Kecerdasan/Inteligen Tiruan di (dalam) Obat/Kedokteran Diselaraskan Aplikasi AI

Algoritma dalam memecahkan Obat/Kedokteran Diselaraskan Permasalahan

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.

B. Neural Tiruan Jaringan

Aplikasi ANNS di (dalam) obat/kedokteran meliputi, tetapi tidak membatasi pada hasil diagnosa,
imaging, sakit punggung, dementia, ilmu penyakit dan ramalan evaluasi sakit usus buntu, myocardial
infarction, embolism (penyumbatan pembuluh darah) berkenaan dengan paru-paru akut arrhythmias, atau
penyakit kekacauan psikiatris, [ 7] [seperti/ketika] dinyatakan oleh [ 8].
Sebagian dari keuntungan ANN [sebagai/ketika] dinyatakan oleh [ 8] adalah: Neural jaringan
dapat belajar linier dan bukan model linier. Juga ketelitian model yang diciptakan oleh neural jaringan
dapat di/terukur secara statistik. suara gaduh dan Data tidak sempurna adalah dapat ditolerir oleh neural
jaringan. Neural jaringan model adalah fleksibel sebab mereka dapat dibaharui, karenanya membuat
ia/nya [yang] pantas untuk lingkungan [yang] dinamis seperti sektor kesehatan.
ANNS adalah algoritma kotak hitam, karenanya lemah di (dalam) pengertian yang mendalam
yang menyediakan ke dalam struktur nya. Juga, walaupun [itu] bisa menyamaratakan dari satu set contoh,
jika [itu] lihat hanya kasus suatu cakupan tertentu; [itu] ramalan yang (di) luar cakupan ini bisa dengan
sepenuhnya cacat [ 6].
C. Mendukung[lah Panah/Garis vektor Mesin ( SVM)
SVM mempunyai keuntungan, dan [seperti/ketika] tersebut by[9] mereka adalah: SVM
menghasilkan penggolongan hasil akurat menghasilkan pada [atas] basis teoritis, bahkan ketika data
masukan adalah dapat dipisah-pisah secara tidak linier. Juga, hasil ketelitian tidak bersandar pada mutu
pertimbangan keahlian manusia untuk pilihan [menyangkut] liniarisasi berfungsi untuk bukan data
masukan linier.
Suatu kerugian SVM sebagai teknik non-parametric yang tersebut oleh [ 9]is kekurangan
ketransparanan nya untuk hasil. pembatasan Yang paling besar [sebagai/ketika] tersebut oleh [ 10] adalah
yang berada di [dalam] pilihan inti. [Itu] harus di-set dengan tepat untuk mencapai suatu hasil akurat
untuk manapun masalah atau tugas diberi. inti Pilihan yang menghasilkan hasil akurat untuk tugas " A?
boleh menghasilkan hasil yang kurang bagus untuk tugas " B?.
 III. PERMASALAHAN DI (DALAM) OBAT/KEDOKTERAN DISELARASKAN

Permasalahan di (dalam) obat/kedokteran diselaraskan bertukar-tukar dan dapat dependent pada

[atas] suatu alam[i] atau jenis penyakit. Keseluruhan permasalahan dari suatu gambar-an lebih besar dapat
dilihat dari perspektif berbeda [sebagai/ketika] dilaporkan oleh [ 11] adalah; peraturan dan hukum
pemerintah pada [atas] data [yang] medis publik dan riset hal azas keturunan, healthcare para pekerja
sikap, pendidikan dan kesadaran, implementasi IT, dan isu keuangan. Bagaimanapun, fokus [dari;ttg]
catatan/kertas ini adalah pada [atas] permasalahan implementasi IT, dan permasalahan yang diperlakukan
sebagai ditunjukkan di (dalam) Buah ara. 2 adalah ramalan atau pendeteksian penyakit, prestasi [dari;ttg]
hasil diagnosa akurat, dan perawatan optimal.
 IV. APLIKASI AI TEKNIK UNTUK MEMECAHKAN PERMASALAHAN

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) Neural jaringan tiruan ( ANN)

