Abstract Tradisional besar jumlah data medis dimanfaatkan hanya untuk penggunaan jangka klinis dan pendek.

MediQuery menempatkan untuk menggunakan penyimpanan besar informasi sehingga diagnosis didasarkan pada data historis dapat dibuat. Ada sistem untuk memprediksi penyakit dari jantung, otak dan paru-paru berdasarkan data masa lalu dikumpulkan dari pasien. Kami fokus pada komputasi probabilitas terjadinya suatu penyakit tertentu dari medis data dengan pertambangan menggunakan algoritma yang unik yang meningkatkan akurasi diagnosis tersebut oleh menggabungkan Neural Networks, Bayesian Klasifikasi Diagnosis Diferensial dan semua terintegrasi ke dalam satu Pendekatan tunggal. Sistem ini menggunakan Berorientasi Layanan Arsitektur (SOA) dimana komponen sistem dari diagnosis, portal informasi dan lain-lain layanan yang diberikan yang digabungkan.

1. Introduction Sejak munculnya komputasi canggih, dokter memiliki selalu memanfaatkan teknologi untuk membantu mereka dalam berbagai mungkin cara, dari citra bedah untuk x-ray fotografi. Namun teknologi selalu tinggal di belakang ketika datang ke diagnosis, sebuah proses, yang masih membutuhkan pengetahuan dokter dan pengalaman untuk memproses semata-mata jumlah variabel yang terlibat, mulai dari medis sejarah untuk kondisi iklim, tekanan darah, lingkungan dan banyak lagi. Jumlah variabel menghitung dengan variabel total yang diperlukan untuk memahami kerja lengkap alam itu sendiri, yang ada model telah berhasil dianalisis belum. untuk mengatasi masalah ini, pendukung keputusan Medis sistem [1] [2] [3] menjadi lebih dan lebih penting, yang akan membantu para dokter dalam mengambil yang benar keputusan. Para dokter atau tenaga medis memiliki untuk memasuki gejala penyakit. Sistem, memanfaatkan berbagai teknik, termasuk Bayesian Teorema dan Neural Networks, pada gilirannya akan output akar penyakit bersama dengan set paling mungkin penyakit yang memiliki gejala yang sama. Biasa metode yang sama sekali mengabaikan berbagai variabel terlibat seperti kondisi yang berlaku, membangun-up mengakibatkan gejala dll, karena besarnya semata-mata variabel yang tidak diketahui yang tersedia.

Untuk mengatasi masalah ini, dokter biasanya melakukan Proses Diagnosis Diferensial [4] yaitu mendapatkan kemungkinan penyakit dengan daftar turun semua penyakit yang menunjukkan mirip dengan yang di bawah pertimbangan gejala. Ini membutuhkan banyak penelitian dan banyak sebelum medis pengalaman dan merupakan tugas yang menakutkan bahkan untuk para dokter. Proses Diagnosa Diferensial telah ditiru dalam sistem ini, sehingga membuat ini agak sulit jauh lebih mudah tugas. Metode ini lebih lanjut diubah dan ditingkatkan untuk mengurangi jumlah besar yang mendasari variabel menjadi hanya satu dengan mencari penyakit akar, atau Penyakit yang paling mungkin, menggunakan pola smart pencocokan gejala di kelas dinamis yang dihasilkan oleh Bayesian Klasifikasi Teknik [5] dan kemungkinan berikutnya penyakit dengan melakukan Diagnosis Diferensial, menggunakan Neural Networks yang Hebbian Teori [6]. Dengan ini, dan dengan memanfaatkan database memiliki daftar lengkap sejarah medis di pembuangan dari sistem ini, probabilitas terjadinya penyakit mungkin dihitung, terlepas dari berbagai diketahui variabel. Algoritma akan menampilkan penyakit dari gejala masuk dan juga memberikan yang sangat berikutnya kemungkinan penyakit dan dengan demikian, program studi yang paling efektif tindakan yang akan dilakukan dapat ditentukan. Keputusan medis adalah sangat khusus dan menantang pekerjaan karena berbagai faktor, terutama di kasus penyakit yang menunjukkan gejala yang sama, atau jarang penyakit. Faktor-faktor ini mungkin berbeda dari pengalaman, atau karena faktor lingkungan seperti stres misdiagnosis dll Juga, terbaru temuan dan perkembangan oleh peneliti tidak cepat menyebar ke semua dokter, yang bisa membantu dalam keterlambatan dalam diagnosis dan pengobatan pasien. Dokter yang berpengalaman pada umumnya mengklasifikasikan seperti penyakit berdasarkan metode diagnosis diferensial. Ini melibatkan dokter spesialis mempersempit penyakit ke akar dengan menggunakan pengetahuan dan pengalaman dan mengkonfirmasikan itu dengan melakukan berbagai tes. Dalam kasus penyakit langka atau penyakit yang serupa dengan gejala, karena jumlah tes yang terlibat, itu mungkin tidak selalu layak. Terutama dalam mengembangkan negara, masalah kurangnya terlatih dan dokter yang berpengalaman menyebabkan intensifikasi ini Masalah [7]. Untuk mengatasi hal ini pendukung keputusan, medis sistem diperkenalkan yang dapat diakses oleh siapapun, dimanapun. Dengan demikian, tujuan dari sistem ini adalah untuk

