Jamilu Awwalu, Ali Garba Garba, Anahita Ghazvini, dan Bangkit Atuah
Abstract-Artificial Inteligen telah dengan mantap membuat kemajuan dalam kehidupan sehari-
hari kita di dalam zaman teknologi dan informasi ini. Di bidang studi manapun, evolusi berlangsung
dalam kaitan dengan terobosan atau riset pengembangan yang mendorong ke arah kemajuan dan mudah
dalam penggunaan menyangkut teknologi tersebut . Permasalahan dari area berbeda telah dengan sukses
dipecahkan menggunakan AI Algoritma. Dalam rangka menggunakan AI algoritma dalam memecahkan
obat/kedokteran Diselaraskan Permasalahan seperti; ramalan atau pendeteksian penyakit, hasil diagnosa
penyakit akurat, dan optimisasi perawatan, pilihan dari algoritma yang dipengaruhi oleh kemampuan nya
dan applicabilas berbagai hal. Catatan/Kertas ini meninjau ulang kemampuan dan aplikasi [dari;ttg]
neural jaringan tiruan ( ANN), mendukung panah/garis vektor mesin ( SVM), Naïve Teluk, dan logika
tidak jelas dalam memecahkan permasalahan obat/kedokteran diselaraskan, dan menunjukkan
[bahwa/yang] hasil yang diperoleh temu harapan. Juga, prestasi dari studi yang sebelumnya mendorong
peneliti dan pengembang untuk menggunakan algoritma ini dalam memecahkan Medis dan Mbuat
menurut selera obat/kedokteran Permasalahan.
Index obat/kedokteran Terms-Personalized, neural jaringan tiruan, panah/garis vektor mesin
pen;dukungan, Bayesian Naif.
I. PENDAHULUAN
Adalah selalu suatu masalah yang mengejutkan [yang] melihat suatu obat/racun bekerja untuk
sebagian orang dan (adalah) lebih sedikit efektif pada [atas] (orang) yang lain, atau efek samping
menyebabkan di (dalam) yang lain. Masalah yang lain menjadi pertanyaan tentang mengapa sebagian
orang kembang;kan beberapa penyakit e.g. kanker, [selagi/sedang] (orang) yang lain tidak. hal azas
keturunan Rias dan faktor diferensial lain seperti [umur/zaman]; lifestyle bisa (adalah) pertimbangan
untuk permasalahan ini. Sedemikian, [ 1]believes obat/kedokteran perlu mendekati masing-masing
patient?s penyakit [sebagai/ketika] unik, dengan pengobatan menjahit kepada person?s biologi dan
sejarah. Pendekatan ini ke praktek medis dikenal sebagai Diselaraskan atau Ketepatan Obat/Kedokteran.
Pasien dengan hasil [yang] diagnostik sama harus tidak perlakukan jalan/cara yang sama; mereka
dapat menerima perawatan berbeda dalam rangka mencapai perawatan efisien [sebagai/ketika]
digambarkan di (dalam) Buah ara. 1. Obat/Kedokteran yang diselaraskan sebagai perluasan atau cabang
[dari;ttg] ilmu pengetahuan Medis Penggunaan praktek dan keputusan medis untuk [membawa/kirim]
healthcare customized melayani ke pasien. peran [yang] Yang utama [dari;ttg] obat/kedokteran
diselaraskan [sebagai/ketika] posited oleh [ 2] akan meramalkan kemungkinan dari suatu individu [yang]
mengembang;kan suatu penyakit, mencapai hasil diagnosa akurat, dan mengoptimalkan perawatan yang
terbaik tersedia.
Ini terpenuhi dengan bantuan [dari;ttg] informasi hal azas keturunan, yang mana [adalah]
digunakan sebagai bagian dari baseline data di (dalam) pekerjaan menjahit atau perawatan medis atau
administrasi customizing. Hanyalah mayoritas penemuan replicable tidak menunjukkan dengan tepat gen
umum yang mendasari perlindungan atau kepekaan dari penyakit; sebagai ganti(nya), pemahaman arus
memusat terutama semata pada [atas] varian hal azas keturunan jarang, walaupun sejumlah varian umum
mempunyai pemahaman furthered juga.
