Geri Dön

Makine öğrenmesi algoritmaları kullanılarak sağlık sisteminde tahmin çalışması

Prediction study using machine learning algorithms in health system

PDF İndir

  1. Tez No: 904908
  2. Yazar: GÜLSÜM SALTAN YAŞLI
  3. Danışmanlar: DOÇ. DR. SEHER ARSLANKAYA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 173

Özet

Ülkemizde hastanelerin acil sağlık hizmeti verdiği acil servislerin hasta yoğunluğu, artan nüfusla ve artan salgın hastalık türleriyle beraber gün geçtikçe artmaktadır. Acil servislere başvuran hastaların şikayetlerine ve doktor yorumlarına bakıldığında; acil servise sadece durumu acil nitelikte hastalar başvurmamaktadır. Polikliniklere gidip teşhis ve tedavi süreci görmesi gerekirken, acil servislere başvuran hastalarda olmaktadır. Tüm bu durumlar acil servislerdeki hasta yoğunluğunu, dolayısıyla kalabalıklığı artırmaktadır. Acil servislere başvuran hastaların hepsinin acil bir şekilde, aynı anda sağlık hizmeti alabilmesi pek mümkün olamamaktadır. Durumu kritik olan hastaların hemen hizmet görmesi gerekirken, hayati tehlikesi bulunmayan hastaların farklı sınıflandırılması gerekmektedir. Bu sebeple hastaların sağlık durumları göz önüne alınarak bir önceliklendirme ve sınıflandırma yapılması gerekmektedir. Bu sınıflandırmaya ise tıp dilinde triyaj denilmektedir. Triyajdaki amaç; acil servise başvuran hastaların sağlık durumları esas alınarak triyaj alanlarına karar verilip, gerekli yönlendirmeler yapılmasıdır. Bu şekilde acil sağlık hizmetinin verimliliği ve süreçlerin verimliliği artmaktadır. Aynı zamanda hastanenin kaynakları etkin kullanılıp; bekleme ve hizmet süreleri kısaltılmaktadır. Triyaj kavramı ortaya çıktığı zamanlarda kullanılan tek bir standart varken, zaman içerisinde triyaj standartları sürekli gelişerek sayısı da artmıştır. Dünya geneline bakıldığında üç seviyeli, dört seviyeli ve beş seviyeli farklı triyaj sistemlerinin olduğu görülmektedir. Ülkemizde ise kırmızı, sarı, yeşil ana alan olmak üzere, kendi içerisinde bölümlere ayrılan bir triyaj sistemi mevcuttur. Çalışmada amaç; gerçek hayattan alınmış gerçek veriler ile makine öğrenmesi sınıflandırma algoritmalarını eğitip, triyaj alan tahmin modelini ve yatış-taburcu tahmin modelini oluşturup, bu modelleri test verileriyle test ettikten sonra elde edilen tahmin sonuçları göz önüne alınarak kullanılan sınıflandırma algoritmalarının performansını kıyaslamaktır. Bununla birlikte elde edilen makine öğrenmesi modelleri ile gerçek hayattaki problemlere çözüm ışığı olabilmektir. Bunun için, Türkiye'deki hastanelerin acil servisinden elde edilen gerçek triyaj verileriyle çalışılmak istenmiş ve Kartal Doktor Lütfü Kırdar Şehir Hastanesi Acil Tıp Kliniği ile görüşülmüştür. Çalışmaya başlamadan önce Sakarya Üniversitesinden etik kurul izni, hastaneden başhekim onayı alınmıştır. Bu çalışmada; Kartal Doktor Lütfü Kırdar Şehir Hastanesi Acil Tıp Kliniği'ne başvuran hastaların yaş, cinsiyet, yaşamsal bulgular, hastalık şikayetleri, önceden sahip olmuş ya da şu an sahip olduğu hastalıkları, acil servise varış şekli, Glasgow koma skalaları gibi verileri toplanmış olup, veriler manuel olarak toplanmıştır. Veri seti 2023 yılı Ocak-Nisan ayları arasında