memberikan Dukungan Keputusan terpusat Medis Sistem dapat diakses oleh semua dokter di mana saja dan membantu mereka mengatasi semua kekurangan ini dan memberikan lebih efektif diagnosis. 2. Similar work Sebuah pencarian sederhana pada setiap mesin pencari memberikan setiap mungkin daftar gejala bahkan dengan yang dibutuhkan obat untuk penyakit apapun. Hasil pencarian juga terdiri dari obat perumahan yang timbul sebagian besar dari daerah takhayul dan keyakinan untuk ekstrak dari terbaru jurnal kedokteran. Namun, ini masalah non-diverifikasi informasi over-juga dapat berakibat fatal. Itu keaslian hasil tersebut tidak dapat divalidasi. Meskipun dapat, efisiensi obat tidak dapat dihitung, sebagai diagnosis itu sendiri mungkin salah. Beberapa situs memberikan fitur untuk mendiagnosa penyakit murni didasarkan pada masukan dari gejala [8]. Mengingat sebagian kecil dari dataset medis, algoritma telah terbentuk [9], dan hasil yang akurat telah dicapai oleh beberapa dari mereka. Tetapi pada banyak Data umum yang lebih besar ditetapkan untuk setiap bidang medis, mendapatkan hasil yang akurat belum menjadi sangat sulit. Di University Of Utah School Of Medicine ini Dept of Medical Informatics, Sistem Pakar program yang disebut Iliad [10] telah dalam pengembangan selama beberapa tahun. Iliad menggunakan penalaran Bayesian untuk menghitung probabilitas posterior dari berbagai diagnosa dalam pertimbangan, mengingat temuan hadir dalam suatu kasus. Ini adalah perangkat lunak medis ahli yang menyediakan konsultasi ahli diagnostik dan penyakit manifestasi. Versi 4.5 mencakup lebih dari 930 penyakit dan 1500 sindrom. Yang saat ini digunakan: terutama sebagai alat pengajaran untuk mahasiswa kedokteran. Demikian pula, DXplain [11] adalah pendukung keputusan Sistem yang bekerja pada satu set temuan klinis (tanda-tanda, gejala, data laboratorium) untuk menghasilkan daftar peringkat dari diagnosa yang mungkin menjelaskan (atau berhubungan dengan) klinis manifestasi. DXplain mengambil keuntungan dari basis data yang besar dari probabilitas mentah lebih dari 4500 manifestasi klinis yang berhubungan dengan lebih dari 2000 yang berbeda penyakit, yang sangat terbatas mengingat lebih dari penyakit 20000 yang benar-benar ada. Juga, baru penyakit tidak dianggap sama sekali, dan sistem

tidak memberi ruang untuk menambahkan mereka selanjutnya. Sistem menggunakan bentuk modifikasi dari logika Bayesian. DXplain dalam rutin digunakan di sejumlah rumah sakit dan medis 3. Ada sistem medis fokus pada pengumpulan dan pertambangan seluruh data. Catatan seluruh pasien yang dimuat dan semua faktor yang dipertimbangkan. Bidang medis tidak dapat dengan mudah dianalisis karena untuk menghasilkan Peringkat probabilistik, tidak hanya gejala tetapi faktor-faktor seperti hasil tes dan kondisi iklim eksternal juga diperlukan, yang mungkin atau mungkin tidak hadir dalam melaporkan. Sistem yang ada telah gagal untuk memahami satu dari atribut yang paling penting, misdiagnosis, yang interkoneksi dan alamat semua masalah ini. Jika kita menambang Misdiagnosis dan menyimpannya sebagai atribut, itu akan memecahkan masalah, karena dokter 'kesalahan diagnosa hanya di kasus adanya ambiguitas, dan dalam kasus serupa, ada kemungkinan tinggi dokter lain juga melakukan sama misdiagnosis. Atribut adalah misdiagnosis sangat penting dalam pertambangan karena secara langsung akan mengarah untuk memperbaiki diagnosis, dan pada gilirannya, akan menghilangkan semua mendasari variabel karena mereka sudah pasti tercakup dalam penyakit didiagnosis. Mengambil data medis yang relevan untuk sistem ini adalah tugas utama, dengan berbagai isu meningkatnya tentang data kerahasiaan, keamanan data, dll Untuk mengatasi ambiguitas masalah ini, kami datang dengan ide menerapkan manajemen Rumah Sakit lengkap sistem, dengan sistem MediQuery sebagai bagian integral. Dengan cara ini, masalah kerahasiaan data ditangani, karena sistem akan dapat diakses hanya oleh rumah sakit perwakilan, tetapi juga memiliki akses ke semua catatan dihasilkan oleh dokter. Juga, karena MediQuery tersebut Sistem akan diselenggarakan di internet, database akan diakses dan diperbarui oleh setiap pengguna sistem dari semua rumah sakit menggunakan manajemen rumah sakit sistem, sehingga database update dan lengkap. Lebih banyak pengguna akan menghasilkan lebih lengkap dan akurat database. Setelah catatan medis yang diperoleh dan berada dalam tempat, sistem ini menggunakan NLP (bahasa alami pengolahan) [12] teknik untuk menentukan laporan hasil. MontyLingua, alat NLP, digunakan dalam

