Makine öğrenmesi ile hipertansiyon olma riskinin öngörülmesi
Predicting the risk of hypertension with machine learning
- Tez No: 868022
- Danışmanlar: DOÇ. DR. GÖKÇE İŞCAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Aile Hekimliği, Family Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Aile Hekimliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 118
Özet
Hipertansiyon, dünya genelinde önlenebilir ölüm sebepleri içerisinde en başta gelen risk faktörüdür. Hipertansiyon genellikle asemptomatik olarak karşımıza çıkar. Hipertansiyonu olan kişilerde sürekli yükselmiş kan basıncına maruz kalmak genellikle arteriyoskleroz, miyokard enfarktüsü ve felç gibi istenmeyen durumlara sebebiyet vermektedir Önemli bir küresel sağlık riski olan hipertansiyon, dünya genelinde 1,13 milyar kişiyi etkilemektedir. Fakat bireylerin hemen hemen yarısı hipertansiyonu olduğunu bilmemektedir. Bu sebeple, kardiyovasküler hastalıkların (KVH) meydana gelme ihtimalinin azaltılması ve kan basıncı değerlerinin optimum seviyede tutulması için hipertansiyon tanısını ve izlenmesini geliştirmek önemlidir. Bu hastalığın teşhisinde genellikle kan değerleri, fizik muayene bulguları, idrar tetkikleri, evde kan basıncı izlemi kullanılmaktadır. Bu tanı yöntemlerinin dışında, birçok alanda olduğu gibi, bu hastalığın tanısı için de bilgisayar destekli programlar kullanılmaktadır. Bu tez çalışmasının amacı, ilerleyen aşamalara kadar asemptomatik seyreden, genellikle komplikasyonlarla karşımıza çıkan, erken tespit edildiğinde komplikasyonların önüne geçilebilecek bir hastalık olan hipertansiyonun erken aşamada tanınabilmesi amacıyla makine öğrenmesi algoritmaları kullanılarak hipertansiyonun erken teşhis edilebilmesi ile bireyi doğru ve erken tedaviye yönlendirerek bireyi geç kalınmış teşhis ve bununla beraber gelen diğer hastalık risklerinden korumak, konforlu ve rahat bir yaşam sürebilmesine yardımcı olabilmektir. Bu çalışmadaki veri seti Isparta Süleyman Demirel Üniversitesi Aile Hekimliği Polikliniği'ne 01.01.2019-01.01.2023 tarihleri arasında başvuran hastalardan elde edilen verilerden hazırlanmıştır. Veri seti toplam 399 kişiden oluşmaktadır. Bu veri seti 34 parametreden oluşmaktadır. Bunlardan bir tanesi sınıf değişkenidir. Çalışmada HT erken aşamada tespit etmek için 4 farklı makine öğrenmesi algoritması kullanılmıştır. Bu algoritmaların performansları WEKA paket programı ile değerlendirilmiştir. Veriler %66 eğitim seti, %34 test seti şeklinde ayrılarak analiz edilmiştir. Analizler sonucundan en iyi performansı %80,147 doğruluk oranı ile SVM (Destek Vektör Makineleri) algoritması vermiştir. TP oranı: 0,801, FP Oranı: 0,202 ve ROC Alanı:0,800 olarak hesaplanmıştır. Çalışmayla ilgili uygulanan bütün algoritmalara ait bulgular çalışma içinde bulunan tablolarda detaylı olarak gösterilmiştir.
Özet (Çeviri)
Hypertension is the leading risk factor among preventable causes of death worldwide. Hypertension usually occurs asymptomatic. In people with hypertension, exposure to constantly elevated blood pressure often causes undesirable conditions such as arteriosclerosis, myocardial infarction and stroke. Hypertension, a major global health risk, affects 1.13 billion people worldwide. However, almost half of individuals do not know that they have hypertension. Therefore, it is important to improve the diagnosis and monitoring of hypertension to reduce the likelihood of cardiovascular diseases (CVD) and to keep blood pressure values at an optimum level. Blood values, physical examination findings, urine tests, and home blood pressure monitoring are generally used to diagnose this disease. Apart from these diagnostic methods, computer-aided programs are used for the diagnosis of this disease, as in many areas. The aim of this thesis is to diagnose hypertension at an early stage, which is a disease that is asymptomatic until the later stages, usually presents with complications, and complications can be prevented if detected early. By using machine learning algorithms, hypertension can be diagnosed at an early stage, and by directing the individual to the correct and early treatment, thus preventing late diagnosis and preventing the individual from being diagnosed. It is to protect against the risks of other diseases that come with it and to help them live a comfortable and comfortable life. The data set in this study was prepared from the data obtained from patients who applied to Isparta Süleyman Demirel University Family Medicine Polyclinic between 01.01.2019 and 01.01.2023. The data set consists of a total of 399 people. This data set consists of 34 parameters. One of them is a class variable. In the study, four different machine learning algorithms were used to detect HT at an early stage. The performances of these algorithms were evaluated with the WEKA package program. The data was analyzed by dividing it into 66% training set and 34% test set. As a result of the analysis, the SVM (Support Vector Machines) algorithm gave the best performance with an accuracy rate of 80.147%. TP ratio: 0.801, FP Ratio: 0.202 and ROC Area: 0.800. The findings of all algorithms applied in the study are shown in detail in the tables included in the study.
Benzer Tezler
- Tip 2 diyabet hastalığında fenotip verilerinin makine öğrenmesi algoritmaları ile incelenmesi
Investigation of phenotype data with machine learning algorithms in Type 2 diabetes disease.
ŞEBNEM GÜL
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- A hybrid deep learning metaheuristic model for diagnosis of diabetic retinopathy
Diyabetik retinopatinin tanısı için hibrit bir derin öğrenme meta-sezgisel modeli
ÖMER FARUK GÜRCAN
Doktora
İngilizce
2022
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK BEYCA
- İdrar yolu enfeksiyonu geçiren çocuklarda başvuru şikayetlerinin yapay zeka verisi olma yeterliliğinin değerlendirilmesi
Evaluation of the sufficiency of presenting complaints to be artificial intelligence data in children with urinary tract infection
ZEHRA BURCU YILMAZ
Tıpta Uzmanlık
Türkçe
2022
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. NİDA DİNÇEL
- Detection cardiovascular diseases using machine learning algorithms
Makine öğrenmesi algoritmaları ile kardiyovasküler hastalıkların tahmin edilmesi
SIMA BEHBUDOVA
Yüksek Lisans
Türkçe
2023
Biyomühendislikİstanbul Üniversitesi-CerrahpaşaBiyomedikal Mühendisliği Ana Bilim Dalı
DOÇ. DR. ABDURRAHİM AKGÜNDOĞDU
- COVID-19 hastalarında ilk başvurudaki verilerle hastalık şiddetinin makine öğrenmesi yöntemleri ile öngörülmesi
Prediction of disease severity with machine learning methods in COVID-19 patients with the data at the first hospitalization
KÜBRA KÖKSAL
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ZEHRA AYSUN ALTIKARDEŞ
DOÇ. DR. BUKET DOĞAN