miun.sePublikationer
Ändra sökning
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf
Machine learning and Multi-criteria decision analysis in healthcare: A comparison of machine learning algorithms for medical diagnosis
Mittuniversitetet, Fakulteten för naturvetenskap, teknik och medier, Avdelningen för informationssystem och -teknologi.
2018 (Engelska)Självständigt arbete på avancerad nivå (yrkesexamen), 20 poäng / 30 hpStudentuppsats (Examensarbete)
Abstract [en]

Medical records consist of a lot of data. Nevertheless, in today’s digitized society it is difficult for humans to convert data into information and recognize hidden patterns. Effective decision support tools can assist medical staff to reveal important information hidden in the vast amount of data and support their medical decisions. The objective of this thesis is to compare five machine learning algorithms for clinical diagnosis. The selected machine learning algorithms are C4.5, Random Forest, Support Vector Machine (SVM), k-Nearest Neighbor (kNN) and Naïve Bayes classifier. First, the machine learning algorithms are applied on three publicly available datasets. Next, the Analytic hierarchy process (AHP) is applied to evaluate which algorithms are more suitable than others for medical diagnosis. Evaluation criteria are chosen with respect to typical clinical criteria and were narrowed down to five; sensitivity, specificity, positive predicted value, negative predicted value and interpretability. Given the results, Naïve Bayes and SVM are given the highest AHP-scores indicating they are more suitable than the other tested algorithm as clinical decision support. In most cases kNN performed the worst and also received the lowest AHP-score which makes it the least suitable algorithm as support for medical diagnosis.

Ort, förlag, år, upplaga, sidor
2018. , s. 84
Nyckelord [en]
Analytic hierarchy process, AHP, data mining, healthcare management, MCDA
Nationell ämneskategori
Övrig annan teknik
Identifikatorer
URN: urn:nbn:se:miun:diva-33940Lokalt ID: IG-V18-A2-005OAI: oai:DiVA.org:miun-33940DiVA, id: diva2:1226703
Ämne / kurs
Industriell organisation och ekonomi IE1
Utbildningsprogram
Civilingenjör i industriell ekonomi TINDA 300 p
Handledare
Examinatorer
Tillgänglig från: 2018-06-27 Skapad: 2018-06-27 Senast uppdaterad: 2018-06-27Bibliografiskt granskad

Open Access i DiVA

fulltext(920 kB)102 nedladdningar
Filinformation
Filnamn FULLTEXT01.pdfFilstorlek 920 kBChecksumma SHA-512
76942a16c693b3b3f1b1df28a10d50b7069481d0fdb5a80ac7d2997a27296a7fcb3ea0cc1c03f502114ead583ae8b0d8ed58b40ffa7424da4d42fbfb501fd78d
Typ fulltextMimetyp application/pdf

Sök vidare i DiVA

Av författaren/redaktören
Hjalmarsson, Victoria
Av organisationen
Avdelningen för informationssystem och -teknologi
Övrig annan teknik

Sök vidare utanför DiVA

GoogleGoogle Scholar
Totalt: 102 nedladdningar
Antalet nedladdningar är summan av nedladdningar för alla fulltexter. Det kan inkludera t.ex tidigare versioner som nu inte längre är tillgängliga.

urn-nbn

Altmetricpoäng

urn-nbn
Totalt: 360 träffar
RefereraExporteraLänk till posten
Permanent länk

Direktlänk
Referera
Referensformat
  • apa
  • ieee
  • modern-language-association-8th-edition
  • vancouver
  • Annat format
Fler format
Språk
  • de-DE
  • en-GB
  • en-US
  • fi-FI
  • nn-NO
  • nn-NB
  • sv-SE
  • Annat språk
Fler språk
Utmatningsformat
  • html
  • text
  • asciidoc
  • rtf