iMed အသုံးပြုသူလက်စွဲ
နိဒါန်း
၂.၁။ ရည်ရွယ်ချက်
ဒီရည်ရွယ်ချက် web အပလီကေးရှင်းသည် ဆုံးဖြတ်ချက်ချရာတွင် အသုံးဝင်သော ရလဒ်များကို ပေးသည့်ပုံစံဖြင့် ၎င်းကို ကြိုးကိုင်ခွင့်ပြုရန်ဖြစ်သည်။ ၎င်းသည် မော်ဒယ်တစ်ခုအား ဒေတာအကြမ်းဖြင့် လေ့ကျင့်ရန် သို့မဟုတ် မော်ဒယ်များနှင့် ခွဲခြမ်းစိတ်ဖြာမှုတို့ကို အသုံးပြု၍ ရလဒ်ကို ခန့်မှန်းနိုင်သည်။
၁.၂။ လမ်းကြောင်းပြမီနူး
စာမျက်နှာ၏ထိပ်ရှိ လမ်းညွှန်မီနူးတွင် သင်လိုအပ်ရာသို့သွားရန် လင့်ခ်များအားလုံးကို ကိုင်ဆောင်ထားသည်။ သင် ပျောက်ဆုံးသွားပါက၊ ရင်းနှီးသောစာမျက်နှာသို့သွားရန်၊ အိမ်ပြန်ရန်၊ သို့မဟုတ် လမ်းကြောင်းပြမီနူးအတွင်း သင်ရှာဖွေနေသည့် စာမျက်နှာကို ရှာဖွေရန် နောက်ဘက်မြှားကို အမြဲနှိပ်နိုင်သည်။
၁.၃။ အကောင့်
သင့်တွင်အကောင့်တစ်ခုမရှိသေးပါက၊ လျှောက်လွှာကိုအသုံးပြုရန်စာရင်းသွင်းရပါမည်။ ထိုသို့ပြုလုပ်ရန် ညာဘက်အပေါ်ထောင့်ရှိ အကောင့်ခလုတ်ကို နှိပ်ပြီး မှတ်ပုံတင်မည်ကို နှိပ်ပါ။ ထို့နောက် ဆက်လက်ဆောင်ရွက်ရန် သင့်အသုံးပြုသူအမည်၊ စကားဝှက်နှင့် အီးမေးလ်တို့ကို ထည့်သွင်းပါ။
သင့်တွင်အကောင့်တစ်ခုရှိနှင့်ပြီးပါက သင့်အသုံးပြုသူအမည်နှင့် စကားဝှက်ဖြင့် ဝင်ရောက်ပါ။
ပင်မစာမျက်နှာ
စာမျက်နှာ၏ ဘယ်ဘက်ရှိ အရာများကို နှိပ်ခြင်းဖြင့်၊ တစ်ခုစီ၏ ဖော်ပြချက်သည် စာမျက်နှာ၏ အလယ်တွင် တစ်ခုစီ ပေါ်လာမည် ဖြစ်သည်။
iMedBot
iMedBot အပလီကေးရှင်းသည် အေးဂျင့်များနှင့် လွယ်ကူသော အသုံးပြုသူအပြန်အလှန်ဆက်သွယ်မှုကို မြှင့်တင်ပေးကာ ပုဂ္ဂိုလ်ရေးသီးသန့် ခန့်မှန်းချက်နှင့် မော်ဒယ်လေ့ကျင့်မှုကို ဖွင့်ပေးသည်။ ၎င်းသည် နက်ရှိုင်းသောသင်ယူမှုသုတေသန၏ရလဒ်များကို ဤဒိုမိန်းတွင် ထပ်လောင်းသုတေသနလုပ်ဆောင်မှုများကို လှုံ့ဆော်ပေးနိုင်သည့် အွန်လိုင်းကိရိယာတစ်ခုအဖြစ် ပြောင်းလဲရန် ပထမဆုံးခြေလှမ်းအဖြစ် ဆောင်ရွက်ပါသည်။ ၎င်း၏သက်ဆိုင်ရာအသုံးပြုသူလက်စွဲကိုဒီမှာတွေ့နိုင်ပါသည်။
ဒေတာခွဲခြမ်းစိတ်ဖြာခြင်း။
၄.၁။ အပိုင်းခွဲများကို ပြန်လည်ရယူပါ။
ဤကဏ္ဍသည် သုံးစွဲသူအား ၎င်းတို့၏ဒေတာအတွဲကို တည်းဖြတ်နိုင်စေပါသည်။ ဒေတာအတွဲအသစ်တစ်ခုကို အပ်လုဒ်လုပ်ရန် သို့မဟုတ် ရှိပြီးသားတစ်ခုအား drop-down menu မှ ရွေးချယ်နိုင်သည်။
ဒေတာအတွဲကို အပ်လုဒ်လုပ်ပြီးသည်နှင့် ဘယ်ဘက်အခြမ်းရှိ မီနူးရှိ ရွေးချယ်စရာများထဲမှ တစ်ခုကို နှိပ်ခြင်းဖြင့် သင်လုပ်ဆောင်လိုသည့် လုပ်ဆောင်ချက်ကို ရွေးချယ်နိုင်ပါသည်။
၄.၁.၁။ စစ်ထုတ်မှုများအပေါ်အခြေခံ၍ အပိုင်းခွဲများကို ပြန်လည်ရယူပါ။
ဤကဏ္ဍသည် ပေးထားသော စစ်ထုတ်မှုများအပေါ် အခြေခံ၍ မူရင်းဒေတာအတွဲ၏ သေးငယ်သော အစုခွဲတစ်ခုကို ရယူခွင့်ပြုသည်။ အတွဲခွဲတွင် သင်လိုချင်သော တန်ဖိုးများကို ရွေးပြီး နောက်ဆုံးဒေတာအတွဲတွင် သင်ပြထားသည့် ကော်လံများကို ရွေးပါ။
၄.၁.၂။ စီထားသော ရလဒ်များကို ပြန်ပေးပါ။
၎င်းသည် ဒေတာအတွဲကို အမျိုးအစားခွဲထားသည့်ပုံစံဖြင့် ပြန်ပေးသည်။ ပစ်မှတ်ကော်လံကို ရွေးပါ၊ အစီအစဉ်ကို စီရန်၊ ပြန်ရန် အတန်းအရေအတွက်နှင့် နောက်ဆုံးထွက်ရှိမှုတွင် ပြသရမည့် ကော်လံများ။
၄.၁.၃။ Dataset ကိုချဲ့ထွင်ပါ။
၎င်းသည် အသုံးပြုသူအား အဘိဓာန်တစ်ခုအဖြစ် သိမ်းဆည်းထားသည့် အနည်းကိန်းကော်လံတစ်ခုကို အသုံးပြုပြီးနောက် စီမံခန့်ခွဲနိုင်သည့် အမှန်တကယ်ဇယားတစ်ခုအဖြစ် ချဲ့ထွင်နိုင်စေပါသည်။ ၎င်းသည် nested dataset ကိုယူကာ သုံးစွဲသူမှ လိုအပ်သည်များကို အပေါ်ဆုံးအလွှာသို့ ရွှေ့သည်။ ပထမဦးစွာ၊ nested dataset တစ်ခုပါရှိသော ကော်လံတစ်ခုပါဝင်သော ဒေတာအစုံကို အပ်လုဒ်လုပ်ပါ။ ချဲ့ထွင်ရန် လိုအပ်သည့် ကော်လံကို အလိုအလျောက် တွေ့ရှိပါက၊ ချဲ့ထွင်ရန် မည်သည့်ကော်လံကို ရွေးချယ်ပြီး အစုအဝေး အချက်အလက်မှ ထုတ်ယူရမည့် ကော်လံများကို ရွေးချယ်ပါ။ Submit ကိုနှိပ်ပြီး လုပ်နိုင်ပါပြီ။ view သင်၏အချက်အလက်များကို nested data အစား ဇယားတစ်ခု၏ကော်လံများအဖြစ်။
4.2. ပေါင်းစည်းပါ။ Files
ctrl ကိုနှိပ်ခြင်းဖြင့် ဒေတာအစုံများစွာကို ရွေးချယ်ပြီး အပ်လုဒ်တင်ခြင်းဖြင့် ၎င်းတို့ကို အခြားအရာများအတွက် အသုံးပြုသည်ထက် ပိုကြီးသောဒေတာအတွဲတစ်ခုအဖြစ် ပေါင်းစည်းသွားမည်ဖြစ်သည်။
