Sağlık hizmeti sunumunda büyük veri ve makine öğrenmesi algoritma uygulamaları
Big data and machine learning algorithm applications in health service delivery
- Tez No: 915418
- Danışmanlar: DR. ÖĞR. ÜYESİ HASAN GİRAY ANKARA
- Tez Türü: Doktora
- Konular: Sağlık Yönetimi, Healthcare Management
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Hamidiye Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Sağlık Yönetimi Ana Bilim Dalı
- Bilim Dalı: Sağlık Yönetimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmada sağlık hizmetlerinde sağlık yöneticilerinin karar verme süreçlerinde makine öğrenmesi modeli kullanılarak analitik araçların sunulması amaçlanmıştır. Gereç ve Yöntem: Çalışmada hastalara ait; yaş, cinsiyet, toplam tümör çapı, mikrovasküler invazyon, makrovasküler invazyon, tümör volümü, rolatif tümör volümü, AFP düzeyi, PET tutulumu değişkenleri kullanılmıştır. Araştırmada Lojistik Regresyon, Karar Ağaçları (Decision Trees), Rastgele Orman (Random Forest) ve Destek Vektör Makinesi (Support Vector Machine, SVM) kullanılmıştır. Ayrıca Pandas kütüphanesi, Scikit-learn (sklearn) kütüphanesi, Matplotlib kütüphanesi, Seaborn kütüphanesi ve Pickle kütüphanesi kullanılmış ve analizler Python programı ile yapılmıştır. 1550 karaciğer nakli vakası retrospektif olarak incelenmiş ve karaciğer kanseri (HCC) sebebi ile karaciğer nakli olan devam eden süreçte kanser nüksü gelişen ve gelişmeyen 303 hastayı içeren veri seti oluşturulmuştur. Bulgular: Lojistik regresyon modelinin genel performans (Accuracy) oranının %75 olduğu, Karar ağacı modelinin genel performans (Accuracy) oranının %70, 49 olduğu, Rasgele orman modelinin genel performans (Accuracy) oranının %88,52 olduğu ve SVM modelinin genel performans (Accuracy) oranının %72,13 olduğu tespit edilmiştir. Sonuç: HCC nüksü tahminlenmesinde makine öğrenmesi modelleri karşılaştırıldığında; Random Forest modelinin genellikle en yüksek doğruluk oranına ve F1-Skoruna sahip olduğu, SVM de benzer şekilde yüksek performans gösterdiği ancak sınıf dengesizliği sorunları nedeniyle azınlık sınıflarda performans kaybı yaşama riski olduğu tespit edilmiştir. Bu kapsamda HCC nüksü tahminlemesinde Random Forest modelinin en başarılı sonuçları verdiği ve kullanılabilir bir model olduğu bildirilebilmektedir.
Özet (Çeviri)
Aim: In this study; It is aimed to provide analytical tools using the machine learning model in the decision-making processes of health managers in health services. Materials and Methods: In our study, the variables related to patients such as age, gender, total tumor diameter, microvascular invasion, macrovascular invasion, tumor volume, relative tumor volume, AFP level, and PET uptake were used. Logistic Regression, Decision Trees, Random Forest, and Support Vector Machine (SVM) were applied in the research. Additionally, the Pandas library, Scikit-learn (sklearn) library, Matplotlib library, Seaborn library, and Pickle library were utilized, and the analyses were conducted using the Python programming language. A retrospective review of 1,550 liver transplant cases was performed, and a dataset including 303 patients who had undergone liver transplantation due to hepatocellular carcinoma (HCC) and either developed or did not develop cancer recurrence in the ongoing process was created. Results: The general performance (Accuracy) of the Logistic Regression model was found to be 75%, the general performance (Accuracy) of the Decision Tree model was found to be 70.49%, the general performance (Accuracy) of the Random Forest model was found to be 88.52%, and the general performance (Accuracy) of the SVM model was found to be 72.13%. Conclusion: When comparing machine learning models for predicting HCC recurrence, it was found that the Random Forest model generally had the highest accuracy and F1 score. Similarly, the SVM model also showed high performance; however, due to class imbalance issues, there is a risk of performance loss in minority classes. In this context, it can be reported that the Random Forest model gives the most successful results in predicting HCC recurrence and is a usable model.
Benzer Tezler
- İdrar yolu enfeksiyonu geçiren çocuklarda başvuru şikayetlerinin yapay zeka verisi olma yeterliliğinin değerlendirilmesi
Evaluation of the sufficiency of presenting complaints to be artificial intelligence data in children with urinary tract infection
ZEHRA BURCU YILMAZ
Tıpta Uzmanlık
Türkçe
2022
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. NİDA DİNÇEL
- IgM, IgG ve lgA romatoid faktörlerin değişik artritli hasta gruplarında mikro-ELISA test yöntemiyle ölçülmesi
Başlık çevirisi yok
BAHRİYE KEŞ
- Kurbağa gastrik mukozasında K-H ATPaz enziminin kinetik özellikleri ve oluşturulan ülser modelinde enzim aktivitesi
Başlık çevirisi yok
SEYHAN TÜKEL
- 1985-1986 yıllarında Polatlı Devlet Hastanesine kaza nedeniyle başvuranların incelenmesi
Başlık çevirisi yok
FERHAN ŞENOL
Yüksek Lisans
Türkçe
1986
İlk ve Acil YardımGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. HİKMET PEKCAN
- Organize sanayi bölgelerinde iş güvenliği sorunlarının teknik ve bilimsel araştırılmasında bir yöntem önerisi
Başlık çevirisi yok
MEHMET ALİ YILDIRIM
Yüksek Lisans
Türkçe
1986
Çalışma Ekonomisi ve Endüstri İlişkileriGazi ÜniversitesiKazaların Çevresel ve Teknik Araştırması Ana Bilim Dalı (disiplinlerarası)
DOÇ. DR. İBRAHİM BOYNUKALIN