Bidang obat/kedokteran telah dengan mantap tumbuh dari tahun ke tahun dan penekanan adalah
dikenakan mempertimbangkan kemungkinan penyakit pencegahan oleh penggunaan teknologi modem
untuk menemukan kemungkinan orang [yang] mempunyai;nikmati suatu penyakit dan memberi
perawatan orang ( barangkali obat/racun) untuk mengendalikan kejadian dari meramalkan penyakit. Juga
dengan penggunaan teknologi, personil klinis ( yaitu. mengobati[lah& apoteker) dapat [membawa/kirim]
suatu sangat banyak healthcare [jasa;layanan] efisien sebagai lawan teknik tradisional [ 3].
Penggunaan [dari;ttg] kecerdasan/inteligen Tiruan Teknik di (dalam) pengaturan atas atau
bangunan membuat menurut selera obat/kedokteran adalah dalam kaitan dengan penting ketelitian dan
ketepatan penemuan penyakit, perawatan, dan administrasi obat/racun. Kendali [dari;ttg] metabolisme
enzim dan reaksi obat/racun kurang baik yang (mana) menghasilkan dalam beberapa orang-orang [yang]
mempunyai;nikmati isu yang menghapuskan obat/racun dari badan mereka, karenanya mendorong ke
arah terlalu banyak; [selagi/sedang] (orang) yang lain menghapuskan obat/racun dari badan [sebelum/di
depan] [itu] sampai kepada kesempatan bekerja [ 4]. Penggunaan komputer di (dalam) rumah sakit dan
klinik untuk merekam aktivitas medis atau penggunaan [dari;ttg] [record/ catatan] kesehatan elektronik (
EHR) sistem sekarang ini menyediakan data dan pengetahuan medis yang dapat digunakan sebagai suatu
benchmark untuk tingkatkan penyerahan [jasa;layanan] medis.
II. AI ALGORITMA DIGUNAKAN DI (DALAM) OBAT/KEDOKTERAN DISELARASKAN
Ada jumlah algoritma dari Mesin Belajar dan Kecerdasan/Inteligen Tiruan yang digunakan
Bidang Yang medis, dan di (dalam) Obat/Kedokteran Diselaraskan spesifik. Sebagian dari algoritma ini
dibahas di sini.
A. Naïve Bayesian
Naïve Bayesian ( NB) algoritma menamai menurut Thomas Teluk ( 1702- 1761) [yang]
mengusulkan algoritma berdasar pada probabilistic model dan mengijinkan menangkap ketidak-pastian di
(dalam) suatu model di (dalam) suatu jalan/cara berprinsip melalui/sampai menentukan kemungkinan dari
yang berbeda . YANG BERBEDA . NB secara luas digunakan hari ini di (dalam) sistem berbeda yang
terbentang dari spam [yang] menyaring, sistem merekomendasikan, dan penggolongan teks. Ini juga yang
digunakan di (dalam) aplikasi medis, dan ramalan cuaca. Buatan ini [itu] suatu yang baik algoritma untuk
ramalan dan penggolongan juga.
Sebagian dari keuntungan NB adalah; adalah sempurna untuk suara gaduh di (dalam) data
masukan, memerlukan suatu jumlah kecil data pelatihan. Sebagian dari kerugian-kerugian dari NB
[sebagai/ketika] tersebut oleh [ 6] adalah; hilangnya ketelitian sebagai hasil kelas penyebab kemerdekaan
bersyarat [oleh/dengan] asumsi. Dan beberapa kerugian-kerugian dari Naïve Teluk, meliputi; [di
mana/jika] suatu peramal tidaklah tersedia dari data pelatihan, NB berasumsi bahwa [record/ catatan]
dengan kategori peramal yang baru mempunyai nol kemungkinan.
Permasalahan tersebut di (dalam) Buah ara. 2 secara sekuen dibahas di (dalam) bagian yang yang
berikut dengan salam [bagi/kepada] bagaimana AI algoritma dipekerjakan oleh peneliti untuk
memecahkan permasalahan.
