Geri Dön

Using traditional and deep machine learning methods on predicting triage level in an emergency room

Geleneksel makine öğrenmesi ve derin öğrenme yöntemleriyle acil servis triyaj tahminlemesi

PDF İndir

  1. Tez No: 882809
  2. Yazar: MEHMET YILDIRIM
  3. Danışmanlar: DOÇ. DR. EMRE UĞUR, PROF. DR. AYŞE BAŞAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Acil Tıp, Computer Engineering and Computer Science and Control, Emergency Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: İngilizce
  9. Üniversite: Boğaziçi Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, geleneksel makine öğrenmesi ve derin öğrenme yöntemlerini kullanarak Türkiye'deki acil servislerde triyaj seviyelerinin tahmin edilmesini ele almaktadır. Türk sağlık sisteminin ve dilinin karmaşıklığı, bu tür tahmin modelleri için zorluklar oluşturmaktadır. Bu zorlukları aşmak için çeşitli makine öğrenimi modelleri, metin vektörü teknikleri ve ardışık veri tahminlerini kapsayan kapsamlı bir metodoloji kullanılmıştır. Lojistik Regresyon, Rastgele Orman ve XGBoost gibi geleneksel makine öğrenimi modellerinin performansının yanında Basit Sinir Ağı ve CNN-LSTM-Attention derin modeli ile inceleyerek başlamıştır. Bu modeller, acil servis ziyaretlerinden elde edilen yapılandırılmış ve yapılandırılmamış verilerden oluşan bir veri seti kullanılarak değerlendirilmiştir. Yapılandırılmamış veriler, özellikle başvuru şikayetleri, çeşitli vektör dönüşüm yöntemleri kullanılarak işlenmiştir; bunlar arasında Türkçe metin için özel olarak hazırlanmış BoW, Word2Vec ve BERT tabanlı vektör dönüşümleri bulunmaktadır. Çalışmanın önemli bir yönü, önceki ziyaretler ve teşhis edilen hastalıklar hakkındaki verilerin modellere dahil etmesidir. Farklı girdile tipleri kullanabilen Tekrarlayan Sinir Ağları ve Uzun Kısa Süreli Hafıza ağlarını kullanan gelişmiş bir model de incelendi. Ayrıca hata türlerine farklı ağırlıklar verilerek hesaplanan ayarlanabilir F1 skoru isimli yeni bir performans ölçüm metriği inşa ettik. Sonuç olarak, XGBoost - Word2Vec, kapsamlı bir özellik seti kullanıldığında en etkili model oldu. Çeşitli girdileri kullanan derin öğrenme modeli, belirli senaryolarda üstün performans gösterdi. Çalışma, acil servis verilerindeki karmaşık desenleri anlayabilmek için daha sofistike modellere ihtiyaç duyulduğunu vurgulayarak gelecekteki araştırmalar için önerilerle sona ermektedir.

Özet (Çeviri)

This research addresses the challenge of predicting triage levels in emergency room using traditional and deep machine learning methods in Turkey. The complexity of the local healthcare system and the Turkish language poses challenges for such predictive modeling. We employed a comprehensive methodology using various machine learning models, text embedding techniques, and sequential data analysis. We explored the performance of traditional machine learning models like Logistic Regression, Random Forest, and XGBoost, with the deep models like simple Neural Network model and a CNN-LSTM-Attention model. We evaluated these models using a dataset consisting of structured and unstructured data from emergency department visits at Ödemiş Devlet Hastanesi in İzmir. The unstructured data, particularly the complaints, were processed using various text embedding methods, including Bag of Words, Word2Vec, and BERT-based embeddings.. An important aspect of the study was the incorporation of patient history into the models. This included data on previous visits and diagnosed diseases, which were modeled using sequential methods like Recurrent Neural Networks and Long Short-Term Memory networks. The study also examined the effectiveness of the CNN-LSTM-Attention model, which combined different inputs. Also, we provided a new performance measure, customized F1 score, which is calculated by giving different weights for each error type. As a result, XGBoost with Word2vec emerged as the most effective traditional model, especially when using a comprehensive set of features. Deep models, combined various inputs, showed better performance in certain scenarios. As conclusion with future suggestions , emphasizing the need for more sophisticated models for several inputs to handle the complex patterns in emergency room data.

Benzer Tezler

  1. Tez No

    888045

    Kestirimci bakım için makine öğrenmesi ve derin öğrenme yöntemleri uygulanarak hata tespiti ve sınıflandırılması

    Fault detection and classification for predictive maintenance using machine learning and deep learning methods

    UĞUR İLERİ

    Doktora

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiDüzce Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF ALTUN

  2. Tez No

    917403

    Makine öğrenmesi yöntemleri ile hibrit ve kompozit ZA-27 alaşımlarının aşınma davranışlarının karşılaştırmalı analizi

    Comparative analysis of wear behavior of hybrid and composite ZA-27 alloys using machine learning methods

    SENA NUR ADIYAMAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜLTEKİN ÇAĞIL

  3. Tez No

    1001485

    Yükseköğretimde akademik riskli öğrencilerin farklı makine öğrenmesi yöntemleriyle incelenmesi

    Examining students at academic risk in higher education using different machine learning methods

    MUSTAFA KÖSE

    Doktora

    Türkçe

    Türkçe

    2026

    Eğitim ve ÖğretimAnkara Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    PROF. DR. CELAL DEHA DOĞAN

  4. Tez No

    979167

    Implementation and assessment of machine learning methods for multidisciplinary aerospace problems

    Makine öğrenmesi yöntemlerinin çok disiplinli hava-uzay problemlerine uygulanması ve değerlendirilmesi

    DİLAN KILIÇ

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Uçak Mühendisliğiİstanbul Teknik Üniversitesi

    Uçak ve Uzay Mühendisliği Ana Bilim Dalı

    PROF. DR. MELİKE NİKBAY

  5. Tez No

    842476

    Deep learning approaches for hailstorm detection and forecasting using CNN and LSTM algorithms: Comparative evaluation of radar products

    Derin öğrenme yaklaşımlarıyla dolu fırtınası tespiti ve tahmini için CNN ve LSTM algoritmalarının kullanılması: Radar ürünlerinin karşılaştırmalı değerlendirmesi

    NAHİT ÇATMADIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Meteorolojiİstanbul Teknik Üniversitesi

    İklim ve Deniz Bilimleri Ana Bilim Dalı

    PROF. DR. MEHMET SİNAN ÖZEREN

Geri Dön