Abstract
Hundreds of newborns everyday are affected by urinary tract infection worldwide. Urinary tract infection can cause serious illness over the long term. Early diagnosis is crucial for the treatment of the disease and the health of the newborn baby. In this study, a decision support system was established for the preliminary diagnosis of whether the newborn who was infected with urinary tract. For this purpose, artificial neural network methods and other bioinformatics techniques for comparison were used. Tests conducted with artificial neural networks resulted in: The probabilistic neural network method gave the best result for the test with 91.4251 ratio, whereas the multilayer neural network method showed the best result with 98.9130 ratio in training. Thus, it has been shown that the classification process with accuracy rate that can be considered important in the use of flexible computation and bioinformatics techniques in diagnosing urinary tract infections in newborn infants is successful.
Keywords
Urinary tract infection New-born artificial neural network medical diagnosis classification
References
- Aydin DB. 2016. “Neural network based decision support system that detects for newborn urinary tract infection.” Master Thesis, Bozok University.
- Aydın S. 2014. “Yenidoğan Yoğun Bakım Ünitesinde İdrar Kültürü Alma Yöntemlerinin İdrar Yolu Enfeksiyonunu Tanımlamadaki Yeri.” Ankara Çocuk Sağlığı ve Hastalıkları Hematoloji Onkoloji Eğitim ve Araştırma Hastanesi, Ankara.
- Benlidayi YA. 2011. “Tekrarlayan idrar yolu enfeksiyonu geçiren çocukların retrospektif taranması ve renal skar üzerine etkisinin değerlendirilmesi.” Kahramanmaraş Sütçü İmam Üniversitesi Tıp Fakültesi Çocuk Sağlığı ve Hastalıkları Anabilim Dalı, Tez no: 308184.
- Delen D, Walker G. and Kadam A. 2005. "Predicting breast cancer survivability: A comparison of three data mining methods", Artificial Intelligence in Medicine 34(2) 113-127.
- Duran, O. 2014. “İdrar yolu enfeksiyonu düşünülen hastalarda nitrit ve lökosit esteraz pozitifliğinin idrar mikroskopisi ve kültürü ile karşılaştırılması.” Cumhuriyet Üniversitesi Tıp Fakültesi Acil Tıp Anabilim Dalı, Tez No: 386681.
- Er O. 2009. “Thoracic Disease Diagnosis using Flexible Computing and Bioinformatics Computing System.” PhD Thesis, Sakarya University.
- Er O, Yumusak N, Temurtas F. 2012. “Diagnosis of chest diseases using artificial immune system.” Expert Systems with Applications 39:1862.
- Er O. 2014. “Network intrusion detection: a usability comparison study on neural networks.” Electronics World, 120 (1943): 26-32.
- Erdogan O, Oner A. 2002. “Sami Ulus Çocuk Sağlığı ve Hastalıkları Eğitim ve Araştırma Merkezi Pediatrik Nefroloji Departmanı” Türkiye Klinikleri J Pediatr 11(4):221-35, Ankara.
- Gulbag A, Temurtas F. 2007. “A study on transient and steady state sensor data for identification of individual gas concentrations in their gas mixtures.” Sensors and Actuators B-Chemical. 121(2): 590-599.
- Hagan MT, Menhaj M. 1994. “Training feed forward networks with the Marquardt algorithm.” IEEE Trans. on Neural Networks. 5: 989-993.
- Itir EE. 2003. “Bazı semptom ve bulguların idrar yolu enfeksiyonu tanısındaki geçerliliğin değerlendirilmesi.” Erciyes Üniversitesi Sağlık Bilimleri Enstitüsü Halk Sağlığı Anabilimdalı, Tez No: 129733.
- Kandur Y, Kupeli S. 2003. “Vezikoüreteral Reflü ve İdrar Yolu Enfeksiyonu.” Klinik Pediatri. 2(2): 69-73.
- Kohonen T. 1990. “Improved versions of learning vector quantization.” In Proc. of the IEEE International Joint Conference on Neural Networks. pp. 545–550, New York.
- Koksal AS, Er O, Evirgen H, Yumusak N. 2016. “A secure communication using cascade chaotic computing systems on clinical decision support.” Biomedical Engineering-Biomedizinische Technik. 61(3): 323-329.
- MathWorks. 2007. “Matlab Documentation, The MathWorks.” Inc. 3 Apple Hill Drive. Natick, MA 01760-2098, USA.
- Ozyilmaz L and Yildirim T. 2002. "Diagnosis of thyroid disease using artificial neural network methods", In Proceedings of ICONIP’02 9th International Conference on Neural Information Processing, Singapore: Orchid Country Club, 2033-2036.
- Specht DF. 1990. “Probabilistic neural networks”, Neural Networks. 3: 109–118.
