HỆ THỐNG GỢI Ý ÁP DỤNG TRONG QUÁ TRÌNH KÊ ĐƠN THUỐC

Trần Nguyễn Minh Thư * , Trần Quốc Lịnh , Lưu Tiến Đạo và Đào Minh Trung Tuấn

* Tác giả liên hệ (tnmthu@ctu.edu.vn)

Article Sidebar

Full Text: PDF

Ngày nhận bài: 19-09-2015
Ngày duyệt đăng: 10-10-2015
Ngày xuất bản: 15-12-2015
Title: Recommender system for creating a prescription
Lượt xem
97
Downloads
121
Trích dẫn
Thư, T. N. M., Lịnh, T. Q., Đạo, L. T., & Tuấn, Đ. M. T. (2015). HỆ THỐNG GỢI Ý ÁP DỤNG TRONG QUÁ TRÌNH KÊ ĐƠN THUỐC. Tạp chí Khoa học Đại học cần Thơ, (CĐ Công nghệ TT), 179-188. Truy vấn từ https://ctujsvn.ctu.edu.vn/index.php/ctujsvn/article/view/2347
Số báo
Số. CĐ Công nghệ TT (2015)
Chuyên mục
Công nghệ

Abstract

This subject uses the association rule-based recommender method to build the recommender system (MedRES – Medicine Recommender System) for the process of creating a prescription. The MedRES was built for the purpose of helping physicians choose the appropriate medicinal products to prescribe in the shortest period of time. The MedRES helps the young doctors with less experience can learn the prescribing method from other doctors. From the data set of prescription transactions, this research applies the Apriori mining algorithm to build a model on each disease. This model is a set of association rules, which represents the relationship between the drug's active ingredients.The MedRES system has good suggestions in most cases even for new doctors. The MedRES was evaluated at 2 phases: the model construction phase (the models were evaluated by experts) as well as the phase of evaluating the system after construction. In the phase after construction, the system was evaluated by using the Given-N method with the indices recall, precision and F1.
Keywords: Recommender systems, MedRES, association rules

Tóm tắt

Nghiên cứu này ứng dụng phương pháp gợi ý dựa trên luật kết hợp để xây dựng hệ thống gợi ý (MedRES – Medicine Recommender System) cho quá trình tạo đơn thuốc của bác sĩ. MedRES được xây dựng với mục đích giúp bác sĩ chọn được các sản phẩm thuốc phù hợp để kê đơn trong khoảng thời gian ngắn nhất. MedRES cũng giúp các bác sĩ trẻ, ít kinh nghiệm có thể học hỏi phương pháp kê đơn của các bác sĩ khác. Từ tập dữ liệu giao dịch về đơn thuốc, nghiên cứu này áp dụng giải thuật khai mỏ Apriori để xây dựng mô hình cho từng bệnh. Mô hình này chính là tập các luật kết hợp, nó biểu diễn mối liên quan giữa các hoạt chất của thuốc. Hệ thống MedRES gợi ý tốt trong đa số trường hợp kể cả đối với bác sĩ mới. MedRES được đánh giá ở 2 giai đoạn: giai đoạn xây dựng mô hình (các mô hình được đánh giá bởi các chuyên gia) cũng như giai đoạn đánh giá hệ thống sau khi xây dựng. Ở giai đoạnsau khi xây dựng, hệ thống được đánh giá bằng phương pháp Given-N với các chỉ số F1.  
Từ khóa: Hệ thống gợi ý, luật kết hợp, kê đơn thuốc

Article Details

Tài liệu tham khảo

Adomavicius G and Tuzhilin A, 2005. Towards the next generation of recommender systems: A survey of the state-of-the-art and possible extensions. IEEE Transactions on Knowledge and Data Engineering 17(6): 734-749.

Agrawal R, Imielinski T, and Swami A, 1993. Mining association rules between sets of items in large databases. In Proceedings of the ACM SIGMOD International Conference on Management of Data, pages 207-216, Washington D.C.

Balabanovic, M. and Y. Shoham, 1997. Fab: Content-based, collaborative recommendation. Communications of the ACM 40(3): 66-72.

Bộ Y tế, 2011. Thông tư số 31/2011/TT-BYT ngày 11/7/2011 của Bộ Y tế. http://www.moh.gov.vn, truy cập ngày 01/10/2013.

Breese JS, Heckerman D, and Kadie C, 1998. Empirical Analysis of Predictive Algorithms for Collaborative Filtering. Proc. 14th Conf. Uncertainty in Artificial Intelligence.

D.A. Davis, N.V. Chawla, N. Christakis and A.-L. Barabási, 2010 . Time to CARE: A Collaborative Engine for Practical Disease Prediction. Data Mining and Knowledge Discovery, vol.20, pp.388-415.

F. Folino and C. Pizzuti, 2010. A Comorbidity-Based Recommendation Engine for Disease Prediction. In Proceedings of 23rd IEEE International Symposium on Computer-Based Medical Systems, pp. 6-12.

Hahsler M, Grün B, and Hornik K, 2005. arules -- A computational environment for mining association rules and frequent item sets. Journal of Statistical Software 14(15): 1-25.

Hahsler M. 2011 recommenderlab: A Framework for Developing and Testing Recommendation Algorithms. [Online]. Available: http://cran.r-project.org/web/packages/recommenderlab/vignettes/recommenderlab.pdf

Lin W, Alvarez SA and Ruiz C, 2002. Efficient Adaptive-Support Association Rule Mining for Recommender Systems. Data Mining and Knowledge Discovery 6(1): 83-105.

Sunantha Sodsee and Maytiyanin Komkhao, 2013. Evidence-based Medical Recommender Systems: A Review. International Journal of Information Processing and Management (IJIPM), Volume4, Number6, pp. 114- 120.

Herlocker J.L et al, 2004. Evaluating collaborative filtering recommender systems. ACM Trans. Inf. Syst., vol. 22, no. 1, pp. 5–53.