Makine öğrenmesi yöntemleriyle In Vıtro Fertilizasyon tedavi başarısının tahminlenmesi
Prediction of success of In Vitro Fertilization treatment with machine learning methods
- Tez No: 895760
- Danışmanlar: PROF. DR. LALE ÖZBAKIR
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Makine Öğrenmesi, Veri Dengeleme, Öznitelik Seçimi, In Vitro Fertilizasyon, Tedavi Başarısı Tahmini, Machine Learning, Data Balancing, Feature Selection, In Vitro Fertilization, Treatment Success Prediction
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Endüstri Mühendisliği Bilim Dalı
- Sayfa Sayısı: 75
Özet
İnfertilite, dünya çapında yetişkin nüfusun yaklaşık %17,5'inde görülen önemli bir sağlık sorunudur. In Vitro Fertilizasyon (IVF), infertil çiftler için yaygın ve etkili bir tedavi yöntemidir. Bu çalışma, IVF tedavisi alan çiftlerde parametrelerin klinik gebelik sonucuna etkisinin analiz edilerek tedavi başarısını makine öğrenmesi algoritmaları ile tahminlemeyi amaçlamaktadır. Bu kapsamda IVF tedavisi alan 3627 çiftin 40 farklı öznitelikten oluşan sağlık verileri incelenmiştir. Tedavi başarısının tahmini için çeşitli makine öğrenmesi algoritmalarından; SVM, C4.5, CART, Rastgele Orman, k-NN, Naive Bayes, Lojistik Regresyon, ANN, Gradyan ve Uyarlamalı Arttırma kullanılmıştır. Tedavi başarısı iki farklı yaklaşımla tahmin edilmiştir. İlk yaklaşımda, çiftlerin tedavi süreci dahil tüm verileri analiz edilerek tedavi başarısı (başarılı=1 veya başarısız=0) tahmin edilmiştir. İkinci yaklaşımda ise, çiftlerin tedaviye başlama/başlamama kararını seçebilmelerini desteklemek amacıyla sadece tedavi öncesi verileri analiz edilerek tedavinin başarılı olma olasılığı tahmin edilmiştir. Tedavi tahmin başarılarını arttırmak için normalizasyon, veri dengeleme ve öznitelik seçimi yöntemleri uygulanarak performans metriklerine göre algoritmalar karşılaştırılmıştır. Elde edilen sonuçlara göre, 10-kat çapraz doğrulama ve Pearson korelasyonu ile öznitelik seçimi kullanılarak tedavi başarısının tahmini; %96,59 doğruluk değeriyle Rastgele Orman algoritmasıyla gerçekleştirilmiştir. Tedavi öncesi verileriyle çiftlerin tedavisinin başarılı olma olasılığı ise %91,40 doğruluk oranıyla yine Rastgele Orman algoritmasıyla tahmin edilmiştir. Bu çalışma IVF tedavi başarısını yüksek doğruluk oranlarıyla tahmin etmek için makine öğrenmesi algoritmalarının etkin bir şekilde kullanılabileceğini göstermektedir.
Özet (Çeviri)
Infertility is a major health problem that occurs in approximately 17.5% of the adult population worldwide. In Vitro Fertilization (IVF) is a common and effective treatment for infertile couples. This study aims to analyze the effect of parameters on clinical pregnancy outcomes in couples diagnosed with infertility and receiving IVF treatment and to predict treatment success with machine learning algorithms. The health data of 3627 couples who received IVF treatment, consisting of 40 attributes, were examined. From various machine learning algorithms for prediction of treatment success; SVM, C4.5, CART, Random Forest, k-NN, Naive Bayes, Logistic Regression, ANN, Gradient Boosting, and Adaptive Boosting were used. Treatment success using by two different approaches. In the first approach, all data of the couples, including the treatment process, were analyzed and the success of the treatment (successful=1 or unsuccessful=0) was predicted. In the second approach, the probability of success of the treatment was estimated by analyzing only the pre-treatment data to support the couples' choice of whether to start treatment or not. To improve treatment prediction accuracy, methods such as normalization, data balancing, and feature selection were applied, and the algorithms were evaluated based on performance metrics. Using 10-fold cross-validation and Pearson correlation-based feature selection, the Random Forest algorithm achieved 96.59% accuracy in predicting treatment success. For pre-treatment data, the Random Forest algorithm estimated the probability of success with 91.40% accuracy. This study demonstrates that machine learning algorithms can effectively predict IVF treatment success with high accuracy.
Benzer Tezler
- Preimplantation genetic diagnosis in balanced rearrangement carriers and investigation of inter chromosomal effect
Dengeli yapisal kromozom anomalisi taşıyıcılarında preimplantasyon genetik tanı ve kromozomlar arası etkilerin incelenmesi
ÇAĞRI OĞUR
Doktora
İngilizce
2023
BiyoistatistikYıldız Teknik ÜniversitesiBiyomühendislik Ana Bilim Dalı
DOÇ. DR. ALPER YILMAZ
PROF. DR. ŞEHİME GÜLSÜN TEMEL
- Antimicrobial peptide activity prediction using machine learning methods
Makine öğrenmesi yöntemleriyle antimikrobiyal peptit aktivite tahmini
ÜMMÜ GÜLSÜM SÖYLEMEZ
Doktora
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAbdullah Gül ÜniversitesiElektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BURCU GÜNGÖR
- Anti-koronavirüs peptitlerinin protein kodlama yöntemleri ile tespiti
Determination of anti-coronavirus peptides by protein coding methods
HASİBE CANDAN
Yüksek Lisans
Türkçe
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MURAT GÖK
- Interferon induced transmembrane protein 1 as a candidate clock regulator gene
Aday saat düzenleyici gen olarak ınterferon ile indüklenmiş transmembran protein 1
EYLEM KÜLKÖYLÜOĞLU
Yüksek Lisans
İngilizce
2015
GenetikKoç ÜniversitesiMoleküler Biyoloji ve Genetik Ana Bilim Dalı
DOÇ. DR. İBRAHİM HALİL KAVAKLI
- Proteinlerin düzensiz bölgelerinin tahmininde yeni öznitelik kodlama yöntemleri
New feature coding methods in disorder region estimate of protein
SEBAHATTİN BABUR
Yüksek Lisans
Türkçe
2016
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYalova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT GÖK