Indexé dans
  • Base de données des revues académiques
  • Ouvrir la porte J
  • Genamics JournalSeek
  • JournalTOCs
  • RechercheBible
  • Répertoire des périodiques d'Ulrich
  • Bibliothèque des revues électroniques
  • RechercheRef
  • Université Hamdard
  • EBSCO AZ
  • OCLC - WorldCat
  • érudit
  • Catalogue en ligne SWB
  • Bibliothèque virtuelle de biologie (vifabio)
  • Publions
  • MIAR
  • Fondation genevoise pour la formation et la recherche médicales
  • Pub européen
  • Google Scholar
Partager cette page
Dépliant de journal
Flyer image

Abstrait

La dengue sous l'angle des algorithmes de clustering

Kamran Shaukat1*, Nayyer Masood2, Ahmed Bin Shafaat1, Kamran Jabbar1, Hassan Shabbir1 et Shakir Shabbir1

La dengue est une maladie transmise et causée par les moustiques Aedes Aegypti. La dengue est devenue un problème de santé grave dans le monde entier, en particulier dans les pays situés dans les régions tropicales ou subtropicales, car la pluie est un facteur important de croissance et d'augmentation de la population de moustiques transmetteurs de la dengue. Depuis longtemps, les algorithmes d'exploration de données sont utilisés par les scientifiques pour le diagnostic et le pronostic de différentes maladies, dont la dengue. Il s'agissait d'une étude visant à analyser l'attaque de la dengue dans différentes zones du district de Jhelum, au Pakistan, en 2011. À notre connaissance, nous n'avons connaissance d'aucune sorte d'étude de recherche dans la région du district de Jhelum pour le diagnostic ou l'analyse de la dengue. Selon nos informations, nous sommes les premiers à rechercher et à analyser la dengue dans cette zone spécifique. L'ensemble de données a été obtenu auprès du bureau du responsable exécutif du district EDO (santé) du district de Jhelum. Nous avons appliqué l'algorithme DBSCAN pour le regroupement de la dengue. Nous avons d'abord montré le comportement global de la dengue dans le district de Jhelum. Nous avons ensuite expliqué la dengue au niveau du tehsil à l'aide d'images géographiques. Après cela, nous avons élaboré une comparaison de différents algorithmes de clustering à l'aide de graphiques basés sur notre ensemble de données. Ces algorithmes incluent k-means, K-mediods, DBSCAN et OPTICS.

Avertissement: Ce résumé a été traduit à l'aide d'outils d'intelligence artificielle et n'a pas encore été examiné ni vérifié