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
- Tez No: 882809
- Danışmanlar: DOÇ. DR. EMRE UĞUR, PROF. DR. AYŞE BAŞAR
- Tez Türü: Yüksek Lisans
- Konular: Acil Tıp, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Emergency Medicine, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Boğaziçi Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 85
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
- Derin öğrenme yöntemleriyle Parkinson hastalığı teşhisi
Parkinson's disease diagnosis with deep learning methods
CEM GÖKTUĞ
Yüksek Lisans
Türkçe
2024
Yönetim Bilişim SistemleriSivas Cumhuriyet ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. OĞUZ KAYNAR
- Tokat gaziosmanpaşa ünıversitesi hastanesi için hibrit derin öğrenme (CNN-LSTM) modeli ile enerji talep tahminlemesi
Energy demand forecasting for tokat gaziosmanpaşa university hospital with hybrid deep learning (CNN-LSTM) model
ORHAN YILDIZ
Yüksek Lisans
Türkçe
2024
Elektrik ve Elektronik MühendisliğiTokat Gaziosmanpaşa ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. ZAFER DOĞAN
- Aiding agricultural practices with the exploration of earth observation data via machine learning
Yer gözlem uydu verilerinin tarımsal uygulamalara yardımcı olmak amacıya makine öğrenme algoritmaları ile incelenmesi
MEHMET FURKAN ÇELİK
Doktora
İngilizce
2023
Jeodezi ve Fotogrametriİstanbul Teknik ÜniversitesiGeomatik Mühendisliği Ana Bilim Dalı
PROF. DR. ESRA ERTEN
- Yapay sinir ağları ve derin öğrenme teknikleri kullanılarak elma ve ayvada çeşitli hastalıkların tespit edilmesi
Detection of various diseases in apple and quince by using artificial neural networks and deep learning techniques
AYSUN YILMAZ KIZILBOĞA
Yüksek Lisans
Türkçe
2021
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKırıkkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ATİLLA ERGÜZEN
- Uzun kısa süreli bellek (LSTM) kullanarak İstanbul ve civarı için deprem eğilimi tahmini
Earthquake trend prediction for İstanbul and surroundings using long short term memory (LSTM)
YASİN KARAKUŞ
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBursa Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. VOLKAN ALTUNTAŞ