ဒေတာအစုံအားလုံးကို ရွေးချယ်ပြီး လိုအပ်သော အချက်အလက်များကို ဖြည့်ရုံပါပဲ။ ၎င်းသည် ဒေတာအတွဲအသစ်ကို iMed အပလီကေးရှင်းတွင် သိမ်းဆည်းမည်ဖြစ်ပြီး ထို့နောက် ဒေါင်းလုဒ်လုပ်နိုင်မည်ဖြစ်သည်။
၄.၃။ Plot Functions များ
ဤကဏ္ဍသည် အသုံးပြုသူအား ၎င်းတို့၏ဒေတာအတွဲကို ရေးဆွဲနိုင်စေပါသည်။ ဘယ်ဘက်အခြမ်းရှိ မီနူးရှိ ရွေးချယ်စရာများထဲမှ တစ်ခုကို ရွေးပြီး သင်၏ကြံစည်မှုကို ရယူရန် လိုအပ်သော ကွက်လပ်များကို ဖြည့်ပါ။ အောက်ပါတို့သည် သင့်ဒေတာမှ သင်ပြုလုပ်နိုင်သော မြေကွက်အမျိုးအစားများဖြစ်သည်-
၄.၄။ Statistical Analysis
ဤကဏ္ဍသည် ကျွန်ုပ်တို့၏ဒေတာအတွဲတွင် ကိန်းဂဏန်းစမ်းသပ်မှုများကို လုပ်ဆောင်နိုင်စေပါသည်။ ဘယ်ဘက်အခြမ်းမီနူးမှ လုပ်ဆောင်ရန် စမ်းသပ်မှုတစ်ခုကို ရွေးချယ်ပြီး စမ်းသပ်မှုများကို လုပ်ဆောင်ရန် ကွက်လပ်များကို ဖြည့်ပါ။ အောက်တွင် ရရှိနိုင်သော စမ်းသပ်မှု အမျိုးအစားများမှာ-
ODPAC
၅.၁။ လေ့လာပါ။
ဤစာမျက်နှာတွင် ဤစာမျက်နှာပေါ်ရှိရရှိနိုင်သည့် အရင်းအမြစ်အမျိုးအစားတစ်ခုစီ၏ အကျဉ်းချုပ်ဖော်ပြချက် ပါဝင်သည်။ ကဏ္ဍတစ်ခုစီ၏ ထိပ်ရှိ ခလုတ်ကို နှိပ်ခြင်းဖြင့် အသုံးပြုသူအား အသုံးပြုခွင့် သို့မဟုတ် ခေါင်းစဉ်အကြောင်း ပိုမိုလေ့လာရန် အခြားစာမျက်နှာသို့ လင့်ခ်ပေးမည်ဖြစ်သည်။
၅.၁.၁။ Epistasis
ဤစာမျက်နှာသည် ကျွန်ုပ်တို့အား ဒေတာများမှ လေ့လာရန် ရှာဖွေမှု အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည့် MBS ကို အသုံးပြုခွင့်ပေးသည်။ အတိအကျအားဖြင့်၊ ၎င်းသည် ကျွန်ုပ်တို့အား phenotype ကိုအကျိုးသက်ရောက်သော genes နှစ်ခု သို့မဟုတ် ထို့ထက်ပိုသော အပြန်အလှန်အကျိုးသက်ရောက်မှုကို epistasis ကိုလေ့လာနိုင်စေပါသည်။ ဒါက pro တွေအတွက် အသုံးဝင်ပါတယ်။file မျိုးရိုးဗီဇဆိုင်ရာရောဂါများ။ ဂျီနိုမ်ကျယ်ပြန့်သောအသင်းအဖွဲ့လေ့လာမှုများ (GWAS) တွင်တွေ့ရှိရသော ဘက်ပေါင်းစုံမှ မြင့်မားသောဒေတာများကို သမားရိုးကျနည်းလမ်းများဖြင့် ကိုင်တွယ်ရန် မသင့်တော်ပါ။ Multiple Beam Search (MBS) algorithm သည် အပြန်အလှန်ဆက်သွယ်နေသော မျိုးဗီဇများကို ပိုမိုမြန်ဆန်သောနှုန်းဖြင့် ထောက်လှမ်းနိုင်စေပါသည်။ သင်အသုံးပြုလိုသောဒေတာကို အပ်လုဒ်လုပ်ပြီး လိုအပ်သောအကွက်များကို ထည့်သွင်းပါ။ အသေးစိတ်အချက်အလက်များအတွက် စာတမ်းအပြည့်အစုံကို ဤနေရာတွင် ရှာပါ။