hastaneye başvuran 18 yaşından büyük hastaları kapsamaktadır. Direkt gebelikle ilgili vakalar veri setine dahil edilmemiştir. Sözel verilerin karşılıklarını elde etmek uzun sürmesi sebebiyle veri toplama süreci 2023 yılı Ocak-Eylül aylarını kapsamaktadır. Çalışmada toplam 3.000 hastanın 56 çeşit girdi bilgisi kullanılmış olup 2 farklı tahmin çalışması yapılmıştır. İlk olarak hastaların triyaj alan sınıflandırmaları yeşil, sarı, kırmızı olarak tahmin edilmiş; ikinci çalışma olarak ise yatış-taburcu durumu yani hastaların sağlık hizmeti aldıktan sonra direkt taburcu mu olacağı yoksa yatış mı yapacağı tahmin edilmiştir. Tahmin çalışmaları için toplanan bu veriler, % 80 eğitim verisi ve %20 test verisi olacak şekilde ikiye ayrılmıştır. Eğitim verileriyle makine öğrenmesi sınıflandırma algoritmalarıyla 12'şer tane eğitilmiş model elde edilmiştir. Çalışmada; gini ve entropi kriteriyle karar ağacı algoritması, doğrusal destek vektör makinesi algoritması, RBF-poly-sigmoid çekirdekler ile doğrusal olmayan destek vektör makinesi algoritması, naive bayes algoritması, lojistik regresyon algoritması, manhattan ve minkowski uzaklığıyla k-en yakın komşu algoritması, gini ve entropi kriterleriyle rassal orman algoritması kullanılmıştır. Test verileriyle eğitilmiş modeller ile tahmin çalışması yapılıp, karışıklık matrisleri elde edilmiştir. Karışıklık matrisleri ile performans ölçütleri olan doğruluk, kesinlik, duyarlılık, F skor, AUCROC değerleri hesaplanmıştır. Ardından her iki tahmin çalışması için de çapraz doğrulama işlemi yapılmıştır. Tüm bu elde edilen sonuçlar, öncelikle kendi tahmin çalışması içerisinde kıyaslanmış ardından iki tahmin çalışmasından elde edilen sonuçlar birlikte değerlendirilmiştir. Değerlendirmeler sonucunda triyaj alan tahmini çalışmasında; %97,79 en yüksek AUROC değeri karar ağacı-entropi algoritmasıyla, %96 en yüksek doğruluk oranı rassal orman gini ve entropi algoritmalarıyla elde edilmiştir. Triyaj alan sınıflandırmasında çapraz doğrulama işlemiyle % 97,05 en yüksek doğruluk oranı karar ağacı-gini algoritmasıyla elde edilmiştir. Yatış-taburcu olma durumu tahmin çalışmasında ise; %68,26 en yüksek AUROC değeri rassal orman-gini algoritmasıyla ve yine %90,8 en yüksek doğruluk oranı rassal orman gini algoritmalarıyla elde edilmiştir. Yatış-taburcu olma durumu sınıflandırmasında çapraz doğrulama işlemiyle % 89,12 en yüksek doğruluk oranı rassal orman-gini algoritmasıyla elde edilmiştir. Karar ağacı algoritmasıyla triyaj alan sınıflandırmasında yüksek performans oranları elde edilebildiği, rassal orman-gini algoritmasıyla yatış-taburcu durum tahmininde en yüksek değerler elde edildiği görülmüştür. Sonuç olarak, triyaj sürecinde makine öğrenmesi algoritmalarının kullanılması durumunda yüksek performans oranlarıyla verimliliği artırabilecek başarılı triyajlar yapılabilmektedir. Makine öğrenmesi algoritmalarının triyaj süreçlerinde kullanılmasıyla; daha kaliteli triyaj sınıflandırması yapılabileceği, acil servis süreçlerinin daha verimli yürütülebileceği, hastane kaynaklarının daha verimli ve planlı kullanılabileceği, hastaların bekleme sürelerinin azaltılabileceği, hasta memnuniyetinin arttırılabileceği öngörülmektedir.

