Current trends in medical decision

Current trends in medical decision making show awareness of the need to
introduce formal reasoning, as well as intelligent data analysis techniques in the
extraction of knowledge, regularities, trends and representative cases from patient
data stored in medical records. Formal techniques include decision theory and
symbolic reasoning technology , as well as methods at their intersection, such as
probabilistic belief networks. Intelligent data analysis techniques include machine
learning, clustering, data visualization, and interpretation of time-ordered
data (derivation and revision of temporal trends and other forms of temporal data
abstraction).
This paper is concerned with data mining methods for intelligent data analysis in
medicine [33], in particular machine learning methods [36]. Machine learning
methods can be classified into three major groups [36]: inductive learning of
symbolic rules (such as induction of rules [7], decision trees [47] and logic programs
[31]), statistical or pattern-recognition methods (such as k-nearest neighbors or
instance-based learning [9,1], discriminate analysis and Bayesian classifiers), and
artificial neural networks [51] (such as networks with back-propagation learning,
Kohonen’s self-organizing network and Hopfield’s associative memory).
Machine learning methods have been applied to a variety of medical domains in
order to improve medical decision making [26]. These include diagnostic and
prognostic problems in oncology [3], liver pathology [34], neuropsychology [39],

ผลลัพธ์ (ไทย) 1:

แนวโน้มในการตัดสินใจทางการแพทย์ทำแสดงการรับรู้การแนะนำการใช้เหตุผลอย่างเป็นทางการ รวมทั้งเทคนิคการวิเคราะห์ข้อมูลอัจฉริยะในการสกัดความรู้ regularities แนวโน้ม และตัวแทนกรณีจากผู้ป่วยข้อมูลที่เก็บไว้ในเวชระเบียน ทางเทคนิคได้แก่ทฤษฎีการตัดสินใจ และสัญลักษณ์ด้านเทคโนโลยี เป็นวิธีการที่ตัดของพวกเขา เช่นเครือข่ายความเชื่อ probabilistic เทคนิคการวิเคราะห์ข้อมูลอัจฉริยะเครื่องจักรเรียนรู้ คลัสเตอร์ การแสดงข้อมูล และการตีความเวลาที่สั่ง(ที่มาและครั้งที่ขมับแนวโน้มและรูปแบบอื่น ๆ ของข้อมูลชั่วคราวนามธรรม)กระดาษนี้เกี่ยวข้องกับวิธีการทำเหมืองข้อมูลสำหรับการวิเคราะห์ข้อมูลอัจฉริยะในเครื่องจักรโดยเฉพาะการเรียนรู้วิธี [36] ยา [33], เรียนรู้ของเครื่องวิธีอาจแบ่งได้เป็นสามกลุ่มหลัก [36]: เหนี่ยวนำการเรียนรู้ของสัญลักษณ์กฎ (เช่นการเหนี่ยวนำของโปรแกรมตรรกะ และกฎ [7], ต้นไม้ตัดสินใจ [47][31]), สถิติ หรือวิธีการรู้จำแบบ (เช่น k ใกล้บ้าน หรืออินสแตนซ์ที่ใช้เรียนรู้ [9,1], แยกแยะวิเคราะห์และคำนามภาษาทฤษฎี), และเครือข่ายประสาทเทียม [51] (เช่นเครือข่ายที่มีการเผยแพร่หลังเรียนKohonen ของตนเองจัดเครือข่ายและหน่วยความจำที่เชื่อมโยงของ Hopfield)มีการใช้วิธีการเรียนรู้ของเครื่องไปยังโดเมนที่ทางการแพทย์ในเพื่อปรับปรุงการตัดสินใจทางการแพทย์ [26] เหล่านี้รวมถึงการวินิจฉัย และปัญหา prognostic ในมะเร็ง [3], พยาธิวิทยาตับ [34] neuropsychology [39],

ผลลัพธ์ (ไทย) 2:

