวะ ขั้นตอนการประมวลผลล่วงหน้านวนิยายด้วยimputation ค่าที่ขาดหายไปข้อมูลทั้งตัวเลข และแน่ชัด ชุดผสมของประเภท และถดถอยต้นไม้ (รถเข็น) และอัลกอริทึมพันธุ impute ขาดค่าอย่างต่อเนื่องและลักษณะการจัดระเบียบตัวเองแผนที่ (SOFM) กับ impute ค่าแน่ชัดถูกพัฒนาขึ้นใน [6]ใช้อัตราแลกเปลี่ยน (HIE) คลังข้อมูลสุขภาพการส่งเสริม และบูรณาการข้อมูลภายในจุดเดียวแชร์ข้อมูลที่มีประสิทธิภาพ นี้ใช้ร่วมกันของข้อมูลและระบบการสื่อสารอิเล็กทรอนิกส์เปิดใช้งานการเข้าถึงสุขภาพบริการ และส่งเสริมการดูแลเพิ่มเติมมากกว่าผู้ป่วยสิทธิ์สองยัง จำแนกผู้ป่วยที่ถูกต้องมากขึ้นดูแลและให้ความสนใจมากกว่าคนอื่น ให้ข้อมูลที่จำเป็นในการกำหนดกลยุทธ์ที่ควรจะใส่เพื่อเพิ่ม[9] แก้ไขลักษณะการทำงานเป็นบวกวิเคราะห์งานที่ทำงานในสามด้านเช่นการดำเนินการจัดการ การจัดการทางการแพทย์ และbiomedicine ออกแบบระบบ และวางแผนการ ระบบงานวิเคราะห์สุขภาพสามารถช่วยปัญหาหนึ่งที่คือการผู้ป่วยยอมรับซ้ำ ๆ และ readmitted พยาบาลสำหรับโรคเรื้อรังซึ่งเป็นต้นทุนคล้ายกันขึ้น การสำรวจของวารสารการแพทย์นิวอิงแลนด์บอกว่า หนึ่งในห้าผู้ป่วยทุกข์ทรมานจากpreventable readmissions ดังนั้น บัญชี 1% ของประชากร 20% ของรายจ่ายสุขภาพสหรัฐอเมริกาทั้งหมดเกือบ 25% กว่า 80% ของค่าใช้จ่ายทั้งหมด [10] และกองใหญ่ข้อมูลเทคโนโลยีและวิจัยผ่านสุขภาพต่าง ๆ รวมกับประสิทธิภาพ ต้นทุนประหยัด ฯลฯ มีอธิบายในการดูแลสุขภาพดีกว่า [11] การใช้งานอย่างไร hadoop ในการดูแลสุขภาพเป็นการประมวลผลข้อมูลสำคัญ และการกำหนดกิจกรรมการจัดการข้อมูลขนาดใหญ่ สามารถวิเคราะห์คำนวณรวมและจัดเก็บส่งเสริมประสิทธิภาพของต้นทุนที่จะใช้อย่างไร hadoop [12]นักวิจัยดังกล่าวได้ประสบความสำเร็จในการวิเคราะห์ชุดข้อมูลโรคเบาหวาน และพัฒนาคาดเดาดีรูปแบบจำลอง ในเอกสารนี้ เราใช้เทคนิคการวิเคราะห์งานในสภาพแวดล้อมอย่างไร Hadoop/แผนที่ ลดเพื่อทำนาย และจัดประเภทชนิดของโรคเบาหวาน ระบบนี้ช่วยให้ประสิทธิภาพ การดูแลรักษาผู้ป่วยในต้นทุนต่ำด้วยดีกว่าผลที่ได้ต้องสามารถในการจ่ายและพร้อมใช้งาน

ผลลัพธ์ (ไทย) 2:

2. การทำงานที่มีอยู่การทบทวนวรรณกรรมแสดงให้เห็นผลมากเกี่ยวกับโรคเบาหวานที่ดำเนินการโดยวิธีการที่แตกต่างกันและวัสดุของโรคเบาหวานปัญหาในอินเดีย หลายคนได้มีการพัฒนาแบบจำลองการคาดการณ์ต่าง ๆ โดยใช้การทำเหมืองข้อมูลในการทำนายโรคเบาหวาน. การรวมกันของเครือข่ายการจัดหมวดหมู่การถดถอยทางพันธุกรรม-ประสาทจัดการค่าที่หายไปและค่าผิดปกติในชุดข้อมูลที่ผู้ป่วยโรคเบาหวานและพวกเขาถูกแทนที่ด้วยค่าที่ขาดหายกับโดเมนของแอตทริบิวต์ที่สอดคล้องกัน[1] รูปแบบเครือข่ายประสาทคลาสสิกที่ถูกนำมาใช้เพื่อการคาดการณ์ในชุดข้อมูลก่อนการประมวลผล. ในการวิเคราะห์การคาดการณ์ของการรักษาโรคเบาหวานโดยใช้เทคนิคการทำเหมืองข้อมูลตามการถดถอยข้อมูลโรคเบาหวานที่พวกเขาค้นพบรูปแบบการใช้อัลกอริทึม