Tip 2 diyabetin erken tanısında makine öğrenme tekniklerinin kullanılması
Using machine learning techniques for EARLY diagnosis of TYPE 2 diabetes
- Tez No: 792475
- Danışmanlar: DOÇ. DR. UĞUR BİLGE
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Tip 2 diabetes mellitus, tam kan sayımı, makine öğrenmesi, yapay zeka, Diabetes mellitus, Diabetes mellitus-tip 2, Erken teşhis, Makine öğrenmesi yöntemleri, Teşhis, Teşhis teknikleri ve prosedürleri, Type 2 diabetes mellitus, complete blood count, machine learning, artificial intelligence, Diabetes mellitus, Diabetes mellitus-type 2, Early diagnosis, Machine learning methods, Diagnosis, Diagnostic techniques and procedures
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Ovulasyon indüksiyonu tedavisinde folliküler gelişimin ultrasonografik takibi
Başlık çevirisi yok
MERİH BAYRAM
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. MÜLAZIM YILDIRIM
- Atherosklerotik kalp hastalıklarında risk faktörleri
Risk factors in the coronary artery disease
MURAT SUHER
- Doğuştan kalça çıkıklı hastalarda kalça patolojilerinin bilgisayarlı tomografi ile değerlendirilmesi
Başlık çevirisi yok
NECDET ŞÜKRÜ ALTUN
Tıpta Uzmanlık
Türkçe
1987
Ortopedi ve TravmatolojiGazi ÜniversitesiOrtopedi ve Travmatoloji Ana Bilim Dalı
PROF.DR. ORHAN ASLANOĞLU
- Meniere hastalığında endolenfatik kese cerrahisi
Endolymphatic sac surgery in meniere's disease
NEBİL GÖKSU
Tıpta Uzmanlık
Türkçe
1987
Kulak Burun ve BoğazGazi ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
PROF.DR. NECMETTİN AKYILDIZ