Wynik wyszukiwania w bazie Polska Bibliografia Lekarska GBL

Zapytanie: SUKIENNIK
Liczba odnalezionych rekordów: 1



Przejście do opcji zmiany formatu | Wyświetlenie wyników w wersji do druku
1/1

Tytuł oryginału: Zastosowanie sztucznej sieci neuronowej w prognozowaniu wartości gazometrii krwi u wcześniaków z zaburzeniami oddychania.
Tytuł angielski: Blood gases values forecasting by artificial neural network in prematurely born infants with respiratory distress.
Autorzy: Kruczek Piotr, Pietrzyk Jacek J., Sukiennik Artur, Wajs Wiesław
Źródło: Prz. Lek. 2002: 59 supl. 1: Międzynarodowa konferencja "Postępy w neonatologii" s.34-37, il., tab., bibliogr. 11 poz., sum. - Międzynarodowa konferencja pt. Postępy w neonatologii Kraków 18-20.04. 2002
Sygnatura GBL: 310,563

Hasła klasyfikacyjne GBL:
  • pediatria
  • pulmonologia

    Typ dokumentu:
  • praca kliniczna
  • praca związana ze zjazdem

    Wskaźnik treści:
  • ludzie
  • noworodki
  • płeć męska
  • płeć żeńska

    Streszczenie polskie: Sztuczne sieci neuronowe (SSN) są nowym, atrakcyjnym narzędziem analizy danych mogącym skutecznie konkurować ze stosowanymi powszechnie metodami statystycznymi. Ich znaczenie w naukach medycznych rośnie. Nie wykorzystywano ich jednak w tej dziedzinie do modelowania zjawisk ciągłych. Celem pracy jest określenie przydatności SSN do prognozowania przebiegu wartości gazometrii krwi u wcześniaków z zaburzeniami oddychania. Badanie przeprowadzono wykorzystując dane z pierwszych 30 dni hospitalizacji 19 noworodków z urodzeniową masą ciała ó1500g, przyjętych do 2 doby życia do OITN PAIP w Krakowie w roku 1997. Dla każdego z 4 wybranych do prognozowania parametrów gazometrii krwi (pH, pCO2, pO2 HCO3) oraz wskaźnika pO2/FiO2 utworzono osobną sieć neuronową prognozującą wartość tego parametru z wyprzedzeniem 1 godz. w stosunku do czasu odczytu wielkości wejściowych. Dla każdej sieci wyodrębniono osobny zbiór parametrów przedstawionych na wejściu SSN. Naukę SSN prowadzono przy pomocy algorytmu wstecznej propagacji błędów używając danych 18 pacjentów, dokładność prognoz testowano na danych pozostałego pacjenta. Procedurę tę powtarzano 19 razy. Błąd prognozy oceniano w odniesieniu do uprzednio określonych krzywych nmaksymalnego dopuszczalnego błędu prognozy. Dokładność prognoz wynosiła dla pH, pCO2, HCO3, pCO2/FiO2 odpowiednio 98,9; 99,7; 97,1; 98,3; 95 proc.

    Streszczenie angielskie: Artificial Neural Networks (ANN) are modern tools for data analysis. They can compete with commonly used statistical methods. Till the data they were not used for modeling continuous parameters in medicine. The aim of this paper is to assess accuracy of ANN in forecasting blood gases values in preterm infants with respiratory distress. This study was conducted with the use of the data from Neonatal Information System (NIS) describing first 30 days of the hospital stay of 19 newborns with birthweight ó1500g admitted to the unit before second day of life in 1997. Separate ANN was created for prognosis of 4 parameters of arterial blood gases (pH, pCO2, p)2, HCO3) and oxygenation index (pO2/FiO2) for 1 hour in advance. For each forecasted parameter input set of parameters was established. The ANN was thaught with back propagation algorithm using data of 18 patients, the accuracy of prognosis was tested on the data of the remaining patient. This procedure was repeated 19 times. The error of prognosis was assessed in comparison to predefined curves of the maximal error. The accuracy of achieved prognoses was respectively for pH, pCo2, pO2, HCO3, pO2/FiO2 98.9, 99.7, 97.1, 98.3, 95p.c.

    stosując format: