Εργασία01:(Ειρήνη Λυγκώνη)

Ερευνητική εφαρμογή

Σε μια Μονάδα Εντατικής Θεραπείας, οι γιατροί υπολογίζουν κάποια scores (scoring systems APACHE II, SAPS, SOFA) που βρίσκουν πόσο κρίσιμη είναι η κατάσταση των ασθενών για κάθε μέρα που έχουν εισαχθεί στην Εντατική και ποιά είναι η προβλεπόμενη πιθανότητα θνησιμότητά τους. Καθένα από αυτά τα scores εξάρτώνται από πολλούς παράγοντες (βιοχημικές και ζωτικές μετρήσεις των ασθενών).Με την βοήθεια των τεχνικών του data mining θα μπορούσε να γίνει σύγκριση αυτών των scores έτσι ώστε να βρεθεί το πιο αξιόπιστο ή ακόμα να γίνει μείωση των παράγοντων των ήδη υπάρχουσων scores έτσι ώστε να δημιουργθεί εκ νέου ένα  score το οποίο θα έχει πρακτική και κλινική εφαρμογή.

Επιχειρηματική εφαρμογή

Έστω ότι η Ελληνική κυβέρνηση θέλει να βελτιώσει τα online services που διαθέτει σε διάφορες υπηρεσίες της (π.χ. ΚΕΠ, ΟΑΕΔ). Για να γίνει αυτό όμως πρέπει πρώτα να καταλάβει πώς οι πολίτες της αντιλαμβάνονται και αξιολογούν τα online services. Αυτό ονομάζεται egov service quality. Έτσι αναθέτει σε μια ομάδα ερευνητών να αναπτύξουν ένα εργαλείο (ερωτηματολόγιο) το οποίο θα αξιολογεί και θα μετράει την ποιότητα της εξυπηρέτησης του πολίτη από  egovernment sites ή portals. Με την συγκέντρωση της πληροφορίας αυτής, οι τεχνικές του data mining (Jackknife, KMeans, bootstrap etc.) θα είναι πολύ χρήσιμες.

Advertisements

2 responses to “Εργασία01:(Ειρήνη Λυγκώνη)

  1. Καλές ιδέες, βαθμολογία 5/5.

    Πέραν της ‘αξιολόγησης’, η συγκέντρωση διαφόρων μεταβλητών για σημαντικό αριθμό ασθενών μπορεί να οδηγήσει σε ανάπτυξη αξιόπιστου εργαλείου απόφασης, σε υποστηρικτικό πάντα ρόλο, που να αναδεικνύει κρίσιμους παράγοντες ή συνδυασμούς αυτών ή και να επιχειρεί τη μοντελοποίηση των επιλογών των ιατρών.

    Περί του δεύτερου παραδείγματος, εν γένει η εφαρμογή τεχνικών DM σε δεδομένα από ερωτηματολόγια είναι ιδιαίτερα ελκυστική, και ευρεία. Φανταστείτε πως, εκεί που κάποιος ως τώρα παρουσιάζει σαν αποτελέσματα διαγράμματα συχνότητας και μόνο, ουσιαστικά παραθέτοντας τα αποτελέσματα χωριστά ανά μεταβλητή, με χρήση DM θα μπορεί να ανασύρει κανόνες ‘αγοραστικής’ συμπεριφοράς που θα εμπλέκουν πολλές μεταβλητές και θα αναδεικνύουν πολύτιμα μοτίβα, ανεξερεύνητα σε κάθε άλλη περίπτωση.

  2. Pingback: Εργασία 01: Βαθμολόγηση « Data Mining, a Course by Blog

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s