Л.Пүрэвдолгор
Loading...
Товч нэр
Л.Пүрэвдолгор
Бүтэн нэр
Лувсанцэрэн Пүрэвдолгор
Латин нэр
Luvsantseren Purevdolgor
Албан тушаал
Ахлах багш
Боловсролын зэрэг
Доктор (Ph.D)
Харьяалал
Scopus Author ID
12 results
Now showing 1 - 10 of 12
- Some of the metrics are blocked by yourconsent settings
Item type:Publication, Health Informatics Curriculum Implication Development and Trend(2024-10-03); ; ; ; Akhit TileubaiIn Mongolia, about twenty IT departments operate in level I, II, and III hospitals. Mongolian National University of Medical Sciences (MNUMS) has already released 14 IT classes, and as a result, we propose to study the effectiveness and implementation of the program. They were asked questions on workplace weaknesses and strengths, employment requirements, compatibility, or evaluation of the specialist's knowledge and skills, the specialist's market demands, and future attitudes in the survey. A database was created for the satisfaction survey and other questionnaires, and its cluster analysis was conducted using MS Excel. Five satisfaction levels were utilized to assess responses: “excellent,” “good,” “moderate,” “bad,” and “very bad.”. The program's graduates were surveyed using a simple random sampling method. The 84.5% of graduates, according to the labor market share study, are employed by the Department of Health, hospitals II and III levels, and other academic institutions. Additionally, 68% of graduates are employed in jobs related to informatics, health specialists, and network engineering, respectively. The 85 percent of employers expressed satisfaction as “excellent” or "good." In terms of how well they match market demands, acquired knowledge and skills, and contemporary development trends, 53% of all courses have an average level of satisfaction, and 47% have a level of satisfaction that is below average. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Өсвөр үеийнхний сэтгэл хөдлөл, зан үйлийн машин сургалтын загваруудыг харьцуулсан дүн(2025-01-01) ;Г.Батнаст; ; ; В.БаярмааҮндэслэл: Дэлхийн хэмжээнд 10-19 насныхны 13% сэтгэцийн эмгэгтэй байна. 2020 оны байдлаар 19 хүртэлх насны 1.289.587 хүүхэд байгаа нь 2015 оныхоос 0.9%-иар өссөн үзүүлэлттэй. 2013 оны өсвөр үеийнхний судалгаагаар эрүүл саруул 60.5%, сэтгэл хөдлөл, зан үйлийн асуудалтай 30.5%, эмгэгтэй 9% байна. Говь-Алтай аймагт (2018-2019 он) хийсэн судалгаагаар 58.6% эрүүл, 36.1% асуудалтай, 5.2% эмгэгтэй байна. Олон улсад өсвөр үеийнхний сэтгэцийн эрүүл мэндийг 8 ^ ^ асуулгаар үнэлэн, хиймэл оюуны аргаар таамагласан судалгааны ажлууд нилээд бий болж байна. Монгол улсын хувьд сэтгэцийн эрүүл мэндийн салбарт цугларсан их өгөгдөлд хиймэл оюун, машин сургалтын аргаар тооцоолсон судалгааны ажил хомс байгаа нь энэхүү судалгааны ажлыг гүйцэтгэх үндэслэл болж байна. Зорилго: Өсвөр насныхны сэтгэл хөдлөл, зан үйлийн машин сургалтын загваруудыг харьцуулах. Арга, аргачлал: Эрүүл Мэндийн Яамны Анагаах Ухааны Ёс Зүйн Хяналтын Хорооны 2022 оны 262 тоот тогтоолоор тус судалгааг хэрэгжүүлэх зөвшөөрөл авсан. СЭМҮТ-тэй хамтран Говь-Алтай аймгийн 6-12 дугаар ангийн 