Geri Dön

Sağlık alanında gradyan temelli makine öğrenmesi yöntemleri ile triaj belirleme

Triage determination with gradient-based machine learning methods in health field

  1. Tez No: 905288
  2. Yazar: İHSAN ARVAS
  3. Danışmanlar: DR. ÖĞR. ÜYESİ TOLGA BERBER
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Karadeniz Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik ve Bilgisayar Bilimleri Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 76

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

  1. Equimolar binary compounds: A first-principles based machine learning study

    Eşmolar ikili alaşımlar: AB-initio tabanlı makina öğrenme çalışması

    CEM ORAN

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Hesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı

    PROF. DR. ADEM TEKİN

  2. Fuzzy entropy in image processing methods for medical data

    Görüntü işlemede medikal veriler için bulanik entropi yöntemleri

    YUSUF YENİYAYLA

    Doktora

    İngilizce

    İngilizce

    2017

    İstatistikDokuz Eylül Üniversitesi

    İstatistik Ana Bilim Dalı

    DOÇ. EMEL KURUOĞLU KANDEMİR

  3. Hastalık tanısı verilerinde veri ön işlemenin topluluk öğrenme sınıflandırma algoritmaları üzerindeki etkisinin incelenmesi

    Investigation of the effect of data preprocessing on ensemble learning classification algorithms in disease diagnosis data

    YÜKSEL ÖZKAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2019

    BiyoistatistikEge Üniversitesi

    Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ASLI SUNER KARAKÜLAH

  4. Meme kanseri tahmininde makine öğrenmesi algoritmaları ve AutoML

    Breast cancer diagnosis with machine learning algorithms and AutoML

    ARSLAN KARAKAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SEZAİ TOKAT

  5. Some machine learning techniques for medical diagnosis

    Tıbbi teşhisler için bazı makine öğrenme teknikleri

    İLHAN UYSAL

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAntalya Bilim Üniversitesi

    Elektrik ve Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. CAFER ÇALIŞKAN