Tecniche di classificazione basate sull'apprendimento automatico

Convenzionalmente, i medici seguono un processo decisionale cognitivo, la cui adeguatezza si sviluppa con l'esperienza e la conoscenza acquisita dalla letteratura, dalle conferenze ecc. Avere una conoscenza o un'esperienza inadeguata può portare a una diagnosi errata delle malattie e di conseguenza colpire il paziente fisicamente, emotivamente, finanziariamente e così via. Usando le tecniche di data mining, è possibile sviluppare modelli diagnostici accurati che possono essere usati nel processo decisionale clinico. L'adozione di tali modelli nella pratica clinica può garantire un migliore processo decisionale, diminuendo così il tasso di diagnosi errate, minimizzando il disagio, il dolore e l'ansia che è associato a una malattia attraverso la diagnosi precoce e il trattamento. In questa tesi, (i) è stata esplorata la performance degli algoritmi di classificazione standard nell'individuazione della CKD (ii) è stato presentato un nuovo approccio ibrido per diagnosticare accuratamente la CKD e (iii) è stata proposta l'applicazione dell'algoritmo distribuito random forest per sviluppare un modello generalizzato per la diagnosi della CKD.