Bejelentkezés
Magyar
Toggle navigation
Tudóstér
Bejelentkezés
Magyar
Tudóstér
Keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Egyszerű keresés
Összetett keresés
CCL keresés
Böngészés
Saját polc tartalma
(
0
)
Korábbi keresések
CCL parancs
CCL
Összesen 3 találat.
#/oldal:
12
36
60
120
Rövid
Hosszú
MARC
Részletezés:
Rendezés:
Szerző növekvő
Szerző csökkenő
Cím növekvő
Cím csökkenő
Dátum növekvő
Dátum csökkenő
1.
001-es BibID:
BIBFORM087770
035-os BibID:
(Scopus)85085564603
Első szerző:
Bérczes Attila (matematikus)
Cím:
Using Laplacian spectrum to analise the comorbidities network of hemorrhagic stroke / Attila Bérczes, Tamás Bérczes, Imre Varga, Attila Tiba, Judit Zsuga
Dátum:
2019
ISBN:
9781728147932
Tárgyszavak:
Orvostudományok
Elméleti orvostudományok
előadáskivonat
könyvrészlet
Megjelenés:
Proceedings of the 10th IEEE International Conference on Cognitive Infocommunications : CogInfoCom 2019 / szerk. Péter Baranyi. - p. 53-60. -
További szerzők:
Bérczes Tamás (1975-) (informatikus)
Varga Imre (1979-) (fizikus, informatikus)
Tiba Attila (1990-) (informatikus, matematikus)
Zsuga Judit (1973-) (neurológus, pszichoterapeuta, egészségügyi szakmanager)
Internet cím:
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
2.
001-es BibID:
BIBFORM095980
035-os BibID:
(Scopus)85111962776
Első szerző:
Kolozsvári László Róbert (háziorvos)
Cím:
Predicting the epidemic curve of the coronavirus (SARS-CoV-2) disease (COVID-19) using artificial intelligence : an application on the first and second waves / Laszló Róbert Kolozsvári, Tamás Bérczes, András Hajdu, Rudolf Gesztelyi, Attila Tiba, Imre Varga, Ala'a B. Al-Tammemi, Gergő József Szöllősi, Szilvia Harsányi, Szabolcs Garbóczy, Judit Zsuga
Dátum:
2021
ISSN:
2352-9148
Tárgyszavak:
Orvostudományok
Egészségtudományok
idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
COVID-19
SARS-CoV-2
artificial intelligence
Megjelenés:
Informatics in Medicine Unlocked. - 25 (2021), p. 1-13. -
További szerzők:
Bérczes Tamás (1975-) (informatikus)
Hajdu András (1973-) (matematikus, informatikus)
Gesztelyi Rudolf (1969-) (kísérletes farmakológus)
Tiba Attila (1990-) (informatikus, matematikus)
Varga Imre (1979-) (fizikus, informatikus)
Al-Tammemi, Ala'a B. (1988-) (PhD hallgató)
Szőllősi Gergő József (1991-) (népegészségügyi ellenőr, népegészségügyi szakember)
Kolozsváriné Harsányi Szilvia (1983-) (okleveles egészségpolitikai szakértő)
Garbóczy Szabolcs (1989-)
Zsuga Judit (1973-) (neurológus, pszichoterapeuta, egészségügyi szakmanager)
Internet cím:
Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
3.
001-es BibID:
BIBFORM122301
035-os BibID:
(scopus)85197929986 (wos)001256629700001
Első szerző:
Tiba Attila (informatikus, matematikus)
Cím:
Predicting Stroke Risk Based on ICD Codes Using Graph-Based Convolutional Neural Networks / Tiba Attila, Bérczes Tamás, Bérczes Attila, Zsuga Judit
Dátum:
2024
ISSN:
2227-7390
Megjegyzések:
In recent years, convolutional neural networks (CNNs) have emerged as highly efficient architectures for image and audio classification tasks, gaining widespread adoption in state-of-the-art methodologies. While CNNs excel in machine learning scenarios where the data representation exhibits a grid structure, they face challenges in generalizing to other data types. For instance, they struggle with data structured on 3D meshes (e.g., measurements from a network of meteorological stations) or data represented by graph structures (e.g., molecular graphs). To address such challenges, the scientific literature proposes novel graph-based convolutional network architectures, extending the classical convolution concept to data structures defined by graphs. In this paper, we use such a deep learning architecture to examine graphs defined using the ICD-10 codes appearing in the medical data of patients who suffered hemorrhagic stroke in Hungary in the period 2006-2012. The purpose of the analysis is to predict the risk of stroke by examining a patient`s ICD graph. Finally, we also compare the effectiveness of this method with classical machine learning classification methods. The results demonstrate that the graph-based method can predict the risk of stroke with an accuracy of over 73%, which is more than 10% higher than the classical methods.
Tárgyszavak:
Természettudományok
Matematika- és számítástudományok
idegen nyelvű folyóiratközlemény külföldi lapban
folyóiratcikk
ICD-10 codes
graph convolutional neural network
stroke prediction
Megjelenés:
Mathematics. - 12 : 12 (2024), p. 1-15.-
További szerzők:
Bérczes Tamás (1975-) (informatikus)
Bérczes Attila (1972-) (matematikus)
Zsuga Judit (1973-) (neurológus, pszichoterapeuta, egészségügyi szakmanager)
Pályázati támogatás:
EFOP-3.6.2-16-2017-00015
EFOP
TKP2021-NKTA-34
Egyéb
ÚNKP-19-3-I.
Egyéb
Internet cím:
Szerző által megadott URL
DOI
Intézményi repozitóriumban (DEA) tárolt változat
Borító:
Saját polcon:
Rekordok letöltése
1
Corvina könyvtári katalógus v10.1.21-SNAPSHOT
© 2024
Monguz kft.
Minden jog fenntartva.