Comparison of machine learning algorithms for improved admission prediction of the emergency department patients
Acil servis hastalarının kabul tahmini için makine öğrenmesi algoritmalarının karşılaştırılması
- Tez No: 802997
- Danışmanlar: PROF. DR. ABDULKADİR HIZIROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Yönetim Bilişim Sistemleri, Management Information Systems
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: İZMİR BAKIRÇAY ÜNİVERSİTESİ
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Yönetim Bilişim Sistemleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 95
Özet
Bu çalışma acil servise başvuran hastaların yatışının tahmin edilmesi için farklı makine öğrenmesi yöntemlerinin karşılaştırılmasını amaçlamaktadır. Çalışmada Lojistik Regresyon, Yapay Sinir Ağları ve RUSBoost Ağaçlar (Random Under-Sampling Boosted Trees) makine öğrenmesi yöntemleri kullanılarak geliştirilen altı farklı modele yönelik tahmin performansları incelenmektedir. Her bir algoritma ile, hasta yatışını ilgilendiren bağımlı değişkenin dengesiz ve dengeli olarak dağıldığı farklı eğitim setleri kullanılarak iki ayrı model eğitilmiştir. Modeller çeşitli performans metrikleri kullanılarak karşılaştırılmıştır. Yapay Sinir Ağları ve dengeli veriseti kullanılarak eğitilen model, 0,88 doğruluk oranı, 0,84 hassasiyet, 0,90 özgüllük, 0,81 F1 skoru ve 0,94 AUC ile en başarılı tahmin performansını göstermiştir.
Özet (Çeviri)
This study aims to predict emergency-department patient admissions using machine learning methods. The study examines the predictive ability of six different models developed using machine learning algorithms, including Logistic Regression, Artificial Neural Networks (ANN), and Random Under-Sampling Boosted Trees (RUSBoost). Two separate models were trained for each algorithm, using imbalanced and balanced train sets. The models were compared based on their ability to predict hospital admission of emergency-department patients using multiple performance metrics. The best-performing model, which utilized the ANN approach, demonstrated an accuracy of 0.88, sensitivity of 0.84, specificity of 0.90, F1 score of 0.81, and AUC of 0.94.
Benzer Tezler
- Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması
Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications
HAKAN ÇUHADAROĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Retweet tahminlemesinin makine öğrenmesi algoritmaları ile karşılaştırılması ve önerilen tweet öznitelikleri ile iyileştirilmesi
Comparison of retweet prediction with machine learning algorithms and improving with proposed tweet attributes
SAFA ENES TÜRKOĞLU
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ALEV MUTLU
- Makine öğrenmesi algoritmaları kullanılarak diyabetin erken teşhisi ve performans karşılaştırması
Early diagnosis of diabetes using machine learning algorithms andperformance comparison
ALMİLA SU SALİN
Yüksek Lisans
Türkçe
2025
Yönetim Bilişim SistemleriUfuk ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. ARAL EGE
- Improved hilbert huang transform supported by machine learning algorithms for signal analysis
Sinyal analizi icin makine öğrenme algoritmaları ile desteklenen geliştirilmiş hilbert huang dönüşümü
HAMİD ERİNÇ KARATOPRAK
Doktora
İngilizce
2019
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. ŞAHİN SERHAT ŞEKER
- Pulmonary sounds analysis for comparison of smokers with healthy non-smokers and copd patients
Sigara içenlerin sağlıklı sigara içmeyenler ve koah hastaları ile karşılaştırılması için akciğer sesleri analizi
AMROU WALI
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Bilgi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İPEK ŞEN