A. Detection/Prediction
Solusi ke ramalan atau pendeteksian penyakit adalah penting untuk pemecahan [menyangkut]
yang berikutnya dua orang ( yaitu. hasil diagnosa dan perawatan) permasalahan. Di (dalam) bagian ini
kecerdasan/inteligen Tiruan Algoritma dari pelajaran mesin ditinjau berkenaan dengan bagaimana
permasalahan dalam ramalan atau pendeteksian penyakit dipecahkan.
1) Dukung panah/garis vektor mesin ( SVM)
Di (dalam) suatu studi oleh [ 8], SVM digunakan untuk menggolongkan dan mendeteksi musim
gugur mengetik. Studi relevan sebab, jatuh [sebagai/ketika/sebab] kecelakaan [yang] terutama di [dalam]
anggota [yang] tua lebih tua masyarakat harus dicegah; tetapi [sebelum/di depan] [itu] dapat dicegah; [itu]
harus dideteksi dan digolongkan. Lima penggolong berbeda digunakan di (dalam) riset, tetapi SVM
adalah satu dua [yang] dicapai itu 99% ketelitian.
Juga, [ 12] SVM yang digunakan untuk mendeteksi ketelitian berhubungan dengan jantung yang
monitoring alat. sistem Yang umum untuk monitoring berhubungan dengan jantung
menangkap/menghentikan ketiadaan [adalah] kemampuan untuk membedakan antar[a] artifacts dan
peristiwa benar ke seberang bidang individu sebab mereka dilatih;terlatih [hanya;baru saja] pada [atas]
suatu tingkatan populasi umum. Maka, mereka menggunakan SVM untuk menyuling dan mencapai suatu
pasien [yang] lebih akurat hasil spesifik [oleh/dengan] menggunakan populasi mengukur pengetahuan
[utama/lebih dulu] untuk awal model ciptaan, kemudian menyuling lebih lanjut oleh dengan memilih
saling berinteraksi dengan tenaga ahli manusia untuk mendapat/kan contoh dari suatu pasien baru sampai
suatu tempat berhenti kondisi dijumpai. Hasil dari studi mereka menunjukkan ketegasan pasien itu
meningkatkan Atrial Fabrillation ( AF) tentang pendeteksian dan ketegasan lemah/miskin dari detektor
umum.
2) Logika tidak jelas
Kasus Mendasarkan Teori Tidak jelas Peta ( CBFCM) adalah suatu perluasan [dari;ttg] teori tidak
jelas memetakan itu digunakan untuk ramalan dan penggolongan. CBFCM bekerja dengan pedoman
mewakili hubungan sebab akibat antar[a] konsep berbeda dan kemudian meneliti pola teladan
kesimpulan. Ini diterapkan di (dalam) obat/kedokteran diselaraskan [oleh/dengan] penelitian hubungan
antar[a] alam[i] pasien dan penyakit [yang] berbeda informasi spesifik e.g. gen, tekanan darah, dan jenis
darah untuk menyimpulkan/menduga suatu pola teladan [tanding/ temu] di (dalam) pendekatan ke
pendeteksian penyakit di (dalam) suatu pasien.
Suatu riset oleh [ 3]on Yang Genomic dan Obat/Kedokteran Diselaraskan untuk penggolongan
sebagai alat pendeteksian penyakit di (dalam) Sistem bantu pengambilan keputusan [yang] mereka
mengembang;kan. Karena masing-masing pasien, mereka menggunakan tiga parameter ( C1, C2, dan C3)
[sebagai/ketika/sebab] nilai-nilai masukan yang (mana) bisa (adalah) tanda Klinis, informasi hal azas
keturunan, hasil biologi atau [umur/zaman]. Aturan tidak jelas kemudian adalah menerapkan pada [atas]
konsep [itu]. Jika ada suatu yang baik persamaan antar[a] pasien dan kasus dikenal [adalah] suatu
kesimpulan digambar/ditarik, selain itu suatu FCM digunakan untuk hasil diagnosa dan keputusan
mengobati.