Beberapa studi telah diselenggarakan untuk meramalkan yang klinis sepanjang Kuburan
Penyakit ( GD) di (dalam) pasien bermufakat dengan Antithyroid obat/racun. [ 20]Studied hasil GD
[yang] yang klinis setelah Antithyroid therapy [oleh/dengan] penjelasan satu set variabel [yang]
terjangkau mampu meramalkan, sejak dulu mungkin. Studi berisi 71 pasien dengan GD bermufakat
dengan Methimazole untuk 18 bulan: 27 di antara mereka mencapai pengampunan stabil untuk sedikitnya
2 tahun setelah Methimazole therapy penarikan, sedangkan 44 pasien tergelincir kembali. Kemudian,
pada mulanya menggunakan neural jaringan tiruan Perceptron-Like ( ANN) untuk meramalkan
pengampunan atau berbuat tidak baik lagi setelah Methimazole penarikan. Twenty-Seven variabel
memperoleh pada hasil diagnosa atau selama perawatan dipertimbangkan. Antar kombinasi berbeda,
mereka mengenali suatu [yang] optimal satuan tujuh variabel yang tersedia pada ketika hasil diagnosa,
[yang] kombinasi siapa adalah berguna bagi secara efisien meramalkan hasil dari penyakit yang
mengikuti therapy penarikan di (dalam) kira-kira 80% tentang kasus. Ini [yang] di-set terdiri dari
[menyangkut] variabel berikut : tingkat tarip [hati/jantung], kehadiran [dari;ttg] gondok bruits, gejala
psikologis [yang] menuntut obat/racun psychotropic, serum TGAB dan fT4 mengukur pada presentasi,
thyroid-ultrasonography penemuan dan rokok [yang] merokok. Akhirnya, mereka menyimpulkan ANN
[yang] perceptron-like itu berpotensi suatu pendekatan bermanfaat untuk GD-MANAGEMENT di
(dalam) memilih therapy yang paling sesuai menjadwalkan pada ketika hasil diagnosa.
2) Naïve Bayesian
Di (dalam) suatu riset terkait oleh [ 21] pada [atas] Perawatan medis yang menggunakan data
[yang] menambang menguji hubungan antar[a] penyakit dan perawatan mereka. Juga untuk
mengidentifikasi gejala dan nama penyakit dan menyuling/menyadap kalimat;hukuman [yang] berisi detil
itu dari suatu artikel, kemudian mendapat/kan hubungan yang ada antar[a] penyakit dan perawatan [itu].
Naïve algoritma Bayesian digunakan pada [atas] teks pre-processed untuk menggolongkan informasi ke
dalam " perawatan?, " mencegah?, dan " efek samping? ke pasien. Data menggunakan untuk riset ini a "
[tinggal/hidup]? template.
3) Dukung panah/garis vektor mesin ( SVM)
Di (dalam) suatu studi terkait, [ 22] yang dikembangkan suatu Bastar Mesin Belajar ( Metodologi
ML)-based yang dipadukan dengan suatu SVM penggolong di (dalam) kombinasi dengan Bag-Of-Words
Penyajian dan Bahasa Alami Memproses ( NLP) tugas untuk bangunan suatu aplikasi yang adalah
mampu untuk mengidentifikasi dan menghamburkan healthcare informasi. Ini diterapkan penggunaan dua
model wakil suatu publik dataset medis [yang] berisi 2700 [record/ catatan]: Melengkapi Teluk Naif (
CNB), yang mana [adalah] sesuai teks dengan distribusi kelas imbalanced dengan suatu penggolong linier
mendukung panah/garis vektor mesin ( SVM) dengan polynomial inti, dan suatu penggolong yang selalu
meramalkan kelas mayoritas di (dalam) data pelatihan ( yang digunakan sebagai suatu baseline). hasil
Yang terbaik diperoleh adalah: 98 persen F-Measure untuk kelas Perawatan, 100 persen F-Measure untuk
kelas Cegah, dan 75 persen F-Measure untuk akibat sampingan Kelas.
 V. KECENDERUNGAN DI MASA DEPAN
Obat/Kedokteran Yang diselaraskan adalah suatu area riset aktip dengan banyak prestasi dan
produk diimpikan. Sebagian dari kecenderungan di masa depan ini meliputi:
Obat/Kedokteran Pencegahan: Obat/Kedokteran Pencegahan adalah suatu masa depan kecenderungan
yang dihubungkan dengan obat/kedokteran diselaraskan. [Itu] diimpikan bahwa, cepat atau lambat, tiap-
tiap obyek mati/membosankan akan mampu mengenali [yang] code-including hal azas keturunan mu
yang mengejek menjual keliling mesin di (dalam) kantor mu, yang (mana) boleh atau tidak boleh
menasehati kamu untuk melompati [bar/palang] coklat hari ini, sedemikian sehingga kamu dapat
melompati kencing manis besok [ 5].
Perawatan Robotic: Peneliti sekarang ini bekerja pada [atas] robot yang mengembang;kan yang
bisa dengan sempurna melaksanakan perawatan pada [atas] manusia. Perawatan Robotic seperti da
Vinci® bantuan memungkinkan ahli bedah beroperasi dengan visi ditingkatkan, ketepatan, ketrampilan,
dan kendali. Juga, penggunaan [dari;ttg] perawatan robotic [yang] sedikit diimpikan di (dalam) masa
depan yang baru; [yang] terutama untuk menyelesaikan perawatan pada [atas] Angkasawan. Suatu robot
fist-sized membuat jadwal zero-gravas [yang] pertama nya menguji di (dalam) yang berikutnya beberapa
months-one langkah kecil ke arah memungkinkan perhatian medis robotic untuk manusia tertarik;suka
akan deep-space misi yang kekal selama berbulan-bulan, [ 23]. Juga, penggunaan menyuntik chip mikro
untuk melaksanakan berhub. dg pembedahan atau organ/ bagian badan sistem operasi diimpikan sebagai
ganti menggunting tubuh.
 VI. KESIMPULAN
Implementasi [dari;ttg] Obat/Kedokteran Diselaraskan [yang] dengan berat bersandar pada AI
algoritma [sebagai/ketika] dibahas di (dalam) tinjauan ulang ini. Bagaimanapun, [itu] masih dalam tahap
awal nya dan tingkatan dan muka beberapa tantangan; sebagian dari yang (mana) mempunyai suatu mata
rantai langsung ke AI dibahas di (dalam) laporan ini. [Selagi/Sedang] permasalahan lain seperti biaya-
biaya implementasi dan riset, dan peraturan pemerintah adalah juga menghadapi tantangan yang (mana)
adalah kritis kepada implementasi [yang] yang sukses [dari;ttg] obat/kedokteran diselaraskan, tetapi tidak
yang ditujukan oleh algoritma dibahas di (dalam) laporan ini. Bagaimanapun, Mbuat menurut selera
Obat/Kedokteran tidak hanya menghadapi tantangan; [itu] bersikap beberapa tantangan juga, seperti;
mengubah profesi yang medis dan praktek kepada tingkat bahwa beberapa pendukung futurism berpikir
mesin dan algoritma bisa menggantikan kebanyakan dari pekerjaan mengobati lakukan hari ini. Akhirnya,
suatu implementasi [yang] sukses [dari;ttg] obat/kedokteran diselaraskan akan
[menyelamatkan;menabung] banyak hidup dan menyempurnakan profesi yang medis.
 REFERENSI

[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