3764 сурагч, тэдний асран хамгаалагч, ангийн багшийн “Хүчтэй ба сул талын тухай-8^^” асуумжаар өгөгдөл цуглуулан, сурагч, асран хамгаалагч, ангийн багш тус бүрийн өгөгдлийн сан үүсгэсэн. Сурагчийн санг машин сургалтын С50, бейс, дүрэмд үндэслэсэн аргуудаар шинжлэн, загварууд үүсгэн, загварын гүйцэтгэлийг үнэлэх хэмжүүрээр үнэлэн, харьцууллаа. Үр дүн: Судалгаанд хамрагдсан сурагчдын сэтгэл хөдлөлийн толгой өвдөх, олон зүйлд санаа зовох, аз жаргалгүй байх зэрэг шинж тэмдгээс эмгэг үүсэх магадлал 0.57, амархан айх, шинэ нөхцөл байдалд сандрахад зааг буюу сэтгэл хөдлөл, зан үйлийн тулгамдсан асуудал үүсэх магадлал 0.55 байна.Зан үйлийн хувьд уур уцаартай, дуулгаваргүй, бусад хүүхдүүдтэй зодолддог, гэр, сургууль, бусад газраас хулгай хийдэг зэрэг үзүүлэлтээс тулгамдсан асуудал үүсэх магадлалтай (0.67) байна. Хэт идэвхтэй байдлын тайван бус, анхаарал сарних зэрэг хүчин зүйлээс хамааран сэтгэл хөдлөл, зан үйлийн тулгамдсан асуудал үүсэх магадлал 0.65, эмгэг нь байнга эргэлзэх, үйлдэл хийхээсээ өмнө аливааг тунгаахгүй, даалгавраа эцэс хүртэл нь хийхгүй зэрэг шинж тэмдгээс шалтгаалан үүсэх магадлалтай. Үе тэнгийнхний харилцааны хувьд ганц дотны найзтай, бусдад таалагдахгүй зэрэг үзүүлэлтээс эмгэг, ихэнхдээ ганцаараа тоглох, дарамтлуулах, томчуудтай байх амар зэрэг шинж тэмдгээс сэтгэл хөдлөл, зан үйлийн тулгамдсан асуудал үүсэх магадлалтай. Дүгнэлт: Хөндлөн баталгаажуулалт нь НоШ-Ои1 аргаас 10-12% илүү загварын гүйцэтгэлийн хэмжүүрүүдийн үр дүн үзүүлсэн нь өгөгдлийн хэмжээ ихсэхэд хөндлөн баталгаажуулалт илүү үр дүнтэй болохыг харуулж байна. С50 алгоритмаар тооцсон загварын гүйцэтгэлийн хэмжүүрүүд бейсийн загвараас маш бага 1% илүү байсан ч хэт олон салаатай мод үүсэж, тайлбарлахад хүндрэлтэй байсан. Статистик ач холбогдлын шалгуураар загваруудын хооронд ялгаа гараагүй тул тайлбарлахад хялбар, маш бага зөрүүтэй бейсийн загвараар үр дүнг илтгэсэн. Энэ нь өгөгдлийн сангийн мөр болон аттрибутын тоог ихэсгэхэд бейсийн арга сайн ажиллаж буйг харуулж байна. Өгөгдлийн тандалт Ангилал Гүйцэтгэлийн хэмжүүр Статистик туршилт - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Холбоо хамаарлын дүрэм: Ахмад настнуудын дундах хавсарсан архаг өвчлөл(2025-05-05) ;О.Ууганбаяр; ; ; Б.ОдгэрэлҮндэслэл: Дэлхийн хүн амын насжилт нь дэлхий нийтийн эрүүл мэндийн чиг хандлагыг тодорхойлдог. Нийслэлийн эрүүл мэндийн газрын 2021 оны тайланд тусгаснаар Монгол улсын хүн амын дундаж наслалт 71.3 жил (эрэгтэй 67.3, эмэгтэй 76.7) ба наслалтын зөрүү 9.4 жил бөгөөд 60 болон түүнээс дээш настай ахмад настан нийт хүн амын 8.1%-ийг эзэлж байна. Мөн энэхүү тайланд нийт амбулаторийн үзлэгийн 6.5% нь 6064 насныхан, 9% нь 65 ба түүнээс дээш насныхан хамрагдаж байгааг тодорхойлсон байгаа нь эрүүл мэндийн тусламж үйлчилгээг хангалттай сайн авч чадахгүй байгааг харуулсан. Иймээс ахмад настны эрүүл мэнд, амьдралын чанарыг сайжруулахын тулд тэдэнд үзүүлэх эрүүл мэндийн тусламж үйлчилгээний хүртээмжийг нэмэгдүүлэх, чанаржуулах нь чухал болоод байна. Ахмад настнуудын дунд зонхилон тохиолдож буй хавсарсан өвчлөл нь эрүүл мэндийн салбарын тулгамдсан асуудлын нэг хэвээр байгаа нь