Özet (Çeviri)

In our country, the patient density of emergency departments, where hospitals provide emergency health services, is increasing day by day with the increasing population and increasing epidemic disease types. Looking at the complaints and doctor's comments of patients applying to emergency services; Only patients with urgent conditions do not apply to the emergency department. Patients who need to go to outpatient clinics for diagnosis and treatment are also admitted to emergency departments. All these situations increase the patient density and therefore crowding in emergency departments. It is not possible for all patients applying to emergency departments to receive emergency health care at the same time. While patients in critical condition should receive service immediately, patients whose condition is not life-threatening should be classified differently. For this reason, patients need to be prioritized and classified according to their health status. This classification is called triage in medical language. Triage practices in emergency departments are an integral part of hospital health services. The purpose of triage is the aim is to decide on triage areas and provide necessary guidance based on the health status of patients applying to the emergency department. In this way, the efficiency of emergency health care and the efficiency of the processes increase. At the same time, the resources of the hospital are used effectively; waiting and service times are shortened. Triage is also an important practice to determine the care priority of patients. It aims to have the right patient in the right place at the right time. Due to the high number of patients applying to the emergency department, many critically ill patients in the emergency department are at risk of experiencing poor health outcomes due to the delay in triage decisions. For this reason, it is very important to decide which patient should be seen first. Triage systems are used to decide on the order of treatment and determine urgency situations when a large number of patients apply. Inconsistent triage decisions or misclassifications lead to an increase in the occurrence and incidence of patient deaths. High triage accuracy leads to better quality emergency services. While there was only one standard used when the concept of triage emerged, the number of triage standards has constantly improved and increased over time. When we look around the world, it can be seen that there are different triage systems with three levels, four levels and five levels. In our country, there is a triage system divided into sections, including red, yellow and green main areas. The aim of the study is to train machine learning classification algorithms with real data from real life, create a triage area prediction model and hospitalization-discharge prediction model, and compare the performance of the classification algorithms used by taking into account the prediction results obtained after testing these models with test data. In addition, with the machine learning models obtained, it is aimed to be a solution light for real-life problems. In this study, data such as age, gender, vital signs, disease complaints, previous or current diseases, mode of arrival to the emergency department, Glasgow coma scales were used, and data were collected manually from patients who applied to the Emergency Medicine Clinic of Kartal Dr. Lütfü Kırdar City Hospital. In this study, we wanted to work with real triage data obtained from the emergency departments of hospitals in Turkey. For this purpose, the Emergency Medicine Clinic of Kartal Dr. Lütfü Kırdar City Hospital was contacted. Before starting the study, ethics committee approval was obtained from Sakarya University and head doctor approval was obtained from the hospital. The dataset includes patients older than 18 years of age admitted to hospital between January and April 2023. Cases directly related to pregnancy are not included in the dataset. The data collection period covers January-September 2023. In the study, 56 types of input information from a total of 3,000 patients were used and 2 different prediction studies were conducted. Firstly, the triage area classifications of the patients were predicted as green, yellow, red; and secondly, the hospitalization-discharge status, that is, whether the patients will be directly discharged or hospitalized after receiving health services, was predicted. These data collected for prediction studies were divided into two parts, 80% training data and 20% test data. With the training data, 12 trained models were obtained with machine learning classification algorithms. In the study, decision tree algorithm with gini and entropy criteria, linear support vector machine algorithm, nonlinear support vector machine algorithm with RBF-poly-sigmoid kernels, naive bayes algorithm, logistic regression algorithm, k-nearest neighbor algorithm with manhattan and minkowski distance, random forest algorithm with gini and entropy criteria were used. Confusion matrices were obtained by performing prediction studies with models trained with test data. Confusion matrices and performance measures of accuracy, precision, recall, F score and AUCROC values were calculated. Then, k-fold cross-validation was performed for both prediction studies. Cross-validated model building enables the development of machine learning applications that work with high accuracy or performance. Different cross-validation techniques make it possible to predict the performance of a model without compromising the test split, eliminating problems that can be caused by an unbalanced data split. In this way, classification processes provide more consistent results. All these results are firstly compared within their own prediction study and then the results obtained from the two prediction studies are evaluated together. As a result of the evaluations, in the triage area prediction study; The highest AUROC value of 97.79% was obtained with the decision tree-entropy algorithm, and the highest accuracy rate of 96% was obtained with the random forest and entropy algorithms. In triage area classification, the highest accuracy rate of 97.05% was obtained with the decision tree-gini algorithm through the k-fold cross-validation process. In the hospitalization-discharge prediction study; The highest AUROC value of 68.26% was obtained with the random forest-gini algorithm and the highest accuracy rate of 90.8% was obtained with the random forest-gini algorithms. In the classification of hospitalization-discharge status, the highest accuracy rate of 89.12% was obtained with the random forest-gini algorithm with k-fold cross-validation. It was observed that high performance rates could be achieved in triage area classification with the decision tree algorithm, and the highest values were obtained in hospitalization-discharge status prediction with the random forest-gini algorithm. As a result, if machine learning algorithms are used in the triage process, successful triages can be performed that can increase efficiency with high performance rates. By using machine learning algorithms in triage processes; it is predicted that better quality triage classification can be made, emergency service processes can be carried out more efficiently, hospital resources can be used more efficiently and planned, waiting times of patients can be reduced, and patient satisfaction can be increased. With the hospitalization prediction study, it is predicted that the doctors will know whether the patient who applies to the emergency service will be hospitalized or discharged before the patient is admitted to the emergency service, and according to this density, it is predicted that the planning of beds, medicines, health equipment, all the resources and doctors will be more accurate and more efficient.