Di (dalam) suatu terkait bekerja dengan pedoman [ 13], Logika tidak jelas digunakan untuk
mendeteksi penyakit jantung [yang] menggunakan 6 bidang masukan ( sakit dada/peti, tekanan darah,
cholesterol, gula darah, tingkat tarip [hati/jantung] maksimum, puncak tua) dan 2 bidang keluaran ( hasil,
dan tindakan pencegahan) dengan aturan mendasarkan itu berisi 22 aturan. Keluaran mendeteksi
kehadiran penyakit jantung dan tindakan pencegahan [yang] maka. Dan hasil yang diamati adalah 92%
akurat.
3) Neural jaringan tiruan ( ANN)
Di (dalam) suatu studi oleh [ 14] neural jaringan dan alur keputusan digunakan untuk
kembang;kan suatu pasien yang spesifik algoritma alarm waktu riil. Mereka mengamati alarm itu
dibangun secara retrospektif oleh dataset yang meliputi beribu-ribu pasien untuk mendeteksi kondisi-
kondisi medis dan klinis kurang baik. Tetapi tanpa peningkatan lebih lanjut , studi menemukan bahwa
suatu model membangun dari [satu/ orang] pasien populasi mempunyai capaian lebih buruk pada [atas]
data dari lainnya dua populasi. Maka, riset mereka menyelidiki membangun model [yang]
mengkawatirkan patient-specific dari suatu individu spesifik model data. Tentang keduanya algoritma
dipekerjakan di (dalam) riset ( Alur keputusan dan Neural Jaringan), Neural Jaringan direkomendasikan
sebab [itu] mempunyai suatu yang lebih tinggi ketelitian menilai ( 96%, 99%, 79%, dan 99%).
Bagaimanapun, hasil dari Alur keputusan ( 84%, 98%, 72%, dan 98%) tidaklah sayang sekali,
[hanya;baru saja] bahwa itu tidaklah dibandingkan cukup baik kepada yang dari neural jaringan.
Data dari 11 pasien [yang] berbeda berbagai berbagai zaman dikumpulkan dari 196 jam. Dan
neural jaringan [dari;ttg] lapisan keluaran tunggal dengan [satu/ orang] lapisan tersembunyi digunakan di
dua [kali;zaman] pelatihan berbeda yaitu. 2 dan 8 jam. Walaupun capaian dari 2 jam melatih jaringan
lemah/miskin, 8 jam melatih jaringan dipertimbangkan baik sekali sebab [itu] outperforms algoritma
alarm yang umum di (dalam) alat.
B. Prestasi [dari;ttg] Hasil diagnosa Akurat
Pentingnya hasil diagnosa akurat tidak perlu (adalah) overemphasized di (dalam) bidang yang
medis, sebab tidak pantas atau bersalah [kepada] hasil diagnosa mengakibatkan implikasi serius untuk
hasil kesehatan. Masalah ini bervariasi dari over-diagnosis ke under-diagnosis menghasilkan masalah
yang berikutnya untuk didiskusikan nanti dalam catatan/kertas ini yaitu. optimisasi perawatan.
Bagaimanapun, AI algoritma dulu menunjuk masalah ini yaitu. menuju keberhasilan hasil diagnosa
akurat, dibahas di (dalam) bagian ini.
1) Neural jaringan tiruan ( ANN)
Beberapa studi menunjukkan kemampuan ANN ke dengan teliti mendiagnose beberapa penyakit
e.g. melanoma menular, permasalahan mata, dan format kanker [yang] berbeda [oleh/dengan] penelitian
informasi spektral dan ukuran-ukuran diagnostik. Aplikasi ANN di (dalam) [yang] diagnostik medis
bervariasi; salah satu cara ANN diterapkan [ketika;seperti] dinyatakan oleh [ 15] ditunjukkan di (dalam)
Buah ara. 3.
