Grin logo
en de es fr
Shop
GRIN Website
Texte veröffentlichen, Rundum-Service genießen
Zur Shop-Startseite › Medizin - Sonstiges

Bayesian networks. A probabilistic model for chronic obstructive pulmonary disease diagnosis and phenotyping

Titel: Bayesian networks. A probabilistic model for chronic obstructive pulmonary disease diagnosis and phenotyping

Masterarbeit , 2014 , 103 Seiten , Note: 17

Autor:in: Amos Olwendo (Autor:in)

Medizin - Sonstiges
Leseprobe & Details   Blick ins Buch
Zusammenfassung Leseprobe Details

This thesis provides a model for diagnosing and classifying COPD based on phenotypes; General COPD, Chronic bronchitis, Emphysema, and the Asthmatic COPD using a Bayesian network (BN). A BN is a probabilistic modelling tool composed of random variables and the relationships of such variables is based on probabilities that maximize certain outcomes. We validated our BN model using a neural network model based on the Levenberg- Marquardt (LM) algorithm. Results show that the BN model achieved an overall classification of 98.75 % for our test cases. Furthermore, F1 score results also show that the BN is a better model for COPD classification in comparison to the LM algorithm.

The World Health Organization (WHO) lists COPD as the fourth leading cause of the death worldwide yet the disease is preventable. Smoking of tobacco products, alpha-1-antitrypsin (AAt), and air pollution are the major risk factors associated with the development and progression of this disease. COPD is usually either misdiagnosed or under-diagnosed due to a number of factors including the slow progression of the development of its symptoms. Besides, differential diagnosis is usually applied during diagnosis because differentiating COPD patients from those with say chronic Asthma may not be an easy task. Previous researchers have used pulmonary function test results to diagnose COPD.

Leseprobe


Inhaltsverzeichnis

  • Abstract
  • Acknowledgements
  • Chapter 1: Introduction
    • 1.1: Introduction to COPD
    • 1.2: Background on COPD
    • 1.3: Diagnosis and Phenotyping of COPD
    • 1.4: Research Gaps and Objectives
  • Chapter 2: Review of Literature
    • 2.1: Epidemiology of COPD
    • 2.2: Risk Factors for COPD
    • 2.3: Pathophysiology of COPD
    • 2.4: Diagnosis of COPD
    • 2.5: Treatment of COPD
    • 2.6: Bayesian Networks
  • Chapter 3: Methodology
    • 3.1: Study Design
    • 3.2: Data Collection
    • 3.3: Bayesian Network Model Development
    • 3.4: Model Validation
  • Chapter 4: Results and Discussion
    • 4.1: Model Evaluation
    • 4.2: Discussion of Findings
  • Chapter 5: Conclusion

Zielsetzung und Themenschwerpunkte

Diese Masterarbeit widmet sich der Entwicklung eines probabilistischen Modells zur Diagnose und Phänotypisierung von COPD unter Verwendung von Bayesian Networks. Das Ziel ist es, eine zuverlässige und effiziente Methode zu erstellen, die die Diagnose und Klassifizierung von COPD-Patienten unterstützt, insbesondere unter Berücksichtigung der unterschiedlichen Phänotypen.

  • Entwicklung eines Bayesian Network-Modells zur Diagnose von COPD
  • Klassifizierung von COPD-Patienten in verschiedene Phänotypen
  • Bewertung der Leistung des entwickelten Modells durch Validierung mit einem neuronalen Netzwerkmodell
  • Analyse der Ergebnisse und Diskussion der Implikationen für die klinische Praxis
  • Identifizierung von potenziellen Anwendungen und zukünftigen Forschungsrichtungen für die Diagnose und Behandlung von COPD

Zusammenfassung der Kapitel

  • Kapitel 1: Einführung: Diese Einleitung führt in das Thema COPD ein, beleuchtet die Epidemiologie, die Risikofaktoren und die Herausforderungen bei der Diagnose und Behandlung der Krankheit. Außerdem werden die Forschungslücken und die Ziele der Studie erläutert.
  • Kapitel 2: Literaturüberblick: Dieses Kapitel bietet einen umfassenden Überblick über den aktuellen Forschungsstand zur COPD. Es umfasst epidemiologische Daten, Risikofaktoren, die Pathophysiologie der Krankheit, Diagnostik- und Behandlungsmethoden sowie die Grundlagen von Bayesian Networks.
  • Kapitel 3: Methodik: Dieses Kapitel beschreibt die Methodik der Studie, einschließlich des Studiendesigns, der Datenerhebung, der Entwicklung des Bayesian Network-Modells und der Validierung des Modells.
  • Kapitel 4: Ergebnisse und Diskussion: Dieses Kapitel präsentiert die Ergebnisse der Modellbewertung und diskutiert die Ergebnisse im Kontext der Literatur und der klinischen Implikationen.

Schlüsselwörter

Chronisch obstruktive Lungenerkrankung (COPD), Bayesian Networks, Diagnose, Phänotypisierung, probabilistisches Modell, neuronale Netzwerke, Levenberg-Marquardt-Algorithmus, Klassifizierung, F₁-Score, Risikofaktoren, Epidemiologie, Pathophysiologie, Behandlung.

Ende der Leseprobe aus 103 Seiten  - nach oben

Details

Titel
Bayesian networks. A probabilistic model for chronic obstructive pulmonary disease diagnosis and phenotyping
Note
17
Autor
Amos Olwendo (Autor:in)
Erscheinungsjahr
2014
Seiten
103
Katalognummer
V505955
ISBN (eBook)
9783346051042
ISBN (Buch)
9783346051059
Sprache
Deutsch
Schlagworte
COPD Bayesian network Levenberg- Marquardt algorithm
Produktsicherheit
GRIN Publishing GmbH
Arbeit zitieren
Amos Olwendo (Autor:in), 2014, Bayesian networks. A probabilistic model for chronic obstructive pulmonary disease diagnosis and phenotyping, München, GRIN Verlag, https://www.grin.com/document/505955
Blick ins Buch
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
  • Wenn Sie diese Meldung sehen, konnt das Bild nicht geladen und dargestellt werden.
Leseprobe aus  103  Seiten
Grin logo
  • Grin.com
  • Zahlung & Versand
  • Impressum
  • Datenschutz
  • AGB
  • Impressum