Utilizing machine learning to predict risk factors for cholera outbreaks in yemen
Yemen'deki kolera salginlari için risk faktörlerini öngörmede makine öğrenmesinin kullanimi
- Tez No: 1002717
- Danışmanlar: PROF. DR. HALİME SUVAY EKER
- Tez Türü: Yüksek Lisans
- Konular: İstatistik, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Statistics, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Kolera, makine öğrenmesi, XGBoost, mortalite tahmini, Belirleyiciler, cholera, machine learning, XGBoost, mortality prediction, predictors
- Yıl: 2025
- Dil: İngilizce
- Üniversite: İstanbul Gedik Üniversitesi
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Veri Bilimi Ana Bilim Dalı (disiplinlerarası)
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Kolera, özellikle çatışmalardan etkilenen ve altyapısı zayıf olan Yemen gibi bölgelerde ciddi bir halk sağlığı tehdidi olmaya devam etmektedir. Yetersiz izleme sistemleri ve zayıf sağlık altyapısı, salgınlara verilen müdahaleyi zorlaştırmaktadır. Bu çalışmada, makine öğrenmesi (ML) yöntemleri kullanılarak kolera kaynaklı ölümler için en yüksek risk faktörleri belirlenmiş, uzun vadede erken uyarı sistemlerini geliştirme ve Yemen'in zaten zorlanan sağlık sistemine kaynak tahsisi nin daha etkili yapılması amaçlanmıştır. Yemen'in 2024 kolera salgınına ait verileri (n=55.640) kullanılarak, lojistik regresyon (LR), karar ağacı (DT), rastgele orman (RF) ve XGBoost olmak üzere dört makine öğrenmesi modeli karşılaştırılmıştır. Sınıf dengesizliğini azaltmak için SMOTE (Synthetic Minority Over-sampling Technique) yöntemi kullanılmış ve model performansı önemli ölçüde iyileştirilmiştir. XGBoost ve Rastgele Orman modelleri sırasıyla 0.965 ve 0.953 AUC-ROC skorlarıyla en yüksek tahmin doğruluğunu sağlamıştır. Lojistik Regresyon modeli daha yüksek ayrım gücü sergilemişken (AUC-ROC = 0.869), Karar Ağacı modeli daha yüksek F1 skoru ile hassasiyet ve duyarlılık arasında daha iyi bir denge sunmuştur. Ana ölüm belirleyicileri arasında ileri yaş (>60 yaş), şiddetli dehidrasyon (%82 ölüm oranı) ve tedavi eksikliği (tedavi edilmeyenlerde %85,7 ölüm oranı) yer almaktadır. Coğrafi farklılıklar, özellikle Lahj (%22,4), Taiz (%22,0) ve Abyan (%19,6) vilayetlerinde hedefe yönelik müdahalelere duyulan ihtiyacı vurgulamaktadır. Bu çalışma, makine öğrenmesinin insani krizler sırasında kolera gibi salgınlara müdahalede yüksek riskli kişi ve bölgelerin önceliklendirilmesi, önlenebilir ölümlerin azaltılması ve sınırlı kaynaklara sahip sistemlerde hazırlık kapasitesinin artırılması için güçlü bir araç olabileceğini ortaya koymaktadır. Gelecek çalışmaların, çevresel risk faktörleri ile gelişmiş makine öğrenimi tekniklerini birleştirerek tahmin gücünü artırması önerilmektedir.
Özet (Çeviri)
Cholera continues to be a significant public health threat, especially in conflict-affected areas like Yemen, where weak infrastructure and insufficient surveillance networks complicate response to the outbreak. Machine learning (ML) was used here to determine the highest risk factors for cholera mortality for this research, with the goal of enhancing early warning systems and resource allocation to Yemen's already strained health system. Based on Yemen's 2024 cholera outbreak data (n=55,640), four machine learning models - Logistic Regression (LR), Decision tree (DT), Random forest (RF), and XGBoost - were compared. Using SMOTE oversampling trying to deal with the extreme class imbalance (0.45% deaths), the model performance improved significantly. XGBoost and Random Forest were the best predictors, with AUC-ROC scores of 0.965 and 0.953, respectively. Logistic Regression (AUC-ROC = 0.869) and Decision Tree (0.858) came next; while LR was superior in discrimination, DT yielded a higher F1-score, indicating a better balance of precision and recall. Key mortality predictors were older age (> 60 years), severe dehydration (82% of deaths), and lack of treatment (85.7% mortality rate among the untreated). Geographic disparities underlined the need for targeted interventions, particularly in Lahj (22.4% of deaths), Taiz (22.0%), and Abyan (19.6%) governorates. This study shows how machine learning enhances the response to cholera outbreaks by targeting high-risk populations and locations, preventing avoidable mortality, and preparedness for epidemics in low resource environments. Future research must incorporate advanced machine learning techniques with environmental risk factors.
Benzer Tezler
- A comprehensive analysis of Turkish sea level changes and future modeling using machine learning methods
Türk deniz seviyesi değişikliklerinin kapsamlı analizi ve makine öğrenimi yöntemleriyle gelecek modellemesi
ELİF KARTAL
Doktora
İngilizce
2024
İnşaat Mühendisliğiİstanbul Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. ABDÜSSELAM ALTUNKAYNAK
- Prediction of survival and graft versus host disease in allogeneic hematopoietic stem cell transplant patients using machine learning
Makine öğrenmesi kullanılarak allojenik hematopoetik kök hücre nakli yapılan hastalarda sağkalım ve graft versus host hastalığı tahmini
HİKMET CAN ÇUBUKÇU
Doktora
İngilizce
2025
HematolojiAnkara ÜniversitesiKök Hücre ve (rejeneratif) Yenileyici Tıp Ana Bilim Dalı
PROF. DR. MUHİT ÖZCAN
- Lojistik regresyon analizi ile elde edilen beta katsayısına, odds oranına ve makine öğrenme algoritmaları ile elde edilen ağırlıklandırılmış skorlara dayalı klinik tahmin modellerinin başarılarının karşılaştırılması
Comparison of success of clinical prediction models based on beta coefficient, odds ratio obtained by logistic regression analysis and weighted scores obtained by machine learning algorithms
GÜLÇİN AYDOĞDU
Doktora
Türkçe
2023
BiyoistatistikAnkara ÜniversitesiBiyoistatistik Ana Bilim Dalı
PROF. DR. YASEMİN YAVUZ
- Deniz taşımacılığında emniyet esaslı akıllı gemi denetim analitiği
Safety based intelligent ship inspection analytics for maritime transportation
SEYİD MAHMUD ESAD DEMİRCİ
Doktora
Türkçe
2023
Deniz Bilimleriİstanbul Teknik ÜniversitesiDeniz Ulaştırma İşletme Mühendisliği Ana Bilim Dalı
DOÇ. DR. KADİR ÇİÇEK
- A machine learning approach to seismic risk assessment of reinforced concrete structures
Betonarme yapıların sismik risk değerlendirmesinde makine öğrenimi yaklaşımı
MUHAMMED TUNAHAN BEYHAN
Yüksek Lisans
İngilizce
2023
İnşaat MühendisliğiOrta Doğu Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA TALAT BİRGÖNÜL
PROF. DR. RİFAT SÖNMEZ