Optimization of diagnostic processes using decision trees in ECG data analysis - lets web system analysis engine
Artykuł w czasopiśmie
MNiSW
100
Lista 2024
| Status: | |
| Warianty tytułu: |
Optymalizacja procesów diagnostycznych z wykorzystaniem drzew
decyzyjnych w analizie danych EKG – silnik analizy systemów
internetowych lets
|
| Autorzy: | Kowalski Marcin, Przysucha Bartosz, Jarosz Mirosław J. |
| Dyscypliny: | |
| Aby zobaczyć szczegóły należy się zalogować. | |
| Rok wydania: | 2024 |
| Wersja dokumentu: | Drukowana | Elektroniczna |
| Język: | angielski |
| Numer czasopisma: | 3 |
| Wolumen/Tom: | 57 |
| Strony: | 563 - 579 |
| Efekt badań statutowych | NIE |
| Materiał konferencyjny: | NIE |
| Publikacja OA: | TAK |
| Licencja: | |
| Sposób udostępnienia: | Otwarte czasopismo |
| Wersja tekstu: | Ostateczna wersja opublikowana |
| Czas opublikowania: | W momencie opublikowania |
| Data opublikowania w OA: | 20 sierpnia 2024 |
| Abstrakty: | angielski | polski |
| The article presents the capabilities of the LETS Web system, which uses Internet of Things (IoT) technology to analyze medical data to optimize diagnostic processes. The article focuses on implementing decision tree algorithms that analyze electrocardi- ogram (ECG) data to identify cardiac conditions. The study used three variants of decision trees that differed in structure and ECG parameters. Each variant was tested for its ability to accurately classify cardiac health conditions ranging from simple arrhythmias to complex arrhythmic changes. The study showed that modifications to the structure of the decision trees significantly affected their effectiveness. The most advanced variant of the tree, using multivariate data analysis, showed the highest effi- ciency in diagnosing complex conditions. The effectiveness of the different variants of decision trees varied, confirming the importance of selecting the suitable diagnostic model for the specifics of the data and clinical goals | |
| W artykule przedstawiono możliwości systemu LETS Web, który wykorzystuje technologię Internetu Rzeczy (IoT) do analizy danych medycznych w celu opty- malizacji procesów diagnostycznych. W artykule skupiono się na implementacji algorytmów drzewa decyzyjnego, które analizują dane elektrokardiograficzne (EKG) w celu identyfikacji różnych schorzeń kardiologicznych. W badaniu wykorzystano trzy warianty drzew decyzyjnych różniące się strukturą i zastosowanymi parametrami EKG. Każdy wariant przetestowano pod kątem możliwości dokładnego klasyfikowania schorzeń serca, od prostych arytmii po złożone zmiany arytmii. Badania wykazały, że modyfikacje struktury drzew decyzyjnych w istotny sposób wpływają na ich efek- tywność. Najbardziej zaawansowany wariant drzewa, wykorzystujący wielowymia- rową analizę danych, wykazał największą skuteczność w diagnozowaniu złożonych stanów. Skuteczność różnych wariantów drzew decyzyjnych była zróżnicowana, co potwierdza znaczenie wyboru odpowiedniego modelu diagnostycznego dla specyfiki danych i celów klinicznych. |
