Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

English (EN)·Polski (PL)·Yкраїнський (UK)
Przejdź do strony domowej biblioteki Centralna Biblioteka Wojskowa Link otwiera się w nowym oknie Logo biblioteki Prolib Integro - strona głównaCentralna Biblioteka Wojskowa

Wyszukujesz frazę "Oniśko, A." wg kryterium: Autor

  Lista filtrów
Wyrównaj
    Wyświetlanie 1-4 z 4
    Tytuł:
    Application of dynamic Bayesian networks to risk assessmnet in medicine
    Zastosowanie dynamicznych rozkładów Gaussowskich przy pomocy algorytmu ewolucji różnicowej
    Autorzy:
    Oniśko, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/341045.pdf
    Data publikacji:
    2010
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    dynamiczne sieci bayesowskie
    wyznaczanie ryzyka w medycynie
    dynamic Bayesian networks
    risk assessment in medicine
    Opis:
    Dynamic Bayesian networks (DBNs) offer a framework for explicit modeling of temporal relationships, and are useful as both prognostic and diagnostic tools. In medicine, for example, they can assist in planning treatment options or in clinical management of patients. They have been also widely applied to genomics and proteomics. This paper shows how dynamic Bayesian networks can be used in a risk assessment in medicine and presents an example of an application to cervical cancer screening. The model is a convenient tool for assessing the risk of cervical precancer and invasive cervical cancer over time. These quantitative risk assessments are helpful for establishing the optimal timing of follow-up screening and are the first step toward generating individualized reevaluation scheduling.
    Dynamiczne sieci bayesowskie (DBNs) pozwalają na modelowanie zależności czasowych. Modele te są niejednokrotnie używane w prognostyce. Na przykład w medycynie, jako narzędzia do prognozowania czy też planowania terapii. Dynamiczne siecibayesowskie sa˛ też szeroko stosowane w genomice oraz w proteomice. Atrykuł ten opisuje, w jaki sposób dynamiczne sieci bayesowskie mogą być zastosowane w wyznaczaniu ryzyka w medycynie. W pracy przedstawiono przykład zastosowania dynamicznych sieci bayesowskich w profilaktyce raka szyjki macicy. Prezentowany model został zbudowany w oparciu o dwa źródła wiedzy: opinie eksperta oraz dane medyczne. Model ten pozwala na wyznaczanie ryzyka zachorowania na raka szyjki macicy. Wartości ryzyka wyznaczane przez model pozwalają na określenie optymalnego czasu wykonania kolejnych badań przesiewowych oraz na zindywidualizowanie procesu profilaktyki.
    Źródło:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2010, 5; 35-49
    1644-0331
    Pojawia się w:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Bayesian Network Modeling in Discovering Risk Factors of Dental Caries in Three-Year-Old Children
    Autorzy:
    Łaguna, W.
    Bagińska, J.
    Oniśko, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/1918880.pdf
    Data publikacji:
    2019-08-26
    Wydawca:
    Uniwersytet Medyczny w Białymstoku
    Tematy:
    dental caries
    Bayesian network
    learning from data
    risk assessment
    Opis:
    Purpose - The aim of this study was to use probabilistic graphical models to determine dental caries risk factors in three-year-old children. The analysis was conducted on the basis of the questionnaire data and resulted in building probabilistic graphical models to investigate dependencies among the features gathered in the surveys on dental caries. Materials and Methods - The data available in this analysis came from dental examinations conducted in children and from a questionnaire survey of their parents or guardians. The data represented 255 children aged between 36 and 48 months. Self-administered questionnaires contained 34 questions of socioeconomic and medical nature such as nutritional habits, wealth, or the level of education. The data included also the results of oral examination by a dentist. We applied the Bayesian network modeling to construct a model by learning it from the collected data. The process of Bayesian network model building was assisted by a dental expert. Results - The model allows to identify probabilistic relationships among the variables and to indicate the most significant risk factors of dental caries in three-year-old children. The Bayesian network model analysis illustrates that cleaning teeth and falling asleep with a bottle are the most significant risk factors of dental caries development in three-year-old children, whereas socioeconomic factors have no significant impact on the condition of teeth. Conclusions - Our analysis results suggest that dietary and oral hygiene habits have the most significant impact on the occurrence of dental caries in three-year-olds.
