แบบจำลองการจำแนกไอซีดี-เทน ทีเอ็ม ข้ามภาษาโดยใช้เหมืองข้อความ

พรรัศมิ์ จตุนราพิทย์

dc.contributor.advisor	เกริก ภิรมย์โสภา	en_US
dc.contributor.advisor	กฤษณ์ เจริญลาภ	en_US
dc.contributor.author	พรรัศมิ์ จตุนราพิทย์	en_US
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์	en_US
dc.date.accessioned	2016-12-02T02:08:03Z
dc.date.available	2016-12-02T02:08:03Z
dc.date.issued	2558	en_US
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/50988
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2558	en_US
dc.description.abstract	ปัจจุบันเทคโนโลยีมีส่วนเข้ามาช่่วยงานทางการแพทย์มากมาย ซึ่งส่วนหนึ่งของงานเวชระเบียนในการจำแนกโรคเพื่อบันทึกไอซีดี-เทน ทีเอ็ม ก็เช่นกัน แต่เนื่องด้วยระบบปัจจุบันโดยหลักมนุษย์ยังเป็นผู้ดำเนินการและต้องอาศัยความรู้เฉพาะทาง ความชำนาญของผู้ทำงาน ซึ่งวิทยานิพนธ์ฉบับนี้ได้นำเสนอแบบจำลองในการจำแนก ไอซีดี-เทน ทีเอ็มอัตโนมัติโดยใช้เหมืองข้อความ ซึ่งได้นำการค้นคืนมาช่วยในการวิเคราะห์คำ เพิ่มความแม่นยำในการจำแนกไอซีดี-เทน ทีเอ็ม และอัลกอริทึมที่้ใช้ในการจำแนกไอซีดี-เทน ทำการเลือกโดยเปรียบเทียบผลคำวินิจฉัย 3,000 คำวินิจฉัยจากผู้เชี่ยวชาญกับอัลกอริทึมนาอีฟเบย์ การตัดสินใจต้นไม้ ซัพพอร์ตเวกเตอร์แมชชีน เพื่อหาค่าความถูกต้อง ค่าความแม่นยำ และค่าระลึก ผลลัพธ์ที่ได้อัลกอริทึมนาอีฟเบย์ให้ค่าความถูกต้อง และค่าความแม่นยำสูงสุด วิทยานิพนธ์ฉบับนี้จึงเลือกอัลกอริทึมนาอีฟเบย์เพื่อทำการสร้างแบบจำลองการจำแนกไอซีดี-เทน ทีเอ็ม	en_US
dc.description.abstractalternative	Nowadays, technology has been involved in medical area for various purposes including Medical Records which ICD-10 TM classification for ICD-10 TM record is one of its parts. However, the existing system for record ICD-10 TM requires specialist or expertise for classifying ICD-10 TM that leads to the late of processing, incorrectness or serious consequences. This thesis proposes model for classifying ICD-10 TM using machine learning and information retrieval to find similarity word. The classifier algorithms, Naïve Bayes, Support Vector Machine and Decision Tree were used to compare with 3,000 diagnosis note for retrieving correctness, accuracy and recall values. The results were exposed that Naïve Bayes gives the best result. Therefore, this thesis has decided to adopt Naïve Bayes algorithm for developing ICD-10 TM classification model.	en_US
dc.language.iso	th	en_US
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.relation.uri	http://doi.org/10.14457/CU.the.2015.1380
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.subject	ดาต้าไมนิง
dc.subject	การค้นคืนสารสนเทศข้ามภาษา
dc.subject	Data mining
dc.subject	Cross-language information retrieval
dc.title	แบบจำลองการจำแนกไอซีดี-เทน ทีเอ็ม ข้ามภาษาโดยใช้เหมืองข้อความ	en_US
dc.title.alternative	Model for classify ICD-10 TM cross language using text mining	en_US
dc.type	Thesis	en_US
dc.degree.name	วิทยาศาสตรมหาบัณฑิต	en_US
dc.degree.level	ปริญญาโท	en_US
dc.degree.discipline	วิศวกรรมซอฟต์แวร์	en_US
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย	en_US
dc.email.advisor	Krerk.P@Chula.ac.th,krerk.p@chula.ac.th	en_US
dc.email.advisor	chris.cha@chula.ac.th	en_US
dc.identifier.DOI	10.14457/CU.the.2015.1380