SVM ที่สามารถระบุโหมดที่ดีที่สุดของการรักษาโรคเบาหวานทั่วที่แตกต่างกัน . อายุ [2] พวกเขาสรุปว่าการรักษาด้วยยาสำหรับผู้ป่วยที่อยู่ในกลุ่มวัยหนุ่มสาวอาจล่าช้าขณะที่; ผู้ป่วยเก่ากลุ่มอายุควรได้รับการรักษาด้วยยาที่กำหนดทันที ทำนายและการจำแนกประเภทต่างๆของโรคเบาหวานโดยใช้วิธีการจัดหมวดหมู่ C4.5 ได้ดำเนินการในอินเดีย Pima ฐานข้อมูลโรคเบาหวาน [3] การวิเคราะห์รายละเอียดของข้อมูลชุดไฟลนก้นโรคเบาหวานได้รับการดำเนินการได้อย่างมีประสิทธิภาพการใช้ไฮฟ์และอาร์ในการวิเคราะห์นี้เราสามารถได้รับมาบางข้อเท็จจริงที่น่าสนใจซึ่งสามารถนำมาใช้ในการพัฒนาแบบจำลองทำนาย[4]. คอมพิวเตอร์นุ่มรูปแบบตามการคาดการณ์ได้รับการพัฒนา สำหรับการค้นหาความเสี่ยงที่สะสมจากโรคเบาหวานผู้ป่วย พวกเขาได้ทดลองกับข้อมูลทางคลินิกเวลาจริงโดยใช้อัลกอริทึม [5] ผลที่ได้รับเกี่ยวกับระดับความเสี่ยงที่มีแนวโน้มที่จะเกิดอาการหัวใจวายหรือโรคหลอดเลือดสมองอย่างใดอย่างหนึ่ง ในช่วงก่อนการประมวลผลนวนิยายที่มีการกล่าวหาค่าที่ขาดหายไปสำหรับทั้งข้อมูลตัวเลขและเด็ดขาด การรวมกันไฮบริดของการจำแนกประเภทและต้นไม้ถดถอย (รถเข็น) และอัลกอริทึมทางพันธุกรรมที่จะใส่ร้ายหายไปค่าอย่างต่อเนื่องและการจัดระเบียบตัวเองคุณลักษณะแผนที่(SOFM) เพื่อใส่ร้ายค่าเด็ดขาดได้รับการปรับปรุงใน [6]. การปรับใช้การแลกเปลี่ยนข้อมูลด้านสุขภาพ (HIE) พื้นที่เก็บข้อมูลส่งเสริมและบูรณาการ ข้อมูลที่อยู่ในจุดเดียวของการแบ่งปันข้อมูลที่มีประสิทธิภาพ ร่วมกันนี้ข้อมูลและระบบการสื่อสารทางอิเล็กทรอนิกส์ให้สามารถเข้าถึงการมีสุขภาพที่ให้บริการและยังส่งเสริมการดูแลผู้ป่วยที่เพิ่มขึ้นมากกว่าคู่มีสิทธิ์ ได้ตระหนักถึงผู้ป่วยที่เป็นที่ต้องการมากขึ้นในการดูแลและให้ความสนใจกว่าคนอื่น ๆ มันจะช่วยให้ข้อมูลที่จำเป็นในการกำหนดกลยุทธ์ที่ควรจะวางในสถานที่ที่จะเพิ่มการปรับเปลี่ยนพฤติกรรมในเชิงบวก [9]. วิเคราะห์การคาดการณ์การทำงานในพื้นที่สามเช่นการจัดการการดำเนินงานการจัดการทางการแพทย์และbiomedicine และการออกแบบระบบและการวางแผน ผลิตภัณฑ์เพื่อสุขภาพและระบบการวิเคราะห์การทำนายจะช่วยให้หนึ่งในปัญหาที่เป็นค่าใช้จ่ายไปยังที่อยู่ของผู้ป่วยที่เข้ารับการรักษาที่ถูกซ้ำ ๆ และสิ่งสมควรโรงพยาบาลสำหรับโรคเรื้อรังซึ่งเป็นที่คล้ายกันหรือหลาย สำรวจความคิดเห็นของนิวอิงแลนด์วารสารการแพทย์บอกว่าหนึ่งในห้าผู้ป่วยที่ทุกข์ทรมานจากreadmissions ป้องกันได้ ดังนั้น 1% ของประชากรคิดเป็นสัดส่วน 20% ของค่าใช้จ่ายทั้งหมดที่ดูแลสุขภาพของสหรัฐเกือบ25% และกว่า 80% ของค่าใช้จ่ายทั้งหมด [10]. ต่างๆสแต็คเทคโนโลยีข้อมูลขนาดใหญ่และการวิจัยมากกว่าการดูแลสุขภาพรวมกันได้อย่างมีประสิทธิภาพ ประหยัดค่าใช้จ่ายอื่น