Sağlık alanında gradyan temelli makine öğrenmesi yöntemleri ile triaj belirleme
Triage determination with gradient-based machine learning methods in health field
- Tez No: 905288
- Danışmanlar: DR. ÖĞR. ÜYESİ TOLGA BERBER
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Karadeniz Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: İstatistik ve Bilgisayar Bilimleri Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, makine öğrenimi algoritmalarının hastanın şikayetine göre ilgili branş hekimine yönlendirme süreçlerinde karar destek sistemlerine entegrasyonu incelenmiş ve hasta verilerini kullanarak hastaların hastane girişinde doğru bölüme yönlendirilmesini sağlayacak bir model geliştirilmiştir. Çalışmada, Özel Türkiye Hastanesi'nden elde edilen yaklaşık bir milyon anonimleştirilmiş hasta kaydı analiz edilmiştir. Araştırma kapsamında Naive Bayes, Destek Vektör Makineleri, Yapay Sinir Ağları, Rastgele Orman, AdaBoost, Gradient Boosting, CatBoost, LightGBM ve XGBoost gibi çeşitli makine öğrenimi algoritmaları kullanılmış ve bu algoritmaların performansları karşılaştırılmıştır. Elde edilen sonuçlar, XGBoost algoritmasının %97 doğruluk oranı ile en yüksek performansı gösterdiğini ortaya koymuştur. Bu bulgu, XGBoost algoritması ile elde edilen modelin sağlık hizmetlerinde hastanın doğru bölüme karar vermesi hususunda oldukça etkili bir karar destek modeli olabileceğini göstermektedir. Veri işleme sürecinde, hasta şikayetleri gibi metin verileri TF-IDF yöntemleriyle sayısal forma dönüştürülmüş. Modelin başarısı, doğruluk metriği ile değerlendirilmiş ve sınıf bazında performans karışıklık matrisi kullanılarak incelenmiştir. Çalışmanın sonuçları, triaj süreçlerinin otomatikleştirilmesi ve sağlık profesyonellerine destek sağlanması açısından önemli bir potansiyel ortaya koyduğu görülmüştür. Bu çalışma, yapay zekâ ve makine öğrenimi teknolojilerinin sağlık hizmetlerinde karar destek sistemleri olarak nasıl kullanılabileceğini göstermekte ve bu alandaki literatüre katkı sağlamayı amaçlamaktadır.
Özet (Çeviri)
In this thesis, the integration of machine learning algorithms into decision support systems in the process of directing patients to the relevant branch physician according to their complaints was examined and a model was developed that will enable patients to be directed to the correct health department at the hospital entrance using patient data. This thesis examines the integration of machine learning algorithms into decision support systems in the process of directing patients to the relevant branch physician according to their complaints was examined and a model was developed that will enable patients to be directed to the correct health department at the hospital entrance using patient data. The study analyzed approximately one million anonymized patient records obtained from Özel Türkiye Hospital. Various machine learning algorithms, including Naive Bayes, Support Vector Machines, Artificial Neural Networks, Random Forest, AdaBoost, Gradient Boosting, CatBoost, LightGBM and XGBoost, were utilized and their performance were compared in this research. With the developed model, among all of the examined algorithms, XGBoost algorithm have demonstrated the highest performance 97% accuracy This finding shows that the model obtained with the XGBoost algorithm can be a very effective decision support model in supporting the patient's decision to go to the right department in healthcare services. During the data processing phase, patient complaints and other text data were transformed into numerical formats using TF-IDF methods. The model's success was evaluated using accuracy metrics, and its class-level performance was analyzed with a IX confusion matrix. The findings suggest significant potential for automating triage processes and providing support to healthcare professionals. This study aims to contribute to the literature by demonstrating how artificial intelligence and machine learning technologies can be employed as decision support systems in healthcare services.
Benzer Tezler
- Reinforcement learning-driven ensemble neural networks for heart disease prediction
Kalp hastalığı tahmini için takviyeli öğrenme tabanlı topluluk sinir ağları
ÖZGE HÜSNİYE NAMLI DAĞ
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEDA YANIK ÖZBAY
- Equimolar binary compounds: A first-principles based machine learning study
Eşmolar ikili alaşımlar: AB-initio tabanlı makina öğrenme çalışması
CEM ORAN
Yüksek Lisans
İngilizce
2021
Kimyaİstanbul Teknik ÜniversitesiHesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)
PROF. DR. ADEM TEKİN
- Onkoloji metinlerinde duygu analizi: Makine öğrenmesi, derin öğrenme ve transformer modellerinin karşılaştırmalı incelenmesi ile hasta duygularının ortaya çıkarılması ve sağlık içgörülerinin sağlanması
Sentiment analysis in oncology texts: Revealing patient emotions and providing health insights through a comparative investigation of machine learning, deep learning, and transformer models
BERNA ALEMDAĞ
Yüksek Lisans
Türkçe
2026
Biyoistatistikİstanbul Medeniyet ÜniversitesiBiyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET SİNAN BAŞARSLAN
DR. ÖĞR. ÜYESİ NURGÜL BULUT
- Fuzzy entropy in image processing methods for medical data
Görüntü işlemede medikal veriler için bulanik entropi yöntemleri
YUSUF YENİYAYLA
Doktora
İngilizce
2017
İstatistikDokuz Eylül Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. EMEL KURUOĞLU KANDEMİR
- Sağlık alanında yapay zekâ kullanımını etkileyen faktörlerin belirlenmesi
Identifying the factors affecting the use of artificial intelligence in healthcare
SEDA KAYA
Yüksek Lisans
Türkçe
2025
Endüstri ve Endüstri MühendisliğiSamsun ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYCAN PEKPAZAR