энэхүү судалгааг хийх үндэслэл боллоо. Зорилго: Хот болон хөдөөд ахмад настнуудын дунд зонхилон тохиолдож буй хавсарсан өвчлөлийн тархалт болон эрсдэлт хүчин зүйлсийг судлах. Арга, аргачлал: Судалгаанд Улаанбаатар хот болон хөдөө орон нутгийн жар болон түүнээс дээш насны 720 ахмадаас амьдралын хэв маягийн 156, өвчлөлийн түүхийн 18 асуумж судалгаа авч, мэдээллийн санг үүсгэв. Энэхүү мэдээллийн санд зонхилон тохиолдох архаг өвчлөлийн хамаарлыг тогтоохдоо Априори алгоритмаар SPSS-24.0 Python программд бодов. Хөндлөн огтлолын судалгааг хийхдээ Персоны корреляцийн коэффициентоор тоон үзүүлэлт хоорондын хамаарал, хүчин зүйлүүдийн нөлөөлөх нөлөөллийг нэг болон олон хүчин зүйлийн шугаман (β-коэффициент) болон бинар логистик регрессийн (odds ratio, CI 95%) аргаар тодорхойлж, ач холбогдлын түвшнийг р утга 0.05-аас бага байхад статистик ач холбогдолтой гэж тооцсон. Үр дүн: Хавсарсан өвчлөлийн тархалт нь хот (48.1%), хөдөө орон нутагт (51.9%) өндөр байгаа бөгөөд насжилт (хот OR: 2.45, 95% CI: 0.9-6.2; хөдөө OR: 6.35, 95% CI:1.47-27.4, p<0.01) нь хавсарсан өвчлөлөөр өвдөх эрсдэлт хүчин зүйл болж байв. Бид хавсарсан өвчлөлийг 2 болон түүнээс дээш архаг өвчлөлийн хослол гэж үзсэн бөгөөд 3, 4, 5 төрлийн архаг өвчлөл хавсарсан байх магадлал өндөр буюу нийт архаг өвчлөлтэй ахмадын 28,7% (165) байна. Хоёр архаг өвчлөлөөр хавсран өвчлөх нь 11 төрлийн хамаарал хотод, 18 төрлийн хамаарал хөдөө орон нутагт үүсэж (support (A→В)>3%, confidence (A→В)>30%, lift (A→В)>1) байна. Дүгнэлт: Хавсарсан өвчлөл нь хот болон хөдөөд орон нутагт ялгаатай бөгөөд хавсарсан өвчлөлийг үүсгэж буй архаг өвчлөлийн хавсралыг хоёр архаг өвчлөлийн хавсралаар судлахад 11 төрлийн хамаарал хотод, 18 төрлийн хамаарал хөдөө орон нутагт байна. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, C5.0 алгоритмд суурилсан сэтгэл ханамжийн ангиллын дүрэмт загварын судалгаа(2026-03-30) ;Б.Одгэрэл; ; ;Ч.БаасандоржҮндэслэл: Likert төрлийн асуулгад суурилсан өгөгдлийг сэтгэл ханамжийг үнэлэхэд өргөн ашигладаг боловч бодит хэрэглээнд зөвхөн ангиллын өндөр нарийвчлал бус, загварын тайлбарлах чадвар чухал шаардлагатай болдог. Дүрэмд суурилсан машин сургалтын аргууд нь эдгээр хоёр шаардлагыг зэрэг хангах боломж олгодог. Сүүлийн жилүүдэд машин сургалтын аргуудыг ашиглан ангилал, таамаглал хийх судалгаа эрчимтэй хөгжиж байгаа ч сэтгэл ханамжийн Likert төрлийн асуулгад С5.0 ангиллын алгоритм ашиглсан судалгаа хомс байгаа тул уг судалгааг хийх үндэслэл болсон. Зорилго: Сэтгэл ханамжийн хоёр ангиллыг (High/Medium) таамаглахад C5.0 ангиллын алгоритмыг 10fold cross-validation аргаар хэрэгжүүлж, загварын гүйцэтгэл болон тайлбарлах чадварыг үнэлэх. Арга, аргачлал: Судалгааг АШУҮИСийн Био-Анагаахын сургуулийн Физик мэдээлэл зүйн тэнхимийг түшиглэн Эрүүл мэндийн мэдээллийн технологич мэргэжлээр төгссөн төгсөгчдийн сэтгэл ханамжийн судалгааны өгөгдлийг ашиглан хийсэн. Судалгаанд Likert төрлийн дөрвөн хувьсагч (V1–V4) бүхий өгөгдлийг ашигласан. C5.0 загварыг параметрийн торон хайлтаар сургаж, 10-fold cross-validation-ын хүрээнд accuracy болон confusion matrix ашиглан үнэлсэн. Мөн эцсийн дүрэмд суурилсан