၅.၄။ အန္တရာယ်အချက်များ
ဤစာမျက်နှာသည် ဒေတာများကြား အပြန်အလှန်ဆက်သွယ်မှုများကို လေ့လာရန် IGain ပက်ကေ့ဂျ်ကို အသုံးပြုခွင့်ပေးသည်။ ၎င်းသည် heuristic ရှာဖွေမှုကို အသုံးပြု၍ အမြင့်ဘက်မြင်ဒေတာမှ အပြန်အလှန်တုံ့ပြန်မှုများကို အထူးလေ့လာသည်။ ဤနည်းလမ်းသည် အနိမ့်ပိုင်းဒေတာမှ အပြန်အလှန်တုံ့ပြန်မှုများကို လေ့လာရန် ယခင်က တီထွင်ခဲ့သော Exhaustive_IGain နည်းလမ်းပေါ်တွင် တည်ဆောက်ထားသည်။ ဒေတာကို အပ်လုဒ်လုပ်ပြီး လိုအပ်သော အကွက်များကို ထည့်သွင်းပါ။ IS အဆင့်သတ်မှတ်ချက်များနှင့် iGain အကြောင်း နောက်ထပ်အချက်အလက်များကို ဤနေရာတွင် တွေ့နိုင်ပါသည်။
၅.၁.၃။ ခန့်မှန်းမော်ဒယ်များ
ဤကဏ္ဍသည် စက်သင်ယူမှုမော်ဒယ်များထိပ်တွင် ကြိုတင်တည်ဆောက်ထားပြီးဖြစ်သော ခန့်မှန်းမော်ဒယ်များကို အသုံးပြုမှုကို အရှိန်မြှင့်နိုင်စေပါသည်။ ၎င်းသည် ၎င်းတို့၏ကိုယ်ပိုင်ဒေတာအတွဲကို အသုံးပြု၍ မော်ဒယ်များကို ကြိုတင်ခန့်မှန်းရန် coding နှင့် ယခင်အတွေ့အကြုံများကို အသုံးမပြုဘဲ ၎င်းတို့၏အသုံးပြုမှုကို ခွင့်ပြုသည်။ Logistic၊ Regression၊ Support Vector Machines (SVMs)၊ Decision Trees နှင့် အခြားအရာများစွာ အပါအဝင် သုံးစွဲသူအတွက် ရရှိနိုင်သော ခန့်မှန်းမော်ဒယ်များစွာရှိပါသည်။ ခန့်မှန်းနည်းများစာရင်းအပြည့်အစုံကို စာမျက်နှာ၏ညာဘက်ခြမ်းတွင် ဤနေရာတွင်တွေ့နိုင်သည်။
၅.၂။ အဟော
ဤကဏ္ဍသည် ယခင်က အပ်လုဒ်လုပ်ထားသော မျှဝေထားသော မော်ဒယ်မှ ခန့်မှန်းချက်များကို ခွင့်ပြုသည်။ မပြီးသေးပါက မျှဝေထားသော မော်ဒယ်ကို ဦးစွာ အပ်လုဒ်လုပ်ပါ။ ထို့နောက် မော်ဒယ်အမည်ကို နှိပ်ခြင်းဖြင့် ခန့်မှန်းရန်အတွက် အသုံးပြုမည့် မော်ဒယ်ကို ရွေးချယ်ပါ။ ထို့နောက် အသုံးပြုရန် ခန့်မှန်းမှုပုံစံအတွက် ဒေတာကို အပ်လုဒ်လုပ်ပါ။ ၎င်းကို စာမျက်နှာအောက်ခြေရှိ ဖောင်ကို အသုံးပြု၍ သို့မဟုတ် ဒေါင်းလုဒ်လုပ်နိုင်သော ပုံစံခွက်ကို အသုံးပြု၍ ၎င်းကို ကိုယ်တိုင်လုပ်ဆောင်နိုင်သည်။ နမူနာပုံစံကို အသုံးပြုပါက ဒေတာအတွဲကို အပ်လုဒ်လုပ်ပါ။ file မော်ဒယ်ခန့်မှန်းချက်ကို လက်ခံရရှိရန် Submit ကိုနှိပ်ပါ။