sistem. Text mining menggunakan NLP memperoleh dua hasil dari laporan yang dihasilkan oleh dokter, yang benar dan salah diagnosis, dan gejala yang diakibatkan diagnosis. Aspek lain seperti pasien pribadi informasi, seperti nama dll, atau informasi yang dapat mengidentifikasi pasien dengan cara apapun, benar-benar diabaikan, maka menjaga kerahasiaan utuh. hasil ini disimpan dalam database sebagai: Penyakit Didiagnosis & Realisasi Penyakit atribut. Gejala-gejala akan menghasilkan perubahan weightage gejala untuk Penyakit yang sesuai (dijelaskan nanti dalam algoritma bagian). 4. Aspek fungsional: Algoritma Berbagai algoritma yang digunakan dalam metode ini adalah dijelaskan di bawah ini. Gambar. 1 menunjukkan alur kerja 3 lapis pola sistem. Sistem ini menggunakan 3 tingkat alur kerja metode untuk diagnosis presisi tiga. masing-masing Kasus dijelaskan dengan bantuan studi kasus praktis diberikan di bawah ini. Iteratif pencarian pola menggunakan data yang disimpan sebagai diberikan dalam tabel 1. Langkah pertama dari algoritma melibatkan memilih gejala yang ditunjukkan oleh pasien. Sebagai output, algoritma memberikan daftar semua kemungkinan penyakit peringkat menurut jumlah gejala cocok dalam database. Daftar ini dihasilkan setelah masukan dari setiap gejala. Setelah iterasi pertama, untuk iterasi kedua, daftar berikutnya gejala akan diciutkan menurut daftar penyakit yang diperoleh pada iterasi sebelumnya. Yakni baru Daftar gejala akan berisi gejala hanya mereka penyakit yang diperoleh dalam daftar sebelumnya. Ini gejala terkait kemudian akan ditampilkan kepada pengguna yang daftar singkat gejala lain dari daftar baru. Baru daftar penyakit akan terdaftar, peringkat menurut jumlah gejala cocok. Peringkat ini dihasilkan sesuai dengan pertandingan persentase jumlah gejala masuk. Prosedur ini melanjutkan iteratif, dengan penyakit yang ditempatkan di peringkat sesuai dengan probabilitas nya. Setelah awal beberapa iterasi, penyakit teratas dalam daftar memperoleh sangat dalam peringkat, yang memungkinkan seseorang untuk mengidentifikasi penyakitnya. yaitu Peringkat dari penyakit ini bervariasi pada yang jauh lebih besar presisi sebagai gejala semakin banyak diberikan. misalnya

pada database yang diberikan dalam Tabel I, memasuki Headache sebagai demam gejala, Diabetes dan Viral akan memiliki 100% cocok, memberikan peringkat yang sama, sedangkan Perikarditis akan dikeluarkan. Memasuki berikutnya gejala, katakanlah Demam, Demam Viral akan memiliki kedua Gejala yang cocok, memberikan cocok 100%, sedangkan dua lainnya akan memiliki pertandingan hanya satu dari diberikan dua gejala, sehingga pertandingan 50%, menghasilkan penurunan peringkat mereka. Tapi ini harus mencari catatan database lebih dari 20.000 penyakit dan bahkan lebih gejala, yang sangat memakan waktu, jadi kita menerapkan Bayes Klasifikasi untuk mengklasifikasikan penyakit menjadi subkelompok dan jika sekelompok gejala cocok kita berikan tinggi preferensi untuk subkelompok itu, maka pencarian dalam subkelompok sehingga mengurangi akses database. Kerja ini adalah sebagai berikut: Misalkan X adalah Gejala yang kelasnya label tidak diketahui. Biarkan H ada beberapa hipotesis, seperti "X gejala milik tertentu kelas C. "Untuk klasifikasi, kita ingin menentukan P (H | X) - probabilitas bahwa hipotesis H (yang sesuai dengan kelompok penyakit) memegang, mengingat diamati gejala X. P (H / X) = (P (X / H) * P (H)) / P (X) ......................... I Algoritma standar menghitung gejala probabilitas dengan penyakit individu, tapi kita menghitung Gejala probabilitas dengan sekelompok penyakit. Kita memiliki dukungan dihitung dan tingkat kepercayaan (eq II dan III) untuk setiap set dengan gejala tertentu kelompok yang menggunakan catatan statistik. Jadi jika dibutuhkan dukungan dan kepercayaan tercapai [13], kami langsung cari Kelompok penyakit yang mengakibatkan Pola cepat Matching. Dukungan = (X1U X2 ..... U XN) / Rekaman Jumlah ........... II Keyakinan = (X1 X2 U ..... XN) / Rekaman Total C1, C2or ... CN ........................................................ III Praktis, ketika gejala maksimum masuk menunjukkan bobot tertinggi untuk penyakit jatuh dalam beberapa