    Źródło:
    Progress in Health Sciences; 2019, 1; 118-125
    2083-1617
    Pojawia się w:
    Progress in Health Sciences
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Knowledge acquisition from human experts for building bayesian network models
    Pozyskiwanie wiedzy od ekspertów w budowaniu modeli sieci bayesowskich
    Autorzy:
    Oniśko, A.
    Powiązania:
    https://bibliotekanauki.pl/articles/341063.pdf
    Data publikacji:
    2007
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    pozyskiwanie wiedzy
    inżynieria wiedzy
    sieci bayesowskie
    knowledge acquisition
    Bayesian network
    parameter elicitation
    Opis:
    Knowledge acquisition from experts is a costly and time-consuming task. While domain experts have the necessary knowledge and expertise, they rarely have the experience needed to translate this knowledge into the model. This paper describes typical problems that are encountered by knowledge engineers when building Bayesian network models and illustrates some practical techniques to overcome them. The presented examples capture the problems that occurred during elicitation the numerical parameters of the model for diagnosis of liver disorders.
    Pozyskiwanie wiedzy od ekspertów jest kosztownym i czasochłonnym zadaniem. Pomimo ogromnej wiedzy i doświadczenia, jakie posiadają eksperci, niejednokrotnie nie potrafią ich przenieść na tworzony model. Poniższy artykuł opisuje przykłady problemów, z jakimi może się zetknąć inżynier wiedzy w trakcie budowania modeli sieci bayesowskich, jak również proponuje rozwiązania tych problemów. Prezentowane przykłady dotyczą problemów, jakie pojawiły się w trakcie pozyskiwania od eksperta parametrów numerycznych modelu sieci bayesowskiej do diagnozowania chorób wątroby.
    Źródło:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka; 2007, 2; 109-119
    1644-0331
    Pojawia się w:
    Zeszyty Naukowe Politechniki Białostockiej. Informatyka
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
    Tytuł:
    Probabilistic graphical model supporting early diagnosis of autism spectrum disorder
    Probabilistyczny model wspierający wczesne diagnozowanie autyzmu
    Autorzy:
    Szczygieł, J.
    Oniśko, A.
    Świderska, J.
    Krysiewicz, E.
    Sienkiewicz, J.
    Powiązania:
    https://bibliotekanauki.pl/articles/88424.pdf
    Data publikacji:
    2014
    Wydawca:
    Politechnika Białostocka. Oficyna Wydawnicza Politechniki Białostockiej
    Tematy:
    sieci bayesowskie
    diagnozowanie medyczne
    autyzm
    Opis:
    Bayesian networks are recognized as a suitable tool for modelling diagnostic problems. The power of this modelling is that it can combine knowledge coming from different sources. For example, in case of medical domain, the expert knowledge can be merged along with the medical data. This paper presents a Bayesian network model for early diagnosis of autism. The model was built based on the medical literature and then was revised by two domain experts. Our tool is dedicated to parents that can perform an early diagnosis of their child before visiting a specialist.
    Sieci bayesowskie są często używanym narzędziem w rozwiązywaniu problemów diagnostycznych. Jedną z zalet tego narzędzia jest mozliwość łączenia wiedzy pochodzącej z różnych źródeł. Na przykład, wiedza ekspertów może być połączona z danymi. W naszym artykule prezentujemy model sieci bayesowskiej wspomagający wczesne diagnozowanie autyzmu. Model został zbudowany w oparciu o literaturę medyczną, a następnie zweryfikowany przez ekspertów. Narzędzie, które stworzyliśmy jest dedykowane rodzicom, którzy mogą dokonać wstępnej diagnozy zanim skontaktują się ze specjalistą.
    Źródło:
    Advances in Computer Science Research; 2014, 11; 151-164
    2300-715X
    Pojawia się w:
    Advances in Computer Science Research
    Dostawca treści:
    Biblioteka Nauki
    Artykuł
      Wyświetlanie 1-4 z 4

      Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies