Makine öğrenmesi teknikleri kullanılarak hasta öyküsü ve fiziki bulgulardan pnömoni prognoz öngörüsünün yapılması
Prediction of pneumonia prognosis with machine learning techniques from patient history and physical examination
- Tez No: 754923
- Danışmanlar: DR. ÖĞR. ÜYESİ MUHSİN ZAHİD UĞUR
- Tez Türü: Yüksek Lisans
- Konular: Çocuk Sağlığı ve Hastalıkları, Child Health and Diseases
- Anahtar Kelimeler: Doktorlar, Karar destek sistemleri, Makine öğrenmesi, Makine öğrenmesi yöntemleri, Pnömoni, Prognoz, Çapraz enfeksiyon, Physicians, Decision support systems, Machine learning, Machine learning methods, Pneumonia, Prognosis, Cross infection
- Yıl: 2022
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Hamidiye Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Sağlık Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Sağlık Bilişim Sistemleri Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı hasta öyküsü, fiziki muayene ve biyolojik veriler kullanılarak pnömonide prognoz öngörüsünde bulunabilen ve hekimler tarafından %90 oranında doğrulanabilir bir makine öğrenmesi modeli geliştirmektir. Bu model ile nihai amaç nitelikli sağlık hizmetine sahip olmayan bölgelerde görev yapan hekimlere, hastaları için pnömoni prognoz öngörüsüne imkân sağlayan hekim karar sisteminde kullanılabilir bir yapı için zemin hazırlamaktır. Gereç ve Yöntem: Bu çalışma kapsamında 01.01.2010 ile 31.03.2018 tarihleri arasında Hacettepe Üniversitesi İhsan Doğraması Çocuk Hastanesi Enfeksiyon Hastalıkları bölümünde pnömoni tedavisi görmüş hastaların bilgilerinin yer aldığı bir veri seti kullanılmıştır. Çalışmada kullanılan veriler, ön işleme teknikleriyle analize hazır hale getirilmiştir. Ön işlemden geçen veriler kullanılarak sınıflama makine öğrenme algoritmaları eğitilmiş ve performansları karşılaştırılmıştır. Bulgular: Ham haldeki veri seti, normalize edilmiş veri seti ve normalize edilerek sentetik veriyle sınıflar arası dengesizliğin giderilmesi ve sonrasında TBA kullanılarak boyutu indirgenen veri setiyle eğitilen veri seti olmak üzere veri setinin 3 farklı hali üzerinde yapılan deneylerde normalizasyon, SMOTETomek ve TBA uygulanmış veri setinin DVM, KA, LR, ÇKA ve NB algoritmalarında gösterdiği performanslar incelenmiş ve %90,5 doğruluk oranıyla DVM algoritmasının en başarılı algoritma olduğu sonucuna ulaşılmıştır. Sonuç: Hasta öyküsü, fizyolojik bulgular ve laboratuvar sonuçları ile uzman hekimler tarafından oluşturulan veri setinin ön işlemlerden geçirilmesi ve makine öğrenmesi algoritmasının eğitilmesiyle oluşturulan DVM sınıflayıcı makine öğrenmesi modeli, metodoloji bakımından literatürdeki çalışmalardan ayrışmaktadır. Oluşturulan model sağlık hizmetlerine erişimin kısıtlı olduğu bölgelerin erişimi açısından web tabanlı bir ara yüzde kullanılabilir olması sebebiyle uzmanlara destek olabilecek bir çalışma olma özelliği taşımaktadır. Veri setinin genişletilmesi durumunda modelin kullanımının daha geniş popülasyonlara uygulanabileceği ve bu bağlamda literatüre katkı sağlayacağı düşünülmektedir.
Özet (Çeviri)
Aim: The ultimate aim of this study is to develop a machine learning model that can predict prognosis in pneumonia using patient history, physical examination and biological data and can be verified by physicians at a rate of 90%. The main purpose of this model is to lay the groundwork for physicians working in regions that do not have qualified health services, for a structure that can be used in the physician decision system that enables pneumonia prognosis prediction for their patients. Materials and Methods: Within the scope of this study, a data set containing the information of patients who were treated for pneumonia in the Department of Infectious Diseases of Hacettepe University İhsan Doğramacı Children's Hospital between 2010 and 2018 was used. Ethics committee approval was obtained from Hacettepe University in order to use the relevant data set. The data used in the study were made ready for analysis with preprocessing techniques. By using the preprocessed data, classification machine learning algorithms were trained and their performances were compared. Results: In the experiments performed on 3 different states of the data set, firstly namely the raw data set, and then the normalized data set, last but not least the normalized , balanced with synthetic data and then the reduced size data set with PCA in order to normalized , SMOTETomek and PCA applied data set, SVM, DT , LR, MLP and NB algorithms were examined and it was concluded that the SVM algorithm was the most successful algorithm with an accuracy rate of 90.5%. Conclusion: The SVM classifier algorithm, which is trained using the data set created by the specialist physicians with patient history, physiological findings and laboratory results, differs from the studies in the literature in terms of methodology and is a study that has the ability support specialists because it can be used in a web-based interface in terms of access to regions with limited access to health services. If the data set is expanded, it is thought that the use of the model can be applied to wider populations and will contribute to the literature in this context.
Benzer Tezler
- Diesel motorları yakıt püskürtme sistemlerinin dinamik simülasyonu
Başlık çevirisi yok
İRFAN KARAGÖZ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. OĞUZ BORAT
- Kuyruk modelleri ve analizi üzerine bir uygulama
Başlık çevirisi yok
DİDEM ÖZPULAT
Yüksek Lisans
Türkçe
1985
İstatistikEge ÜniversitesiBilgisayar Bilimleri ve Mühendisliği Ana Bilim Dalı
DOÇ. DR. FİKRET İKİZ
- Yenileme yatırımları
Başlık çevirisi yok
OSMAN NURİ FİLİZ
Yüksek Lisans
Türkçe
1986
İşletmeGazi ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. OSMAN OKKA
- Çeltik kabuklarının yalıtım malzemesi olarak kullanılması
Başlık çevirisi yok
B.CİHAN ÇELEBİ
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET KIRBIYIK
- Hızlı katılaşma ile yüksek mukavemetli malzemelerin üretilmesi ve kurşun-asit akümalatörlerine uygulanması
Başlık çevirisi yok
ÜMİT AKÇAL
Yüksek Lisans
Türkçe
1986
Makine MühendisliğiUludağ ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
DOÇ. DR. HALİM DEMİRCİ