Di (dalam) suatu riset oleh [ 16], ANN diberlakukan bagi mendiagnose ginjal melempar. Riset
diselenggarakan pada [atas] suatu dataset yang berisi 1000 arsip pasien, dan 7 atribut yang menjadi gejala
ginjal [yang] yang nyata melempar. Riset membandingkan tiga neural jaringan algoritma yaitu. Basis
Radial Berfungsi ( RBF), Pelajaran Panah/Garis vektor Kuantisasi ( LVQ), dan Perceptron Berlapis-Lapis
( MLP) dengan perkembangbiakan punggung. Juga, WEKA digunakan sebagai suatu alat, dengan 70%
pelatihan, 15% pengujian, dan 15% pengesahan.
Hasil menunjukkan MLP outperforms algoritma yang lain dengan suatu ketelitian 92% dan
dengan tepat menggolongkan kejadian 922, dan salah menggolongkan kejadian 23..
2) Sistem ahli
Aturan mendasarkan Tenaga ahli Sistem dikembangkan oleh [ 17] hasil itu relevan informasi dan
data untuk konsultasi, hasil, dan hasil diagnosa mungkin. Riset mereka adalah scoped ke Malaria, cacar
air, diarrhea, penyakit gula, kolera, sakit asma, penyakit kuning, radang hati, penyakit tipus, gondok,
migren [rangsangan], scatia, bronkitis, dan Alzheimer?S penyakit.
Juga, [ 18] yang dikembangkan aturan mendasarkan tenaga ahli sistem yang membuat
kesimpulan dengan lambang yang memerlukan terjemahan suatu pengetahuan spesifik di (dalam) format
simbolis standard. Data dikumpulkan pasien rekanan itu dengan sign/symptoms dan penyakit. Gejala
di/terorganisir di (dalam) kelompok dan hasil digolongkan ke dalam suatu usul, kecurigaan, atau
pengasingan [dari;ttg] gagasan diagnostik kepada pemakai ( mengobati).
3) Dukung panah/garis vektor mesin ( SVM)
Di (dalam) suatu riset terkait, [ 19] sistem cerdas dan yang diterapkan mendasarkan panah/garis
vektor mesin pen;dukungan dan Basis Radial Berfungsi ( RBF) jenis Neural Tiruan Jaringan ( ANN)
untuk mendiagnose penyakit jantung. Bagaimanapun, SVM diusulkan sebab [itu] memproduksi suatu
hasil lebih baik ( 86.42%) yang dibandingkan ke RBF ( 80.81%). Suatu total catatan mengenai kesehatan
214 kejadian terdiri atas 19 atribut dan 4 distribusi kelas digunakan.
Penggolongan biner digunakan di mana 78 kejadian kepunyaan kelas " 0? yaitu. Myalgia
maksud/arti normal, [selagi/sedang] 139 dipertimbangkan pasien dengan permasalahan [hati/jantung].
C. Perawatan Optimisasi
[1] W. Karen. (May 2013). GNS aims to help MDs know which treatment will work the best for each patient.
The Boston Globe. [Online].
Available: http://www.bostonglobe.com/business/2013/05/12/personalized-medicine-goal-big-data-
scientist/28gTkXjCDj6Zh6KP5tpNBO/story.html
[2] B. U. Ozomaro, C. B. Nemeroff, C. Wahlestedt, A. Goal et al.,“Personalized medicine and psychiatry:
Dream or reality?” Psychiatric Times, pp. 1-6, 2014.
[3] G. S. Ginsburg and J. J. McCarthy, “Personalized medicine: Revolutionizing drug discovery and patient
care,” Trends Biotechnol., vol. 19, no. 12, pp. 491-496, Dec. 2001.
[4] N. Douali and M.-C. Jaulent, “Genomic and personalized medicine decision support system,” in Proc.
2012 IEEE Int. Conf. Complex Syst., Nov. 2012, pp. 1-4.
[5] A. Katrin. (November, 2013). Let‟s get personal: Surfing the big waves in big data and personalized
medicine. MaRS. [Online].