แนวโน้มในปัจจุบันในการตัดสินใจทางการแพทย์การแสดงความตระหนักถึงความจำเป็นที่จะต้อง
แนะนำให้เหตุผลอย่างเป็นทางการเช่นเดียวกับเทคนิคการวิเคราะห์ข้อมูลอย่างชาญฉลาดใน
การสกัดความรู้แบบแผนแนวโน้มและกรณีที่เป็นตัวแทนจากผู้ป่วย
ข้อมูลที่เก็บไว้ในเวชระเบียน อย่างเป็นทางการเทคนิครวมถึงทฤษฎีการตัดสินใจและ
เทคโนโลยีเหตุผลสัญลักษณ์เช่นเดียวกับวิธีที่จุดตัดของพวกเขาเช่น
เครือข่ายความน่าจะเป็นความเชื่อ เทคนิคที่ชาญฉลาดในการวิเคราะห์ข้อมูล ได้แก่ เครื่อง
การเรียนรู้การจัดกลุ่มการแสดงข้อมูลและการแปลความหมายของเวลาที่สั่งซื้อ
ข้อมูล (รากศัพท์และการแก้ไขของแนวโน้มขมับและรูปแบบอื่น ๆ ของข้อมูลเชิง
นามธรรม).
กระดาษนี้เป็นกังวลกับวิธีการทำเหมืองข้อมูลสำหรับการวิเคราะห์ข้อมูลอัจฉริยะใน
การรักษาด้วยยา [33] ในวิธีการเรียนรู้โดยเฉพาะอย่างยิ่งเครื่อง [36] การเรียนรู้เครื่อง
วิธีสามารถแบ่งได้เป็นสามกลุ่มใหญ่ [36]: การเรียนรู้อุปนัยของ
กฎสัญลักษณ์ (เช่นการเหนี่ยวนำของกฎ [7], ต้นไม้ตัดสินใจ [47] และโปรแกรมตรรกะ
[31]) วิธีการทางสถิติหรือรูปแบบการรับรู้ (เช่น เป็น K-เพื่อนบ้านที่ใกล้ที่สุดหรือ
ตัวอย่างการเรียนรู้ [9,1] แยกแยะวิเคราะห์และการจําแนกเบส์) และ
เครือข่ายประสาทเทียม [51] (เช่นเครือข่ายกับการเรียนรู้กลับมาขยายพันธุ์
เครือข่ายจัดการตนเอง Kohonen และหน่วยความจำแบบเชื่อมโยง Hopfield ของ) .
วิธีการเรียนรู้เครื่องได้ถูกนำมาใช้เพื่อความหลากหลายของโดเมนทางการแพทย์ใน
การสั่งซื้อเพื่อปรับปรุงการตัดสินใจทางการแพทย์ [26] เหล่านี้รวมถึงการวินิจฉัยและการ
แก้ปัญหาการพยากรณ์โรคมะเร็ง [3] พยาธิวิทยาตับ [34], ไซโค [39]

ผลลัพธ์ (ไทย) 3:

แนวโน้มปัจจุบันในการทำการตัดสินใจทางการแพทย์แสดงความตระหนักในต้องแนะนำตัวอย่างเป็นทางการ การใช้เหตุผล ตลอดจนเทคนิคในการวิเคราะห์ข้อมูลอัจฉริยะการสกัดความรู้ เกี่ยวกับแนวโน้มและกรณีตัวแทนจากคนไข้ข้อมูลที่เก็บไว้ในประวัติทางการแพทย์ รวมทฤษฎีและเทคนิคทางการตัดสินใจเทคโนโลยีเชิงสัญลักษณ์ รวมทั้งวิธีการที่แยกของพวกเขา เช่นเครือข่ายความเชื่อของความน่าจะเป็น . เทคนิคการวิเคราะห์ข้อมูลอัจฉริยะ รวมถึงเครื่องการเรียนรู้ , การจัดกลุ่มข้อมูล ภาพ และการตีความของเวลาสั่งข้อมูล ( แหล่งที่มาและการแก้ไขของแนวโน้มและรูปแบบอื่น ๆของข้อมูลเกี่ยวกับกาลนามธรรม )บทความนี้เกี่ยวข้องกับการทำเหมืองข้อมูลวิธีการในการวิเคราะห์ข้อมูลอัจฉริยะในแพทยศาสตร์ [ 33 ] โดยเฉพาะเครื่องเรียนรู้วิธีการ [ 36 ] เครื่องเรียนวิธีสามารถแบ่งออกเป็นสามกลุ่มหลัก : [ 36 ] แบบการเรียนรู้กฎเชิงสัญลักษณ์ ( เช่นการเหนี่ยวนำกฎ [ 7 ] ต้นไม้การตัดสินใจ [ 47 ] และตรรกะโปรแกรม[ 31 ] ) , สถิติหรือการรับรู้รูปแบบวิธีการ ( เช่นละเพื่อนบ้านหรือตัวอย่างการเรียนรู้ [ 9 , 1 ] , การวิเคราะห์และคำแบบแบ่งแยก )โครงข่ายประสาทเทียม [ 51 ] ( เช่นเครือข่ายกับ back-propagation การเรียนรู้บนเครือข่าย และการเป็นเส้นของหน่วยความจำ )วิธีการเรียนรู้เครื่องได้รับการประยุกต์เพื่อความหลากหลายของโดเมนในทางการแพทย์เพื่อปรับปรุงการตัดสินใจทางการแพทย์ [ 26 ] เหล่านี้รวมถึงการวินิจฉัยและปัญหาของผู้ป่วยมะเร็งในตับโรค [ 3 ] [ 34 ] มีโอ [ 39 ]