- Unal B. 2006. “Odağı belli olmayan ateşli çocuklarda idrar yolu enfeksiyonunu saptamada çeşitli idrar inceleme yöntemlerinin karşılaştırılması.” Mersin Üniversitesi Tıp Fakültesi Çocuk Sağlığı ve Hastalıkları Anabilim Dalı, Tez No: 192974.
Abstract
References
- Aydin DB. 2016. “Neural network based decision support system that detects for newborn urinary tract infection.” Master Thesis, Bozok University.
- Aydın S. 2014. “Yenidoğan Yoğun Bakım Ünitesinde İdrar Kültürü Alma Yöntemlerinin İdrar Yolu Enfeksiyonunu Tanımlamadaki Yeri.” Ankara Çocuk Sağlığı ve Hastalıkları Hematoloji Onkoloji Eğitim ve Araştırma Hastanesi, Ankara.
- Benlidayi YA. 2011. “Tekrarlayan idrar yolu enfeksiyonu geçiren çocukların retrospektif taranması ve renal skar üzerine etkisinin değerlendirilmesi.” Kahramanmaraş Sütçü İmam Üniversitesi Tıp Fakültesi Çocuk Sağlığı ve Hastalıkları Anabilim Dalı, Tez no: 308184.
- Delen D, Walker G. and Kadam A. 2005. "Predicting breast cancer survivability: A comparison of three data mining methods", Artificial Intelligence in Medicine 34(2) 113-127.
- Duran, O. 2014. “İdrar yolu enfeksiyonu düşünülen hastalarda nitrit ve lökosit esteraz pozitifliğinin idrar mikroskopisi ve kültürü ile karşılaştırılması.” Cumhuriyet Üniversitesi Tıp Fakültesi Acil Tıp Anabilim Dalı, Tez No: 386681.
- Er O. 2009. “Thoracic Disease Diagnosis using Flexible Computing and Bioinformatics Computing System.” PhD Thesis, Sakarya University.
- Er O, Yumusak N, Temurtas F. 2012. “Diagnosis of chest diseases using artificial immune system.” Expert Systems with Applications 39:1862.
- Er O. 2014. “Network intrusion detection: a usability comparison study on neural networks.” Electronics World, 120 (1943): 26-32.
- Erdogan O, Oner A. 2002. “Sami Ulus Çocuk Sağlığı ve Hastalıkları Eğitim ve Araştırma Merkezi Pediatrik Nefroloji Departmanı” Türkiye Klinikleri J Pediatr 11(4):221-35, Ankara.
- Gulbag A, Temurtas F. 2007. “A study on transient and steady state sensor data for identification of individual gas concentrations in their gas mixtures.” Sensors and Actuators B-Chemical. 121(2): 590-599.
- Hagan MT, Menhaj M. 1994. “Training feed forward networks with the Marquardt algorithm.” IEEE Trans. on Neural Networks. 5: 989-993.
- Itir EE. 2003. “Bazı semptom ve bulguların idrar yolu enfeksiyonu tanısındaki geçerliliğin değerlendirilmesi.” Erciyes Üniversitesi Sağlık Bilimleri Enstitüsü Halk Sağlığı Anabilimdalı, Tez No: 129733.
- Kandur Y, Kupeli S. 2003. “Vezikoüreteral Reflü ve İdrar Yolu Enfeksiyonu.” Klinik Pediatri. 2(2): 69-73.
- Kohonen T. 1990. “Improved versions of learning vector quantization.” In Proc. of the IEEE International Joint Conference on Neural Networks. pp. 545–550, New York.
- Koksal AS, Er O, Evirgen H, Yumusak N. 2016. “A secure communication using cascade chaotic computing systems on clinical decision support.” Biomedical Engineering-Biomedizinische Technik. 61(3): 323-329.
- MathWorks. 2007. “Matlab Documentation, The MathWorks.” Inc. 3 Apple Hill Drive. Natick, MA 01760-2098, USA.
- Ozyilmaz L and Yildirim T. 2002. "Diagnosis of thyroid disease using artificial neural network methods", In Proceedings of ICONIP’02 9th International Conference on Neural Information Processing, Singapore: Orchid Country Club, 2033-2036.
- Specht DF. 1990. “Probabilistic neural networks”, Neural Networks. 3: 109–118.
- Unal B. 2006. “Odağı belli olmayan ateşli çocuklarda idrar yolu enfeksiyonunu saptamada çeşitli idrar inceleme yöntemlerinin karşılaştırılması.” Mersin Üniversitesi Tıp Fakültesi Çocuk Sağlığı ve Hastalıkları Anabilim Dalı, Tez No: 192974.
Details
| Primary Language | English |
|---|---|
| Subjects | Computer Software |
| Journal Section | Articles |
| Authors | |
| Publication Date | April 2, 2018 |
| Submission Date | January 17, 2018 |
| Acceptance Date | February 21, 2018 |
| Published in Issue | Year 2018Volume: 1 Issue: 1 |
Sakarya University Journal of Computer and Information Sciences in Applied Sciences and Engineering: An interdisciplinary journal of information science