Urinary organic acids spectra in children with altered gut microbiota composition and autistic spectrum disorder

2021 ◽  
pp. 1-7
Author(s):  
Zanda Daneberga ◽  
Miki Nakazawa-Miklasevica ◽  
Egija Berga-Svitina ◽  
Daiga Murmane ◽  
Dana Isarova ◽  
...  
Keyword(s):  
Gut Microbiota ◽  
Organic Acids ◽  
Autistic Spectrum Disorder ◽  
Spectrum Disorder ◽  
Microbiota Composition ◽  
Autistic Spectrum ◽  
Urinary Organic Acids ◽  
Gut Microbiota Composition

scholarly journals Sex-related alterations of gut microbiota composition in the BTBR mouse model of autism spectrum disorder

2017 ◽  
Vol 7 (1) ◽  
Author(s):  
Lorena Coretti ◽  
Claudia Cristiano ◽  
Ermanno Florio ◽  
Giovanni Scala ◽  
Adriano Lama ◽  
...  
Keyword(s):  
Autism Spectrum Disorder ◽  
Mouse Model ◽  
Gut Microbiota ◽  
Autism Spectrum ◽  
Spectrum Disorder ◽  
Microbiota Composition ◽  
Btbr Mouse ◽  
Gut Microbiota Composition

PERMODELAN PREDIKTIF AUTISTIC SPECTRUM DISORDER DENGAN ALGORITMA C.45

2018 ◽  
Vol 15 (2) ◽  
pp. 99
Author(s):  
Oktafian Farhan ◽  
Agus Subekti
Keyword(s):  
Autistic Spectrum Disorder ◽  
Spectrum Disorder ◽  
Data Set ◽  
Autistic Spectrum

Autisme merupakan disabilitas perkembangan yang dialami sepanjang hidup penderita Autistic Spectrum Disorder (ASD). Semakin cepat ditangani, semakin besar kemungkinan anak akan kembali normal. Untuk alasan ini, diperlukan metode baru yang dapat membantu orang tua dengan cepat mengenali gejala autisme pada anak-anak mereka. Dalam studi sebelumnya yang dilakukan oleh Fadi Fayez Tabhtah, suatu data set dihasilkan untuk mendeteksi apakah seorang anak memiliki autisme atau tidak. Tetapi penelitiannya hanya menghasilkan data set, ia tidak memeriksa lebih lanjut dimana algoritma cocok untuk data set yang telah dihasilkan. Atribut data set ternyata memiliki nilai yang salah, yang mengundang pertanyaan tentang keakurasian data. Dalam penelitian ini peneliti menggunakan metode CRISP-DM dan menguji keakuratan data set penelitian sebelumnya menggunakan algoritma C.45. Selanjutnya, aplikasi WEKA menggunakan pemilihan fitur dan pengaruh dari nilai yang salah untuk setiap atribut dan menemukan atribut yang paling signifikan. Atribut-atribut ini kemudian diuji dengan algoritma C.45 sehingga model prediksi dari data set diperoleh. Atribut A6 dari perhitungan pohon keputusan tidak muncul sama sekali sebagai cabang. Sebuah model baru diperoleh di mana atribut A6 dihilangkan, sehingga ketika diukur oleh algoritma C.45, nilai akurasi yang lebih baik diperoleh. Hasil model baru kemudian diuji pada data kuesioner baru, yang menghasilkan prediksi yang tepat.

Sign in / Sign up

Export Citation Format

Share Document