ๆ ที่มีการอธิบายในการดูแลสุขภาพที่ดีขึ้น[11] การใช้งาน Hadoop ในการดูแลสุขภาพกลายเป็นสิ่งที่สำคัญมากในการประมวลผลข้อมูลและจะนำมาใช้ในกิจกรรมการจัดการข้อมูลขนาดใหญ่ การวิเคราะห์ในการคำนวณการจัดเก็บรวมกันและสามารถส่งเสริมการลดค่าใช้จ่ายที่จะได้รับใช้ Hadoop [12]. นักวิจัยทั้งหมดข้างต้นได้รับความสำเร็จในการวิเคราะห์ชุดข้อมูลที่เป็นโรคเบาหวานและการพัฒนาการคาดการณ์ที่ดีรุ่น ในบทความนี้เราจะใช้เทคนิคการวิเคราะห์การคาดการณ์ใน Hadoop / แผนที่สภาพแวดล้อมลดการที่จะคาดการณ์และการจำแนกประเภทของโรคเบาหวาน ระบบนี้จะให้วิธีที่มีประสิทธิภาพในการดูแลและรักษาผู้ป่วยที่มีต้นทุนต่ำที่ดีกว่าที่มีผลเช่นเดียวกับการจ่ายและความพร้อม

ผลลัพธ์ (ไทย) 3:

2现有工作。结果显示，在A literature审查了许多不同的方法，通过实施糖尿病和糖尿病的材料。在印度有许多人的问题。发展到利用各种数据挖掘predict prediction糖尿病模型。的神经网络相结合的classification-regression-genetic - values，手柄和在outlier missingdiabetic数据集，而且还与他们的replaced missing values属性域的corresponding）[ 1 ]。用神经网络模型是经典，在pre-processed prediction dataset for。在统计分析的predictive使用基于数据挖掘diabetic回归技术处理数据，他们对糖尿病利用SVM算法的模式发现的模式是最好的，identify治疗糖尿病，在不同年龄2 ] [ .他们是病人的药物治疗结束，在年轻的年龄组是在whereas delayed；病人不旧。药物治疗应该是prescribed年龄组的各种预测和分类。immediately使用type of糖尿病在分类算法C4.5是实施了Pima印第安人糖尿病数据库分析[ A ] . 3 detailed的数据集是从Pima diabetic实施使用的efficiently Hive和R .我们可以在一些derive这个分析。有趣的是，它可以用来facts 4模型开发的prediction [ ]。基于软计算的模型的开发是prediction积累的风险，是由diabetic有病人。他们尝试使用实时临床数据与遗传算法结果的5 obtained）[ ]。这pertaining风险水平的prone到心脏病发作或中风。either到pre-processing相）与小说imputation missing value for两numerical和分类数据的分类和混合组合。回归树算法（遗传算法）和一个CART和自组织impute missing连续特征值SOFM地图（values）是在impute 6 improved [分类]。健康信息交换（HIE Deploying a）的数据和在repository promote integrate of a single point这robust数据共享。共享信息和通信系统的接入到ENABLE电子健康保健服务和additional也promotes你可以在患者中双recognizes病人。它无需更多的是比别人关心和注意到需要的数据。这是determine gives把这地方应该是在一个maximize阳性9改行为[ ] .在三个地区：如predictive作品越来越为运营管理，医疗管理和biomedicine和系统设计和规划，可以帮助医疗系统。predictive越来越是一个问题的地址是对病人的神repeatedly成本和readmitted承认到一个医院，这是chronic diseases类似的调查。或多），新英格兰医学杂志的一个病人在tells从这五suffer因此，为预防再住院率的人口。美国的所有帐户，healthcare expenditures 20%。在25%，几乎和所有expenditures ] [ 10 80%。为研究各种技术和数据堆栈。在成本与效率，结合医疗，是了，等。在healthcare 11更好. [ ] . hadoop usage）在保健中的数据变成了对更重要和对采用数据管理活动。“large scale）和存储结合在compute越来越不要获得的成本promote effectiveness 12 hadoop [使用] .在所有的研究人员已经成功地在一个数据集的开发和analysing prediction diabetic好在这纸模型。使用的分析技术，我们在Hadoop的Map / predictive和减少对环境predict这classify type of糖尿病的有效方式。系统提供对病人的护理和在低成本与治愈更好。这outcomes承受能力和可用性。