Dengesiz klinik veriler için karar destek önerisi: Akut apandisit örneği
A decision support proposal for imbalanced clinical data: Acute appendicitis cases
- Tez No: 593821
- Danışmanlar: PROF. DR. SEVİNÇ GÜLSEÇEN
- Tez Türü: Doktora
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2019
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Enformatik Ana Bilim Dalı
- Bilim Dalı: Enformatik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Sağlık alanında karın ağrısı şikâyetiyle hastaneye başvuran hastalarda akut apandisit teşhisin zor tanımlanması sıkça gereksiz akut apandisit ameliyatlarına sebep olmaktadır. Bu çalışmanın amacı karın ağrısıyla hastaneye başvuran hastalarda sınıflandırmaya dayalı makine öğrenmesi algoritmaları aracılığı ile mevcut vakanın ameliyat gerektiren akut apandisit olup olmadığının teşhisini sağlamak ve gereksiz olası ameliyat sürecini önlemektir. Bu amaca yönelik sağlık alanında sıkça karşılaşılan sınıf dengesizliği probleminin sınıflandırma üzerindeki olumsuz etkisini azaltmak için SMOTE, Random Oversampling ve Random Undersampling yöntemleri önerilmiş ve akut apandisit teşhisinin tahmini için Alvarado Skora ait risk faktörlerinden yararlanılmıştır. Bu amaçla Alvarado skoru ile akut apandisit tanısında altın standart olarak kabul edilen histopatolojik rapor sonucu karşılaştırılmıştır. Sınıflandırma algoritmalarından Destek Vektör Makinesi, Rasgele Orman, Yapay Sinir Ağları, Naive Bayes, k-En Yakın Komşu Algoritması ve Lojistik Regresyon kullanılarak farklı sınıflandırma modelleri oluşturulmuştur. Oluşturulan modellerden elde edilen sonuçlar karşılaştırılarak en iyi performans gösteren sınıflandırma yöntemi önerilmiştir. En iyi performansın tespit edildiği Destek Vekör Makinesi algoritması için arayüz oluşturularak hekimlerin karar verme mekanizmasına katkı sunabilecek Karar Destek Sistemi uygulaması geliştirilmiş ve Alvarado skorlarına yeni bir bakış açısı önerilmiştir.
Özet (Çeviri)
The difficult diagnosis of acute appendicits of patients appealing to the hospital with abdominal pain often leads to unnecessary acute appendicits operations. Accordingly, the aim of this study is to be able to provide the correct diagnosis whether the existing case indeed neccesiates operation or not through machine learning algorithms based on classification. To that purpose, SMOTE, Random Oversampling and Random Undersampling methods were proposed to reduce the negative effects of common imbalanced data set problem on classification and it was benefitted from the risk factors in relation to Alvarado Score to predict the diagnosis of acute appendicits. Therefore, the result of histopatologic report which is accepted as a gold standart for the diagnosis acute appendicits was also compared with Alvarado Score. Additionally, different classification models were generated by using classification algorithms like Support Vektor Machine, Random Forest, Artificial Neural Network, Naive Bayes, k-Nearest Neighbor and Logistic Regression. Consequently, a decision support system was developed that could contribute to the decision making mechanism by generating interface for the Support Vektor Machine algorithm in which the best performance was obtained and a different perspective was provided with the Alvarado Score.
Benzer Tezler
- Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması
Analyzing diabetes data set using rough clustering theory and establishing a real-time data analytics system for diagnosis of diabetes disease
MEHMET YÜKSEL
Yüksek Lisans
Türkçe
2025
Sakarya ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
Yükleniyor...
- A radiogenomics-based approach to clinical decision making
Klinik karar vermede radyogenomik tabanlı bir yaklaşım
MERVE KAŞIKCI ÇAVDAR
- Makine öğrenmesi yardımıyla VI-RADS skorlaması, biyokimyasal ve klinik parametreler kullanılarak mesane kanseri evresinin öngörülme gücünün değerlendirilmesi
Evaluation of the predictive power of bladder cancer staging using VI-RADS scoring, biochemical, and clinical parameters assisted by machine learning
BATU AKALIN
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
- Kalp yetmezliğinde ölüm riskinin tahmin edilmesinde en etkili özniteliklerin bulunması
Finding the most effective features for predicting the risk of death in heart failure
BUSE NUR PAYDAŞ
Yüksek Lisans
Türkçe
2026
Necmettin Erbakan ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
Yükleniyor...
