Geri Dön

Tip 2 diyabetin erken tanısında makine öğrenme tekniklerinin kullanılması

Using machine learning techniques for EARLY diagnosis of TYPE 2 diabetes

PDF İndir

  1. Tez No: 792475
  2. Yazar: AYÇA ŞANLI
  3. Danışmanlar: DOÇ. DR. UĞUR BİLGE
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, Biostatistics
  6. Anahtar Kelimeler: Tip 2 diabetes mellitus, tam kan sayımı, makine öğrenmesi, yapay zeka, Type 2 diabetes mellitus, complete blood count, machine learning, artificial intelligence
  7. Yıl: 2023
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 66

Özet

Amaç: Kronik bir metabolizma bozukluğu olan diyabet, pankreasın artık insülin üretemediği veya vücudun ürettiği insülini yeterince kullanamadığı durumlarda ortaya çıkan ve ömür boyu süren bir hastalıktır. Hastalığın ilerleyen aşamalarında göz, böbrek, kalp ve damar rahatsızlıklarını da meydana getiren diyabet, komplikasyonları önlemek veya geciktirmek, hastaların yaşam kalitesini iyileştirmekle beraber diyabetli olduklarının farkında olmayan diyabetli kişileri teşhis etmek ve diyabetli tüm insanlara mümkün olan en erken zamanda bakım sağlamak oldukça önemlidir. Bu çalışmada yapay zekâ teknolojisinden yararlanılarak tip 2 diyabet hastalığının önceden öngörülmesi konusunun ele alınması ve böylelikle erken tanının sağlık sistemlerindeki ek iş yükünü hafifletmesi, hastaların yaşam kalitesini iyileştirmesi ve yüksek tedavi giderleri açısından ekonomik olarak sıkıntıya düşmelerinin engellenmesi amaçlanmıştır. Yöntem: Akdeniz, Marmara ve Ege coğrafi bölgelerindeki özel hastanelerden toplanan 126 hastaya (66 diyabetik olmayan vaka ve 60 diyabetik vaka) ait veriler incelenmiştir. Uzman hekimler tarafından Tip 2 Diyabet tanısı konulmuş hastalar ve hiç diyabet tanısı konulmamış kontrol hastaları olarak gruplanmıştır. Lojistik Regresyon (LR), Rastgele Orman (RO) ve Karar Ağaçları grubun tahmini için model oluşturmak için kullanılmıştır. Makine öğrenmesi algoritmalarının performanslarını karşılaştırmak için AUC değeri, doğruluk, duyarlılık, özgüllük, kesinlik ve F1 skoru kullanıldı. Bulgular: Tip 2 diyabete sahip bireylere ve kontrol grubuna ait tam kan sayımı (hemogram) testi sonuçları ve sosyo-demografik özellikler kullanılmıştır. Lojistik Regresyon, Rastgele orman ve Karar ağacı teknikleri sırasıyla %92.6 (88.1-97.1), %73.6 (65.9-81.4) ve %84.5 (78.3-90.7) ROC AUC vermektedir. Lojistik Regresyon algoritması diğer makine öğrenmesi algoritmalardan daha yüksek bir başarı ile %92.6 ROC AUC ve 88.1-97.1 güven aralığı ile sınıflandırmayı gerçekleştirmiştir. Sonuç: Gerçekleştirilen çalışma sonucunda yeni bir yöntem önerisi getirilmemiş olsa da bundan sonraki benzer çalışmalara bir temel oluşturmuş ve üzerinde çalışılan makine öğrenmesi algoritması için karşılaştırma yapabilmemizi sağlayacak veriler sunmaktadır. Tip 2 diyabet hastalığının tahmininde en başarılı yöntemin Lojistik Regresyon olduğu görülmüştür.

Özet (Çeviri)

Objective: Diabetes, a chronic metabolic disorder, is a lifelong disease that occurs when the pancreas no longer produces enough insulin or when the body cannot effectively use the insulin it produces. In this study, the use of artificial intelligence technology to predict type 2 diabetes is addressed. The aim is to lighten the additional workload on healthcare systems due to early diagnosis, improve the quality of life of patients, and prevent them from experiencing economic difficulties due to high treatment costs. Method: We examined data from 126 patients obtained from private hospitals in the Mediterranean, Marmara, and Aegean geographical regions. We grouped patients diagnosed with Type 2 Diabetes by specialist physicians and control patients without a diabetes diagnosis. Logistic Regression (LR), Random Forest (RO), and Decision Trees were used to create models for predicting the group. AUC value, accuracy, sensitivity, specificity, precision, and F1 score were used to compare the performances of machine learning algorithms. Results: Complete blood count (hemogram) test results and sociodemographic characteristics were used for individuals with Type 2 diabetes and the control group. Logistic Regression, Random Forest, and Decision Tree techniques yield ROC AUC values of 92.6% (88.1-97.1), 73.6% (65.9-81.4), and 84.5% (78.3-90.7), respectively. The Logistic Regression algorithm achieved higher success in classification with a ROC AUC of 92.6% and 88.1-97.1 confidence interval compared to other machine learning algorithms. Conclusion: Although no new method proposal was made in this study, it provides a foundation for future similar studies and presents data for comparing the machine learning algorithm studied. The most successful method for predicting Type 2 diabetes was found to be Logistic Regression.

Benzer Tezler

  1. Tez No

    424686

    Akut apandisit patofizyolojisinde endoplazmik retikulum stres, apoptoz ve otofaji markerlarının incelenmesi

    Investigation of autophagy, apoptosis, and er stress markers in acute appendicitis pathogenesis

    BÜŞRA AYNEKİN

    Yüksek Lisans

    Türkçe

    Türkçe

    2015

    GenetikTurgut Özal Üniversitesi

    Tıbbi Genetik Ana Bilim Dalı

    DOÇ. DR. KADİR DEMİRCAN

  2. Tez No

    803633

    Yetişkinlerde primer hiperparatiroidizm tahmini: Makine öğrenimi modellerinin rolü

    Prediction of primary hyperparathyroidism in adults: The role of machine learning models

    İREM NESİL ÖZGÜN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Endokrinoloji ve Metabolizma HastalıklarıÇanakkale Onsekiz Mart Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ERSEN KARAKILIÇ

    DR. ÖĞR. ÜYESİ DUYGU SIDDIKOĞLU

  3. Tez No

    248512

    Diyabetik hastaların oral bulgularının incelenmesi ve oral mukoza hücrelerinin sitomorfolojik açıdan değerlendirilmesi

    Oral manifestation of diabetes mellitus and evaluation of oral mucosa by exfoliative cytology in patients with diabetes mellitus

    ÜMMÜHAN TOZOĞLU

    Doktora

    Türkçe

    Türkçe

    2009

    Diş HekimliğiAtatürk Üniversitesi

    Oral Diagnoz ve Radyoloji Ana Bilim Dalı

    PROF. DR. O. MURAT BİLGE

  4. Tez No

    457729

    İnsülin direncinin erken tanısında non-invazif ve invazif biyobelirteçler: Adiponektin ve irisin

    Early diagnosis of insulin resistance with non-invasive and invasive biomarkers: Adiponectin and irisin

    HATİCE BAYINDIR

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    BiyokimyaYıldız Teknik Üniversitesi

    Biyomühendislik Ana Bilim Dalı

    PROF. DR. SEVİL YÜCEL

  5. Tez No

    417413

    Diyabetin erken ve geç döneminde elektrofizyolojik bulgular

    Electrophysi̇ologi̇cal fi̇ndi̇ngs in early and late peri̇od of di̇abetes

    ÖZLEM ASLAN DEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Fiziksel Tıp ve RehabilitasyonKahramanmaraş Sütçü İmam Üniversitesi

    Fiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı

    PROF. DR. VEDAT NAÇITARHAN

Geri Dön