၅.၃။ ဆုံးဖြတ်ချက်ပံ့ပိုးမှု
ဆုံးဖြတ်ချက်ပံ့ပိုးမှုတွင် အမျိုးအစားခွဲခြားမှုကို ပံ့ပိုးပေးကာ စနစ်သို့ ပံ့ပိုးပေးထားသည့် အချက်အလက်မှ ကုသမှုရွေးချယ်မှုများကို လမ်းညွှန်ပေးနိုင်သည်။ လူနာတစ်ဦး၏အင်္ဂါရပ်များအပေါ်အခြေခံ၍ အကောင်းဆုံးကုသမှုလုပ်ထုံးလုပ်နည်းကို အကြံပြုရန် ၎င်းကို ဒေတာများမှ လေ့ကျင့်သင်ကြားထားပါသည်။ Clinical Decision Support Systems (CDSS) နှင့် ပတ်သက်သော နောက်ထပ်အချက်အလက်များကို ဤနေရာတွင် တွေ့နိုင်ပါသည်။
စနစ်အကြံပြုချက်သည် လူနာတစ်ဦး၏အင်္ဂါရပ်များကိုယူဆောင်ကာ ကုသမှုလုပ်ငန်းစဉ်ကို အကြံပြုပြီး 5 နှစ်တွင် metastasis ဖြစ်နိုင်ခြေကို ခန့်မှန်းပေးသည်။ User Intervention သည် အကောင်းဆုံးကုသမှုအစား လက်ရှိကုသမှုအပေါ်အခြေခံ၍ 5 နှစ်တွင် metastasis ၏အနာဂတ်ဖြစ်နိုင်ခြေကိုခန့်မှန်းရန်လူနာ၏အင်္ဂါရပ်များနှင့်ကုသမှုလုပ်ငန်းစဉ်နှစ်ခုလုံးကိုယူသည်။
MBIL
Markov Blanket နှင့် Interactive Risk Factor Learner (MBIL) သည် လူနာတစ်ဦး၏ရလဒ်အပေါ် တိုက်ရိုက်လွှမ်းမိုးမှုရှိသော တစ်ခုတည်းသောနှင့် အပြန်အလှန်တုံ့ပြန်နိုင်သော အန္တရာယ်အချက်များကို လေ့လာသည့် အယ်လဂိုရီသမ်တစ်ခုဖြစ်သည်။ ဤနေရာတွင်ရှိသော MBIL ပက်ကေ့ချ်အတွက် Python Package Index (PyPI) သို့ ပြန်ညွှန်းရန် “go to MBIL” ကိုနှိပ်ပါ။ MBIL အကြောင်းပိုမိုသိရှိလိုပါက BMC Bioinformatics တွင်တွေ့နိုင်ပါသည်။
ဒေတာအစုံများ
ဤကဏ္ဍတွင် အသုံးပြုသူအား ဒေတာအစုံအသစ်များကို ကြည့်ရှုနိုင်ပြီး အပ်လုဒ်လုပ်ရန် ခွင့်ပြုသည်။ web လျှောက်လွှာ။
၇.၁။ ရနိုင်သော ဒေတာအစုံများကို ကြည့်ပါ။
ရနိုင်သော ဒေတာအတွဲများအားလုံးကို ကြည့်ရန် "ရနိုင်သော ဒေတာအတွဲများကို ပြသပါ။" ကိုနှိပ်ပါ။
၇.၂။ ဒေတာအစုံကို အပ်လုဒ်လုပ်ပါ။
ဒေတာအတွဲတစ်ခုကို အပ်လုဒ်လုပ်ရန်၊ “သင့်ဒေတာအတွဲများကို မျှဝေပါ” ကိုနှိပ်ပြီး လိုအပ်သော အချက်အလက်များကို ပေါ်တွင်ဖော်ပြထားသည့်အတိုင်း ဖြည့်စွက်ပါ။ webစာမျက်နှာ။ ပထမဦးစွာ ဒေတာအတွဲကို အပ်လုဒ်လုပ်ပြီး လိုအပ်သော အကွက်များကို ဖြည့်ပါ။
ထို့နောက် အောက်ဖော်ပြပါ ကွက်လပ်များကို ဖြည့်ပါ သို့မဟုတ် စာသားကို အပ်လုဒ်လုပ်ပါ။ file ဖြည့်စွက်ထားသော အချက်အလက်များဖြင့်ampလျှောက်လွှာကို နားလည်နိုင်စေရန် အချက်အလက်များကို စုစည်းပုံအား အောက်တွင်ဖော်ပြထားပါသည်။
မော်ဒယ်များ
ဤကဏ္ဍသည် သုံးစွဲသူအား ၎င်းတို့အတွက် ရနိုင်သော မော်ဒယ်များကို မြင်နိုင်ပြီး မော်ဒယ်တစ်ခုကို မျှဝေခွင့်ပြုသည်။
၈.၁။ ရနိုင်သော မော်ဒယ်အားလုံးကို ကြည့်ပါ။
ရနိုင်သော မော်ဒယ်အားလုံးကို ကြည့်ရန် "ရနိုင်သော မော်ဒယ်များကို ပြပါ" ကို နှိပ်ပါ။
၈.၂။ မော်ဒယ်တစ်ခုမျှဝေပါ။
မော်ဒယ်တစ်ခုကို မျှဝေရန်၊ "Share Your Models" ကိုနှိပ်ပြီး မော်ဒယ်တစ်ခုကို အပ်လုဒ်လုပ်ပါ။ file tensor flow သို့မဟုတ် PyTorch ဖြင့် လေ့ကျင့်ထားသည်။
၈.၂.၁။ ဆက်စပ်ဒေတာအစုံ
ထို့နောက် ခေါင်းစီးများပါ၀င်သည့် ဆက်စပ်ဒေတာအစုံကို အပ်လုဒ်လုပ်သင့်သည်။ ဒေတာအတွဲအတွက် အတန်း/အညွှန်းသည် နောက်ဆုံးကော်လံတွင် ဖြစ်သင့်သည်။
၈.၂.၂။ ခန့်မှန်းသူများနှင့် အတန်းအချက်အလက်
ဒေတာအတွဲတွင် အင်္ဂါရပ်အားလုံးပါဝင်ပါက ဒေတာအတွဲကို အပ်လုဒ်တင်ပြီးနောက် အင်္ဂါရပ်ပုံစံကို ကျော်သွားနိုင်သည်။ သို့သော် ၎င်းတို့အားလုံး မပါဝင်ပါက၊ ဤအချက်အလက်ကို ဖော်ပြချက်တွင် ပေးရပါမည်။ file သို့မဟုတ် အင်္ဂါရပ်ပုံစံအတွင်း။ ကြိုတင်တွက်ဆမှုများနှင့် အတန်းအချက်အလက်များကို သင်မည်ကဲ့သို့ ပေးဆောင်ရန် ရည်ရွယ်ထားကြောင်း ဖော်ပြသည့် drop down မှ ရွေးချယ်မှုကို ရွေးချယ်ပါ။
ဖော်ပြချက်ရွေးချယ်မှုကို အသုံးပြုပါက၊ သင်သည် အကွက်များကို ဖြည့်စွက်နိုင်သည် သို့မဟုတ် စာသားတစ်ခုကို အပ်လုဒ်လုပ်နိုင်သည်။ file ဖြည့်စွက်ထားသော အချက်အလက်များဖြင့်ampအချက်အလက်တွေကို ဘယ်လိုစုစည်းရမလဲဆိုတာကိုတော့ အောက်မှာဖော်ပြထားပါတယ်။
စာရွက်စာတမ်းများ / အရင်းအမြစ်များ
 |
iMed အက်ပ်များ Web လျှောက်လွှာ [pdf] အသုံးပြုသူလက်စွဲ iMed၊ iMed Web လျှောက်လွှာ၊ Web လျှောက်လွှာ |