Bij elk nieuwsbericht de concepten van datamining zorginformatie staan ​​nog hoger op de onderzoeks- en beleidsagenda op dit gebied. Klinische informatie en genetische gegevens in elektronische medische dossiers (EPD's) vormen een belangrijke bron van nuttige informatie voor biomedisch onderzoek, maar het kan moeilijk zijn om er op een bruikbare manier toegang toe te krijgen.

Schrijven in het International Journal of Intelligent Engineering Informatics, Hassan Mahmoud en Enas Abbas van Benha University en Ibrahim Fathy Ain Shams University, in Egypte, bespreek de noodzaak van innovatieve en effectieve methoden om deze enorme hoeveelheid gegevens weer te geven. Ze wijzen erop dat er zowel dataminingtechnieken als op ontologie gebaseerde technieken een belangrijke rol kunnen spelen bij het efficiënt en nauwkeurig opsporen van syndromen bij patiënten. Een syndroom wordt gedefinieerd als een reeks bijkomende medische symptomen en indicatoren die verband houden met een bepaalde ziekte of aandoening.

Het team heeft de stand van de techniek beoordeeld en heeft zich ook gericht op het beoordelen van de bekende dataminingtechnieken zoals beslisbomen (J48), Naïeve Bayes, meerlaags perceptron (MLP), en random forest (RF) technieken en vergeleken hoe goed ze elk presteren in de classificatie van een bepaald syndroom, hartziekte.

Het team concludeert dat in experimenten met een openbare dataset, de RF-classificatie levert de beste prestaties op het gebied van nauwkeurigheid. In de toekomst, ze suggereren dat datamining de gezondheidszorg en de geneeskunde aanzienlijk ten goede zal komen voor het bouwen van een systeem dat een specifiek syndroom kan detecteren.