Benzer Tezler

  1. Tez No

    455369

    The information theoretical privacy and the impact of communication channel on information theoretic privacy

    Bilgi kuramsal mahremiyet ve haberleşme kanalının bilgi kuramsal mahremiyete etkisi

    MEHMET ÖZGÜN DEMİR

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    Elektrik ve Elektronik Mühendisliğiİstanbul Teknik Üniversitesi

    Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı

    DOÇ. DR. GÜNEŞ ZEYNEP KARABULUT KURT

  2. Tez No

    534059

    Derin öğrenme ile havadaki partikül madde konsantrasyonu tahmini

    Forecasting of particulate matter concentration with deep learning method

    YASİN AKIN AYTURAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKTO Karatay Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN OKTAY ALTUN

    DR. ÖĞR. ÜYESİ FATMA DİDEM TUNÇEZ

  3. Tez No

    695489

    Dikkat eksikliği ve hiperaktivite bozukluğu olan çocuklarda bilişsel fonksiyonların elektroensefalografi, uyarılmış potansiyel ve fonksiyonel yakın kızılötesi spektroskopisi yöntemleriyle incelenmesi

    Investigation of cognitive functions of children with attention deficiency and hyperactivity disorder via electroencephalography, evoked potentials and functional near-infrared spectroscopy

    MİRAY ALTINKAYNAK

    Doktora

    Türkçe

    Türkçe

    2021

    Mühendislik BilimleriErciyes Üniversitesi

    Biyomedikal Mühendisliği Ana Bilim Dalı

    PROF. DR. AYŞEGÜL GÜVEN

  4. Tez No

    827867

    Classification of abnormal respiratory sounds using deep learning techniques

    Solunum seslerinin derin öğrenme yöntemleri ile sınıflandırılması

    AHAMADI ABDALLAH IDRISSE

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Bilimleri Ana Bilim Dalı

    DOÇ. DR. OKTAY YILDIZ

  5. Tez No

    909836

    Makine öğrenmesi algoritmaları ile kalp hastalığı tahmini

    Heart disease prediction with machine learning algorithms

    YÜKSEL AKTAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolİSTANBUL BEYKENT ÜNİVERSİTESİ

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TALAT FİRLAR

Geri Dön