تفاصيل الوثيقة

نوع الوثيقة : رسالة جامعية 
عنوان الوثيقة :
تقييم فعالية التقنيات التحليلية للبيانات الكبيرة: قطاع الرعاية الصحية
ASSESSING THE EFFECTIVENESS OF BIG DATA ANALYTICS TECHNIQUES: CASE OF HEALTHCARE SECTOR
 
الموضوع : كلية الحاسبات وتقنية المعلومات 
لغة الوثيقة : العربية 
المستخلص : أحد الحقول الناشئة بسرعة هو حقل البيانات الضخمة. البيانات الضخمة هي كلمة صاخبة تصف البيانات التي تتميز بالحجم الكبير والسرعة والتنوع والصحة. تُستخدم تحليلات وأدوات البيانات الضخمة لاستخراج المعلومات والتنبؤات القيمة من هذه البيانات بطريقة فعالة. مجال الرعاية الصحية هو أحد المجالات الواعدة لتطبيق تكنولوجيا البيانات الضخمة. لسوء الحظ ، لم يتم تطبيق البيانات الضخمة حتى الآن على نطاق واسع في هذا المجال لإمكاناته القصوى. وينبع هذا من أسباب عديدة بما في ذلك تنوع مصادر البيانات التي تؤدي إلى بيانات غير متجانسة من أنواع مختلفة (منظمة وشبه منظمة وغير منظمة). تمثل معالجة هذه البيانات وتحليلها تحديًا مهمًا. واحدة من أكثر المشاكل الحرجة في الرعاية الصحية هي توقع احتمالية إعادة دخول المستشفى في حالة الأمراض المزمنة مثل مرض السكري لتكون قادرة على تخصيص الموارد اللازمة مثل الأسرة والغرف والمتخصصين والعاملين الطبيين للحصول على جودة مقبولة للخدمة. لسوء الحظ ، حاولت دراسات بحثية قليلة نسبيًا في الأدبيات معالجة هذه المشكلة ؛ تهتم غالبية الدراسات البحثية بالتنبؤ باحتمالية الإصابة بالأمراض نفسها. العديد من تقنيات التعلم الآلي مناسبة للتنبؤ. ومع ذلك ، هناك أيضًا نقص في الدراسات المقارنة غير الكافية التي تحدد التقنيات الأكثر ملاءمة لعملية التنبؤ. الهدف من هذه الرسالة هو جمع البيانات الضخمة للرعاية الصحية من مصادر مختلفة. ويلي ذلك دراسة تقنيات تحليل البيانات الضخمة المتاحة المناسبة لمعالجة هذه البيانات المعقدة وفهم كل تقنية. لتحقيق هذا الهدف ، اقترحت هذه الرسالة منهجية لتحليل البيانات الضخمة. أيضا ، يقدم دراسة مقارنة بين التقنيات الشائعة في الأدب للتنبؤ باحتمال إعادة دخول المستشفى في حالة مرضى السكري. تقوم مساهمة هذه الدراسة بتقييم إمكانية تحسين و / أو دمج تقنيات التعلم الآلي وتكييفها للحصول على معلومات وتنبؤات محسنة لتحسين الرعاية الصحية. هذه التقنيات هي أشجار القرار (DTs) والانحدار اللوجستي (LR) والتحليل التمييزي الخطي (LDA) والشبكات العصبية الاصطناعية (ANNs) وآلة ناقلات الدعم (SVM) و Naïve Bayesian (NB) والغابة العشوائية (RF) و AdaBoost و تعزيز التدرج (GB). تستند الدراسة المقارنة إلى بيانات واقعية تم جمعها من عدد من المستشفيات في الولايات المتحدة. تم إجراء العديد من التجارب على تلك التقنيات حيث كشفت الدراسات المقارنة أن تقنيات التعلم القائمة على المجموعات (تعزيز وتعبئة) على سبيل المثال GB و RF و AdaBoost أظهرت أفضل أداء ، في حين أن مصنف NB وتحليل LR و LDA كانت الأسوأ. 
المشرف : د. كمال جمبى 
نوع الرسالة : رسالة دكتوراه 
سنة النشر : 1441 هـ
2020 م 
تاريخ الاضافة على الموقع : Friday, June 12, 2020 

الباحثون

اسم الباحث (عربي)اسم الباحث (انجليزي)نوع الباحثالمرتبة العلميةالبريد الالكتروني
سماح هزاع العجمانيAl-Ajmani, Samah Hazaaباحثدكتوراه 

الملفات

اسم الملفالنوعالوصف
 46368.pdf pdf 

الرجوع إلى صفحة الأبحاث