загвараас IF–THEN дүрмүүдийг гарган авч, шийдвэрийн логикийг flowchart хэлбэрээр дүрсэлсэн. Үр дүн: Судалгааны үр дүнд дүрэмд суурилсан C5.0 загвар хамгийн оновчтой гэж сонгогдож, cross-validation-ын хүрээнд тогтвортой гүйцэтгэл үзүүлсэн. Confusion matrix-ийн үр дүн нь High ангиллыг өндөр нарийвчлалтай илрүүлж байгааг харуулсан. Гарсан дүрмүүдээс V4 болон V2 хувьсагчид сэтгэл ханамжийг тодорхойлох голлох нөлөөтэй болох нь илэрхий болсон. Дүгнэлт: C5.0 алгоритмыг cross-validation-ын хүрээнд ашиглах нь Likert өгөгдөлд суурилсан сэтгэл ханамжийн ангиллыг үр дүнтэй, ойлгомжтой байдлаар гүйцэтгэх боломжтой ба дүрэмд суурилсан бүтэц нь загварыг тайлбарлах, шийдвэр дэмжих хэрэглээнд ашиглахад тохиромжтой давуу тал болж байгаа нь тус тус батлагдлаа. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Оюутны сэтгэл ханамжийн үнэлгээний кластер шинжилгээ(2023-05-22) ;Ц.Мөнгөнтуул; ; ; Үндэслэл: Их, дээд сургуулийн үйлчилгээний чанарын шалгуур үзүүлэлтийн нэг бол оюутны сэтгэл ханамж юм. Зорилго: Анагаахын Суурь боловсролын I дамжааны оюутнуудаас Анагаахын физикийн хичээлд хэр сэтгэл ханамжтай байгааг кластерын аргаар судлахаар зорилоо. Арга, аргачлал: Энэхүү зорилгын хүрээнд АШУҮИСийн Анагаахын суурь боловсролын I дамжааны анагаахын физик хичээлийг судалсан нийт 324 оюутнаас асуумж судалгаа авлаа. Сэтгэл ханамжийн түвшинг “Маш Cайн”, “Cайн”, “Дунд ”, Муу”, “Маш Муу” гэсэн таван түвшингээр тодорхойлов. Оюутнуудаас хичээлийн үнэлгээний 8, багшийн үнэлгээний 19, оюутны үнэлгээний 12 нийт 39 асуумжаар судалгаа авлаа. Судалгаанаас 39 талбартай, 324 бичлэгтэй мэдээллийн санг үүсгэв. Энэхүү мэдээллийн санд өгөгдөл тандалтын k-means аргаар MATLAB, R програмд кластер шинжилгээ хийв. Үр дүн: Өгөгдлийн санг H шалгуур (hopkins)-ыг бодоход 0.88, 0.87, 0.97 гэсэн утгууд гарлаа. Энэ нь кластер шинжилгээний аргуудыг ашиглах боломжтой болохыг харуулж байна. Хичээлийн үнэлгээний дэд санг гурван кластерт хуваалаа. Үүнд: I кластерт “Cайн” үнэлгээтэй 150 обьект 46.2%, II кластерт “Дунд” үнэлгээтэй 119 обьект 36.7%, III кластерт “Муу” үнэлгээтэй 54 обьект 16.6% байна. Багшийн үнэлгээний дэд санг гурван кластерт хуваахад II кластерт “Cайн” үнэлгээтэй 179 обьект 55.2%, III кластерт “Дунд ” үнэлгээтэй 108 обьект 33.3% нь, I кластерт “Муу” үнэлгээтэй 36 обьект 11.1% байна. Оюутаны үнэлгээний дэд санг хоёр кластерт хуваахад II кластерт “маш Cайн” үнэлгээтэй 215 обьект 66.3%, I кластерт “Муу” үнэлгээтэй 108 обьект 33.3% байна. Энэхүү үүссэн кластеруудаа дүрслэлийн коэффициентоор (silhouette coefÏcient) үнэлэхэд нь хичээлийн үнэлгээний кластер 0.32, багшийн үнэлгээний кластер 0.31, оюутаны үнэлгээний 0.30 гарсан нь статистик ач холбогдолтой болохыг харуулж байна. Дүгнэлт: Эцэст нь дүгнэхэд кластер шинжилгээгээр Анагаахын физикийн хичээлийн загварт “Cайн” үнэлгээ 46.2%, “Дунд” үнэлгээ 36.7%, “Муу” үнэлгээ 16.6%, багшийн үнэлгээтэй загварт “Cайн” үнэлгээ 55.2%, “Дунд” үнэлгээ 33.3%, “Муу” үнэлгээ 11.1%, оюутны үнэлгээний загварт “Cайн” үнэлгээ 66.3%, “Муу” үнэлгээ 33.3% байна. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Цахим сургалтын оюутны сэтгэл ханамжийн кластер шинжилгээ: K-means & divisive hierarchical(2021-06-10); ; ; ; Их, дээд сургуулийн үйлчилгээний чанарын шалгуур үзүүлэлтийн нэг бол оюутны сэтгэл ханамж юм. Оюутнууд хичээлд оролцох идэвх, сургалтын орчин, хичээлийн үзүүлэн, материаллаг бааз, багшийн ур чадвар, хандлагад хэр сэтгэл ханамжтай байгааг судлахаар зорилоо. АШУҮИС-ийн суурь боловсролын I дамжааны анагаахын физик хичээлийг судалсан нийт 502 оюутнаас гурван бүлэг бүхий нийт 41 асуулттай асуумж судалгаа авлаа. Үүнд I бүлэгт тухайн хичээл хэрхэн үр дүнтэй, сонирхолтой байсан тухай 10 асуулт, II бүлэгт багшийн ур чадвар, хандлагын тухай 19 асуулт, III бүлэгт оюутан өөрөө хичээлдээ хэрхэн оролцсон тухай 12 асуулт бүхий сэтгэл ханамжийн судалгааны 502 бичлэгтэй мэдээллийн сан үүсгэв. Энэхүү мэдээллийн сандаа k-means, задалж, шатлах (Divisive Hierarchical Clustering) аргын R програмын eclust() функцээр кластер шинжилгээ хийлээ. Сэтгэл ханамжийг “маш сайн”, “сайн”, “дунд”, “муу”, “маш муу” гэсэн таван түвшингээр үнэлэв. Судалгаанд k-means аргаар 0.1-0.4, задалж-шатлах аргаар хуваах коэффициент 0.88-0.91 гарлаа. Иймээс задалж-шатлах аргаар хичээлийг үнэлэх гурав, багшийг үнэлэх гурав, оюутны хичээлд оролцоог үнэлэх хоёр кластерт тус тус хуваалаа. Хичээлийн үнэлэх загварын I кластерт дунд үнэлгээ 33%, II кластерт сайн үнэлгээ 61.4%, III кластерт муу үнэлгээ 5% байна. Багшийг үнэлэх загварын II кластерт сайн үнэлгээ 63.9%, I кластерт дунд үнэлгээ 31.8%, III кластерт муу үнэлгээ 4.1% байна. Оюутны хичээлийн идэвхийг үнэлэх загварын I кластерт сайн үнэлгээ 69.9%, II кластерт дунд үнэлгээ 30.07% байна. Шинжилгээнд задалж-шатлах загваруудын хуваах коэффициент нь илүү ач холбогдолтой загвар бүхий кластер болохыг илтгэж байна. Энэхүү хичээлийг үнэлэх загварт 61.4% сайн, багшийн үнэлгээний загварт 69.1% сайн, оюутны идэвх, оролцооны загварт 31.2 маш сайн, 38.8 сайн байна. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, PIMA өгөгдлийн багцад суурилан Random Forest алгоритмаар чихрийн шижингийн төлөвийг урьдчилан таамаглах нь(2026-10-30) ;Ч.Баасандорж ;Б.Одгэрэл; ; - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Stability Analysis of Dynamic P53-MDM2 with Time Delay(2024-05-17); ;Khenmedekh LochinEvery cell is constantly under the environment stresses such as burst of gamma-ray, ultraviolet radiation, heat shock, deficiency of food and energy. And those kinds of stresses cause the DNA damage and it activates the p53 gene forming P53 protein, the tumor suppressor. Depending on the types of stresses, the p53 plays a major role in regulation of cellular damage response, namely apoptosis, arrest the growth and DNA repair. - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Study of decision tree algorithms: effects of air pollution on under five mortality in Ulaanbaatar(BMJ, 2023-03); ; ;Oyunbileg, Bat-Enkh; OBJECTIVES: 4.2 million people die every year from many diseases due to air pollution. The WHO confirms that 92% of the world's population lives in areas where the air quality limit is exceeded. In 251 days of 2011, the concentration of fine particulate