İlaç İlaç Etkileşimlerinin Jordan Elman Ağları Kullanılarak Sınıflandırılması

Year 2014, Volume 29, Issue 1, 27.03.2014

Fırat HARDALAÇ Uğurhan Kutbay KUTBAY

https://doi.org/10.17341/gummfd.87747

Abstract

İlaç kullanımı birçok risk içermektedir. Bu riskler hastanede yatış için kabul alanların aldıkları ilaçla ilgili problemler, hastanede yatış sırasında alınan ilaca bağlı sorunlar, taburcu edilmeden alınan ilaç problemleri, medikal hatalar ve ilaç ilaç etkileşimleri(İİE)dir [1]. İİE’lerin ölümcül etkilerinden dolayı, FDA (U.S. Food and Drug Administration) ve EMEA (European Medicines Agency) bu alanda çalışmalar yapmaktadır [2]. Lazarou ve arkadaşlarına göre hastanede yatan hastaların %6,7’sinde, %0,32’lik bir oranda ölümcül İİE tespit edilmiştir
[3]. İİE’den dolayı ölümlerin ABD’ye maliyeti yıllık 136milyar$ olmaktadır [4]. İİE’lerin ölümcül etkilerinin önüne geçilmesi için bu çalışmada İİE’lerin yapay sinir ağlarıyla sınıflandırılması amaçlanmaktadır. Bu çalışmada Jordan Elman Ağları bazı İİE’lere uygulanmış ve sınıflandırma işlemi 1000 adımda eğitilmiştir. Eğitimin 149 adım sonunda Levenberg Marquardt öğrenme algortimasıyla 0,0305’lik bir MSE ile Jordan ağı
oluşturulmuş ve ağın test sonucu 0,8177’lik korelasyon katsıyısı elde edilmiştir. Bu çalışma ayrıca Türkiye Cumhuriyeti Bilim Sanayi ve Teknolji Bakanlığı tarafından 00912.STZ.2011-1 kod numaralı “İlaç Etkileşimleri” projesi olarak desteklenmiştir.

Keywords

Sınıflandırma, yapay sinir ağları, jordan elman ağları, ilaç ilaç etkileşimleri, levenberg marquardt

Abstract

References

• Vonbach, P., Drug Drug Interactions in the
• Hospital, Inauguraldissertation, University of
• Basel, 2007.
• Polak, S., Brandys, J., “Neural System for in
• silico Drug-Drug Interaction Screening”,
• Proceedings of the 2005 International
• Conference on Computational Intelligence for
• Modelling, Control and Automation, and
• International Conference, Ontario, Canada,
• -
• Lazarou, J., Pomeranz, B., Corey, P.N.,
• “Incidence of adverse drug reactions in
• hospitalized patients: A meta-analysis of
• prospective studies”, The Journal Of The
• American Medical Association (JAMA), Cilt
• , 1200–1205, 1998.
• Johnson, J.A., Bootman, J.L., “Drug-related
• morbidity and mortality. A cost-of-illness
• model”, Arch Intern Med, Cilt 155, No
• ,1949–1956, 1995.
• Pirmohamed, M., James, S., Meakin, S., et al.,
• “Adverse drug reactions as cause of admission to
• hospital: prospective analysis of 18 820 patients”,
• BMJ, Cilt 329, No 7456, 15-23, 2004.
• Lepori, V., Perren, A., Marone, C., “Adverse
• internal medicine drug effects at hospital
• admission”, Schweiz Med Wochenschr, Cilt
• , No 24, 915-922. 1999.
• Srinivasan, V., Eswaran, C., Sriraam, N.,
• “Epileptic detection using artificial neural
• networks”, International Conference On Signal
• Processing And Communication (SPCOM),
• Bangalore, India, 2004
• Jordan, M., “Serial order: A parallel distributed
• processing approach,” Advances in Psychology,
• Neural-Networks Models of Cognition, Cilt
• , 471-495, 1997.
• Deshmukh, R.P., Ghatol, A.A. "Comparative
• Study Of Jorden And Elman Model Of Neural
• Network For Short Term Flood Forecasting”,
• IEEE 3rd International Conference on
• Computer Science and Information
• Technology (ICCSIT), Chengdu, China, 400-
• , 2010.
• Chatterjee, A., Paul, K. C., Tudu B., “Application
• Of Recurrent Neural Network For Generating
• Grayscale Digital Half-Tone Images”, Second
• International Conference on Emerging
• Applications of Information Technology,
• Science City, Kolkata, 41-44, 2011.
• Versace, M., Bhatt, R., Hinds, O., Shiffer,
• M.,“Predicting the exchange traded fund DIA
• with a combination of genetic algorithms and
• neural networks”, Expert Systems with
• Applications, , Cilt 27, No 4, 417-425, 2004.
• Kelo, S.M., Dudul, S.M., “Short-term
• Maharashtra state electrical power load prediction
• with special emphasis on seasonal changes using
• a novel focused time lagged recurrent neural
• network based on time delay neural network
• model”, Expert Systems with Applications, Cilt
• , No 3, 1554-1564, 2011.
• Fink, O., Zio, E., Weidmann, U., “Predicting time
• series of railway speed restrictions with timedependent
• machine learning techniques”, Expert
• Systems with Applications, , Cilt 40, No 15,
• –6040, 2013.
• Kaya, T., İnce, M. C., “Design Of FIR Filter
• Using Modeled Window Function With Helping
• Of Artificial Neural Networks”, Journal of the
• Faculty of Engineering and Architecture of
• Gazi University, Cilt 27, No 3, 599-606, 2012.
• Güntürkün, R., “Determining the Amount of
• Anesthetic Medicineto Be Applied by Using
• Elman’s Recurrent Neural Networks via Resilient
• Back Propagation”, Journal of Medical
• Systems, Cilt 34, 493–497, 2010.
• Pearlmutter, B. A., ”Gradient Calculations For
• Dynamic Recurrent Neural Networks: A Survey”,
• IEEE Transactions On Neural Networks, Cilt
• , No 5, 1212-1228,1995.
• Lee, S. W., Song, H. H., “A New Recurrent
• Neural- Network Architecture for Visual Pattern
• Recognition”, IEEE Transactions On Neural
• Networks, Cilt 8, No 2, 331-340, 1997.
• Hardalac, F., “Classification of educational
• backgrounds of students using musical
• intelligence and perception with the help of
• genetic neural networks”, Expert Systems with
• Applications, Cilt 36, 6708–6713, 2009
• Elman, J. L., “Finding structure in time”,
• Cognitive Science, Cilt 14, 179–211, 1990.
• Levenberg, K., "A Method for the Solution of
• Certain Non-Linear Problems in Least
• Squares", Quarterly of Applied Mathematics,
• Cilt 2, No 2, 164–168 , 1944.