Available: http://www.marsdd.com/news-and-insights/lets-get-personal-surfing-big-waves-big-data-
personalized-medicine/
[6] S. Galit, R. P. Nitin, and C. B. Peter, Data Mining for Business Intelligence: Concepts, Techniques, and
Applications in Microsoft Excel® with XLMiner®, 2nd Edition, John Wiley & Sons, 2010, ch. 8, pp. 102-104.
[7] R. Bardan, Artificial Neural Networks. Applications in Urology, Department of Urology, Victor Babes
University of Medicine and Pharmacy, pp. 289-296, 2004.
[8] I. Y. Khan, P. H. Zope, and S. R. Suralkar, “Importance of artificial neural network in medical diagnosis
disease like acute nephritis disease and heart disease,” International Journal of Engineering Science and Innovative
Technology, vol. 2, no. 2, pp. 210-217, 2013.
[9] L. Auria and R. A. Moro, “Support vector machines (SVM) as a technique for solvency analysis,”
Discussion Papers of DIW Berlin, no. 811, 2008.
[10] S. Martin. Disadvantages of support vector machines (SVM). [Online].
Available: http://www.svms.org/disadvantages.html
[11] Personalized medicine coalition: Issues affecting adoption of personalized medicine, American Society of
Human Genetics, PMC PM issues 3, 2007.
[12] M. R. Kosorok, “Personalized medicine and artificial intelligence,” Ph.D. dissertation, Department of
Biostatistics University of North Carolina at Chapel Hill, pp. 1-50, 2012.
[13] K. J. Jang, G. Balakrishnan, Z. Syed, and N. Verma, “Scalable customization of atrial fibrillation
detection in cardiac monitoring devices: Increasing detection accuracy through personalized monitoring in
large patient populations,” in Proc. IEEE Eng. Med. Biol. Soc. Conf., Jan. 2011, vol. 2011, pp. 2184-2187.
[14] S. Kumar and G. Kaur, Detection of Heart Diseases Using Fuzzy Logic, vol. 4, no. 6, pp. 2694-2699, 2013.
[15] Y. Zhang and P. Szolovits, “Patient-specific learning in real time for adaptive monitoring in critical care,” J.
Biomed. Inform., vol. 41, no. 3, pp. 452-460, Jun. 2008.
[16] F. Amato, A. López, E. M. Peña-Méndez, P. Vaňhara, A. Hampl, and J. Havel, “Artificial neural networks
in medical diagnosis,” J. Appl. Biomed., vol. 11, no. 2, pp. 47-58, 2013.
[17] K. Kumar and A. Abhishek, “Artificial neural networks for diagnosis of kidney stones disease,” Int. J. Inf.
Technol. Comput. Sci., vol. 4, no. 7, pp. 20-25, Jul. 2012.
[18] D. Biswas, S. Bairagi, N. Panse, and N. Shinde, “Disease diagnosis system,” International Journal of
Computer Science & Informatics, vol. 1, issue 2, 2011.
[19] P. S. K. Patra, “An expert system for diagnosis of human diseases, ”International Journal of Computer
Applications, vol. 1, no. 13, pp. 71-73, 2010.
[20] E. Orunesu, M. Bagnasco, C, Salmaso, V. Altrinetti, P. Del Monte, G. Pesce, M. Marugo, and G. S. Mela,
“Use of an artificial neural network to predict graves ‟ disease outcome within 2 years of drug withdrawal,
”European Journal of Clinical Investigation, vol. 34, issue 3, pp. 210-217, 2004.
[21] S. Ghumbre, C. Patil, and A. Ghatol, “Heart disease diagnosis using support vector machine,” in Proc.
International Conference on Computer Science and Information Technology, 2011, pp. 84-88.
[22] K. Srinivasarao, “Hybrid machine learning implementations for classifying disease-treatment relations in
short texts,” International Journal of Advanced Research in Computer Science and Software Engineering, vol.
4, no. 2, pp. 63-67, 2014.
[23] H. Jeremy. (April, 2014). Small robot surgeon designed to work inside astronaut‟s bodies. IEEE Spectrum.
[Online].
Available: http://spectrum.ieee.org/tech-talk/robotics/medical-robots/tiny-robot-surgeon-designed-to-work-
inside-astronauts-bodies