Predicting icu requirements of covid-19 patients using artificial neural network
Yapay sinir ağı kullanarak Covid-19 hastalarının yoğun bakım ünitesi gerekliliklerinin tahmini
- Tez No: 771303
- Danışmanlar: DR. ÖĞR. ÜYESİ TUNCAY GÜRBÜZ
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2022
- Dil: İngilizce
- Üniversite: Galatasaray Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 53
Özet
COVID -19'un neden olduğu ilk pnömoni vakasının Wuhan'da bulunmasından bu yana tüm dünyayı etkisi altına alan bu salgının etkisi ve sonuçları halen devam ediyor. Sağlık, bu salgından en çok etkilenen sektörlerden biridir. COVID-19 pandemisinin en zor zamanlarında, yoğun bakım ünitesi (YBÜ) genellikle bir tıbbi tesisin darboğazıydı. Aşırı çalışan sağlık hizmeti görevlileri, yoğun bakım ünitesine kabul oranları arttıkça hastalarının yaşamları hakkında kritik kararlarla karşı karşıya kaldı. Yoğun bakım ünitesine kabul, zamanla tıbbi bir karardan kaynak tahsisi sorununa dönüştü. Sağlıkta yaşanan en büyük zorluklardan biri de hastalığın yayılması nedeniyle hastane başvurularının artmasıydı. Karar desteğine duyulan ihtiyaç, sağlık hizmetlerinin tüm seviyelerinde ortaya çıkmaktaydı. Hastanın testinin pozitif çıkmasından bile daha erken bir zamanda ne tür bireysel ihtiyaçların ortaya çıkacağını tahmin etme yeteneği, yetkililerin kaynakları etkili bir şekilde planlaması için faydalı olacaktı. Bu çalışmada, Meksika Hükümeti'nin yayınladığı açık veri kaynaklarından yararlanılmış ve oradaki hastanelere başvuran hastaların COVID-19 sebebiyle yoğun bakıma ihtiyacının olup olmayacağı kuralcı analitik çerçevesinde incelenmiş ve yapay sinir ağları kullanılarak bir sınıflandırma modeli geliştirilmiştir. Aynı zamanda literatürdeki COVID-19 risk faktörleri araştırılmıştır. Model, toplam 120026 COVID-19 vakanın veri seti kullanılarak eğitilmiş, doğrulanmış ve test edilmiştir. Test aşamasında performansı ölçmek için, karışıklık matrisleri, eğitim ve doğrulama kaybı eğrileri ve doğruluk, kesinlik, geri çağırma ve F1 puanı gibi diğer performans ölçütleri kullanılmıştır. Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE), performansı artırmak için dengesiz veri kümelerine uygulanır ve bu tezde SMOTE kullanılarak veri seti dengelenmiştir. Sonuç olarak bir kişinin yoğun bakım ünitesine ihtiyacının olup olmadığı %79 doğruluk oranıyla tahmin edilmiştir.
Özet (Çeviri)
Since the first pneumonia case caused by the new 2019 coronavirus (COVID -19) was found in Wuhan, the impact and consequences of this pandemic, which has affected the whole world, are still ongoing. The healthcare sector is one of the most affected sectors by this pandemic. During the most difficult times of the COVID 19 pandemic, the intensive care unit (ICU) was usually the bottleneck of a medical facility. ICU admission has evolved from a medical decision to a resource allocation issue. One of the great difficulties experienced by health care was the increase in hospital admissions due to the spread of the disease. The need for decision support arises at all levels of health care. The ability to predict what type of individual needs will occur with a positive test, or even earlier, is beneficial for authorities to plan resources effectively. In this study, a decision support framework is proposed for predicting the demand of COVID-19 patients in ICU within the framework of prescriptive analysis and developing a classification model using artificial neural networks. The model has been trained, validated, and tested using a total dataset of 120026 COVID 19 cases. During the test phase, performance is observed using confusion matrices, training and validation loss curves, and other performance metrics such as accuracy, precision, recall, and F1 score. The Synthetic Minority Oversampling Technique (SMOTE) is applied to unbalanced datasets to improve performance. It was predicted with 79% accuracy whether a person requires the Intensive Care Unit.
Benzer Tezler
- COVID-19'lu kritik hastaların belirlenmesindequıck COVID-19 Severıty Index ile COVID-GRAM Critical Illness Risk Skoru etkinliklerinin karşılaştırılması
Comparison of the efficacies of quick COVID-19 severity index and COVID-GRAM Critical Illness Risk Score in identification of critically ill patients with COVID-19
BÜŞRA DEMİR
Tıpta Uzmanlık
Türkçe
2023
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. MEHMET OĞUZHAN AY
- KOVİD-19 hastalarında CURB-65 ve QCSI skorlarının hastaların prognozunu öngörmedeki yeterliliklerinin incelenmesi
Examination of the sufficiency of CURB-65 and QCSİ scores in prediction of patients' prognosis in COVİD-19 patients
ELİF OYMAK
Tıpta Uzmanlık
Türkçe
2022
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ERDAL YILMAZ
- Acil servise başvuran 65 yaş üstü COVİD-19 hastalarının laboratuvar ve radyolojik bulgularının hastalığın şiddeti ve mortaliteyi öngörmedeki rolü
The role of laboratory and radiological findings of COVİD-19 patients over 65 years of age who apply to the emergency department in predicting the severity and mortality of the disease
KEMAL SAÇAK
Tıpta Uzmanlık
Türkçe
2024
Acil TıpSüleyman Demirel ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. HAMİT HAKAN ARMAĞAN
- COVİD-19 pnömonisinde mortalite tahmini ve prognostik belirteç olarak; IL-6
IL-6 as a predictor of mortality and prognostic marker in COVID-19 pneumonia
MELİKE BEDİR
Tıpta Uzmanlık
Türkçe
2023
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
DOÇ. DR. GÜLFİDAN ARAS
- Acil serviste proksimal femur fraktürü tanısı alan geriatrik hastalarda 28 günlük mortalite üzerine etkili faktörlerin araştırılması
Investigation of factors effective on 28-day mortality in geriatric patients diagnosed with proximal femur fracture in the emergency department
OLCAY KORKMAZ
Tıpta Uzmanlık
Türkçe
2023
Acil TıpMuğla Sıtkı Koçman ÜniversitesiAcil Tıp Ana Bilim Dalı
DR. ÖĞR. ÜYESİ KIVANÇ KARAMAN