A New Paradigm For Predicting Past And Future Out of Control Events In Internal Quality Control: Gaussian Process For Machine Learning
Journal of Artificial Intelligence in Health Sciences · 2022
DOI: 10.52309/jaihs.v2i2.45 ↗Kurz gefasst
Fachartikel in der Zeitschrift Journal of Artificial Intelligence in Health Sciences, 2022. Verfasst von Suleyman Sevinc und 9 weiteren Autor:innen.
Abstract (Originalsprache)
İç Kalite Kontrol (İKK), hasta numunelerini çalıştırmadan önce bir laboratuvar testinin güvenilirliğini değerlendirme ve kontrol etme sürecidir. Mevcut İKK süreci, kural tabanlı yaklaşımlar kullanarak Toplam Analitik Hatanın (TAE) yönetimine odaklanmaktadır. Toplam İzin Verilebilir Hata (TEa) ihlallerinin zamanlamasını tam olarak tahmin edemez. Çalışmada, Tahmine Dayalı Kalite Kontrol Algoritması (PQCA) için Gaussian Process for Machine Learning (GPML) yöntemini kullanarak İKK sürecini değerlendirmede tahmine dayalı bir hesaplama yaklaşımı önerildi. Python ve Scikit-learn kütüphanesinde yürütülen yazılım uygulaması, Windows tabanlı standart bir PC üzerinde çalıştırıldı. PQCA'ya dayalı bir dijital kontrol tablosu oluşturuldu. Gözlemlerin, PQCA tarafından üretilen karşılık gelen tahminlerinin %95 güven aralığı içinde kaldığı gösterildi. Ayrıca, klasik formül kullanılarak hesaplanan TAE'nin tüm TEa ihlallerini yakalayamadığı da ortaya konuldu. PQCA, ham kontrol verilerini doğrudan kalite hedefleriyle ilişkilendirebilen basit bir prosedür olup, yüksek derecede doğrulukla tahmine dayalı bir yaklaşım sağlamıştır. Klasik TAE hesaplama modeli, tek değişkenli bir Gauss modeline dayanır. PQCA'nın temel aldığı GPML, çok değişkenli bir Gaussian modeldir. Bu nedenle PQCA, klasik IQC modelinin bir genellemesi olarak görülebilir. Laboratuvarlar, PQCA'yı kullanarak analitik kalitenin kontrolüne proaktif bir yaklaşım getirebilir, düzenleyici kurumların gereksinimlerini karşılayabilir ve dolayısıyla daha doğru ve güvenilir hasta sonuçları sağlayabilir. PQCA tabanlı İKK, geleneksel yöntemlerin eksikliklerinin üstesinden gelen tek bir algoritma kullanarak analitik değişkenliğin kontrolünü sağlayabilir. Gelecekte, yeni kullanılabilir hesaplama modelleri, İKK için daha karmaşık, tahmine dayalı matematiksel çerçeveleri mümkün kılacaktır.
Zitieren
APA
Sevinc, S., Sisman, A. R., Başok, B. İ., Aksit, M., Bilgi, P., Yildirim, O., Yasar, E., Colak, A., Duman, C., & Akbulut, G. (2022). A New Paradigm For Predicting Past And Future Out of Control Events In Internal Quality Control: Gaussian Process For Machine Learning. Journal of Artificial Intelligence in Health Sciences. https://doi.org/10.52309/jaihs.v2i2.45
Vancouver
Sevinc S, Sisman AR, Başok Bİ, Aksit M, Bilgi P, Yildirim O, et al. A New Paradigm For Predicting Past And Future Out of Control Events In Internal Quality Control: Gaussian Process For Machine Learning. Journal of Artificial Intelligence in Health Sciences. 2022. doi:10.52309/jaihs.v2i2.45
BibTeX
@article{Sevinc2022,
author = {Sevinc, Suleyman and Sisman, Ali Riza and Başok, Banu İşbilen and Aksit, Murat and Bilgi, Pinar and Yildirim, Oktay and Yasar, Eminullah and Colak, Ayfer and Duman, Can and Akbulut, Gokhan},
title = {A New Paradigm For Predicting Past And Future Out of Control Events In Internal Quality Control: Gaussian Process For Machine Learning},
journal = {Journal of Artificial Intelligence in Health Sciences},
year = {2022},
doi = {10.52309/jaihs.v2i2.45}
}
EUVIMED