ICD tanı (International Classification of Diseases- Uluslararası Hastalık Sınıflandırması) üzerinden kalp krizi tahminlemesi
Prediction of heart attacks from ICD diagnosis (International Classification of Diseases)
- Tez No: 856599
- Danışmanlar: DR. ÖĞR. ÜYESİ GÖKALP TULUM
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Üsküdar Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Yapay Zeka Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Yapay Zeka Mühendisliği Bilim Dalı
- Sayfa Sayısı: 72
Özet
Dünya Sağlık Örgütü'nün (DSÖ) yayınladığı istatistiklere göre her yıl, kalp ve damar hastalıkları nedeniyle ortalama 17 milyon insan hayatını kaybediyor. Uzmanlar, bu rakamın 2030 yılına kadar 23 milyonu aşabileceğini tahmin ediyorlar. Türkiye'de ise ölümlerin %40'tan fazlasının kalp hastalıklarından kaynaklandığı bilinmektedir. Sigorta sektöründe müşterilerin sağlık durumunu belirlerken, kalp krizi öncesi belirtiler gibi faktörler de dikkate alınır. Bu belirtiler, kişinin doktora gitmesi ve kalp krizi riskini azaltmak için gerekli önlemleri alması adına erken uyarı sinyalleri olarak kabul edilir. Bu çalışmada, özel sağlık sigortası kapsamında kalp krizi geçiren hastaların son bir yıllık ICD (Uluslararası Hastalık Sınıflandırılması) tanı bilgileri ve genel demografik öznitelikleri kullanılarak kalp krizi geçirip geçirmeyeceği tahmin edilmiştir. Bu kapsamda, geçmişe dönük çeşitli belirtiler sebebiyle oluşan ICD tanı bilgilerinin benzerlikleri, kalp krizine giden yolda erken uyarı sinyali olarak kabul edilmiştir. Çalışmada, özel bir sigorta firmasından alınan yaklaşık 90 bin sigortalının verileri kullanılmıştır. Herhangi bir laboratuvar verisi kullanılmadığı için, geliştirilen ANN (Artificial Neural Network), GRU (Gated Recurrent Units), LSTM (Long short-term memory) ve GRU ile LSTM hibrit modelleri oluşturulmuştur. Geçmiş tanılar yardımıyla kalp krizi geçirme olasılığını tahmin etmek için kullanılmıştır. Kalp krizi geçiren hastaların tespiti çok önemli olduğu için, modelin eşik değeri %95 olarak belirlenmiş ve buna göre 32% (ANN), %70 (GRU), %76 (LSTM), %80 (GRU&LSTM) F1 skor başarısına ulaşılmıştır. Geliştirilen bu modeller ile geçmiş tanılar yardımıyla kalp krizi geçirme olasılığı, laboratuvar ölçümü gerektirmeden erken teşhisi tahmin edilebilir hale gelmiştir.
Özet (Çeviri)
According to statistics released by the World Health Organization (WHO), an average of 17 million people die each year due to cardiovascular diseases. Experts predict that this number could exceed 23 million by 2030. In Turkey, over 40% of deaths are attributed to heart diseases. In the insurance sector, factors such as pre-heart attack symptoms are considered when assessing the health condition of customers. These symptoms act as early warning signals for individuals to consult a doctor and take necessary precautions to reduce the risk of a heart attack. In this study, we aimed to predict the likelihood of individuals experiencing a heart attack while under private health insurance coverage. We used the previous year's ICD (International Classification of Diseases) diagnosis information and general demographic characteristics of patients. Similarities in past ICD (Internatıonal Classıfıcatıon Of Dısease) diagnosis information resulting from various symptoms were considered as early warning signals for a potential heart attack. The study utilized data from approximately 90,000 insured individuals from a private insurance company. Laboratory data was not used in the analysis. Instead, we developed ANN (Artificial Neural Network), GRU (Gated Recurrent Units), LSTM (Long Short-Term Memory), and hybrid GRU with LSTM models. By utilizing past diagnoses, we aimed to predict the likelihood of a heart attack. Detecting individuals who have experienced a heart attack is crucial. Therefore, we set the threshold value of the model at 95%. As a result, we achieved a 32% (ANN), 70% (GRU), 76% (LSTM), and 80% (GRU&LSTM) F1 score success. These developed models allow for the prediction of the probability of experiencing a heart attack based on past diagnoses, eliminating the need for laboratory measurements and enabling early diagnosis.
Benzer Tezler
- Diyabetik hasta profilimiz ve hemoglobin A1c ile hemogram testindeki inflamatuar belirteçlerin ilişkisi
Our diabetic patient profile and the relationship between hemoglobin A1c levels and inflammatory markers in the hemogram test
NURULLAH USLU
Tıpta Uzmanlık
Türkçe
2021
İç HastalıklarıKarabük ÜniversitesiAile Hekimliği Ana Bilim Dalı
DOÇ. DR. NURHAYAT ÖZKAN SEVENCAN
- Klinik örneklemler ışığında ICD-10 uygulamalarının değerlendirilmesi
The evaluation of ICD-10 applications in light of clinical samplings
LEYLA SERİNOĞLU
Yüksek Lisans
Türkçe
2015
HastanelerOkan ÜniversitesiSağlık Yönetimi Ana Bilim Dalı
YRD. DOÇ. DR. ONUR YARAR
- Karmaşık travma sonrası stres bozukluğunun yakın partner şiddeti, çocukluk çağı travmaları ve başa çıkma stilleri ile ilişkisi
The relationship between complex post traumatic stress disorder with intimate partner violence, childhood traumas and coping styles
SAFİYE ÜNALIR
Yüksek Lisans
Türkçe
2024
PsikolojiAnkara Sosyal Bilimler ÜniversitesiKlinik Psikoloji Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA ERŞAHİN
- İzole el yaralanmalı hastaların epidemiyolojik ve klinik verilerinin değerlendirilmesi
Evaluation of epidemiologic and clinical data of patients with isolated hand injuries
ALİ SAMET ÇİZMECİ
Tıpta Uzmanlık
Türkçe
2024
Acil TıpOndokuz Mayıs ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. HIZIR UFUK AKDEMİR
- 2020 yılında Sivas Numune Hastanesi'ne başvuran hipertansiyon hastalarının farmakolojik tedavilerinin retrospektif incelenmesi ve değerlendirilmesi
Retrospective investigation and evaluation of the pharmacological treatments of hypertension patients applied to Sivas Numune Hospital in 2020
EGE GÖK
Yüksek Lisans
Türkçe
2021
Eczacılık ve FarmakolojiSivas Cumhuriyet ÜniversitesiTıbbi Farmakoloji Ana Bilim Dalı
PROF. DR. MUSTAFA KEMAL YILDIRIM