چکیده مقاله
Selecting the right infertility treatment requires analyzing a wide set of clinical, hormonal, and laboratory factors Machine learning, with its ability to detect patterns in complex multidimensional data, has become a valuable tool for predicting treatment success This study provides a structured review of recent research on artificial intelligence in infertility care and builds a preliminary predictive model using real patient dataData were cleaned, normalized, checked for redundancy, and screened for outliers before modeling A Random Forest algorithm was used to estimate the success probability of IVF and IUI Hyperparameters were optimized with GridSearchCV Five fold cross validation showed an average accuracy of ۸۴ ۶۷ percent for IVF and ۹۰ ۲۸ percent for IUI These results highlight the ability of machine learning to uncover hidden relationships among treatment related variables Finally, a proposed framework for an adaptive and interpretable clinical decision support system is introduced
کلیدواژهها
نویسندگان
Zeinab Torabi
Department of Computer Engineering, National University of Skills, Tehran, Iran Corresponding Author
رزومه علمی کاربران
درباره سیویلیکاتبلیغات در سیویلیکاآمار علمی ایرانتقویم علمی ایرانداده کاوی مقالاتطرح های پژوهشی
شیوه ارجاع
در صورتی که می خواهید در اثر پژوهشی خود به این مقاله ارجاع دهید، به سادگی می توانید از عبارت زیر در بخش منابع و مراجع استفاده نمایید: Torabi، Zeinab،1404،A Data Driven Machine Learning Framework for Optimal Treatment Selection in Infertility Management (IVF and IUI)،ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی،همدان،https://civilica.com/doc/2585633
ارائهشده در
مجموعه مقالات ششمین همایش بین المللی مهندسی کامپیوتر، برق و تکنولوژی2 اسفند 1404 · همدان