matter in Ulaanbaatar exceeded the permissible level by 62%-76%. According to the results of the research, the content of fine particles decreased by 37%-46% in 2019. Because it is harmful to the health of children, we aimed to show the effect of air pollution on the mortality through data mining. METHODS: In many countries, research is being conducted to generate effective knowledge from big data using data mining methods. So, we are working to introduce this method to the health sector of Mongolia. In this study, we used the decision tree algorithms. RESULTS: We collected data on air pollution and under five mortality for 2019-2022 in Ulaanbaatar and created the database, built the models using the algorithms, and compared the results with the Mongolian standard. If the average of PM10 in winter is higher than the concentration specified in the standard, the mortality rate is likely to be high. Mortality is likely to be high if the nitrogen dioxide tolerance is high in the spring. CONCLUSION: The accuracy of the models calculated by the C5.0 algorithm is higher than the determined by the CART algorithm, the sensitivity and specificity values are higher than 0.50, so the mortality rates are uniformly predicted and low mortality prevails.Scopus© Citations 4 - Some of the metrics are blocked by yourconsent settings
Item type:Publication, Reform of the Health Informatics Curriculum in Mongolia: Needs and Development Perspectives(2025-09-16); ; ; ; Baasandorj ChilkhaasurenThis To reform the Bachelor of Health Informatics curriculum in Mongolia, a comparative analysis was conducted with similar international programs, and the revised curriculum was developed based on satisfaction surveys from both graduates and employers. A satisfaction survey was conducted in which 49 graduates evaluated the curriculum using a 19-question questionnaire, and 14 employers assessed the graduates' competencies through an 8-question questionnaire, forming the basis for two distinct datasets. Factor analysis (PCA and EFA with Varimax rotation) was performed on the resulting dataset. The analysis identified five latent factors from the graduates' evaluations—Quality of Instruction, Practical Training and Skills, Learning Environment and Resources, Curriculum Structure, and Professional Development Opportunities–and one factor from the employers' assessments: Job Requirements and Skills Evaluation. Based on these findings, the revised curriculum was developed through a comparative analysis with programs from the University of Sydney, Oregon Tech, and Montana Tech. The updated curriculum consists of 120 credit hours and complies with Order A/147 of the Minister of Education and Science, as well as the IT Curriculum Guide 2017. A notable feature of the revised program is its emphasis on specialization in health data processing, information systems architecture, and computer networking. This research contributes to enhancing the quality of Health Informatics education and aligning the academic training with the needs of graduates and labor market demands.
