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: 179
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
- Order dispatching via deep reinforcement learning
Başlık çevirisi yok
ERAY MERT KAVUK
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN
- Makine öğrenmesi algoritmaları kullanılarak sağlık sisteminde tahmin çalışması
Prediction study using machine learning algorithms in health system
GÜLSÜM SALTAN YAŞLI
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEHER ARSLANKAYA
- Anomaly detection in ınternet of medical things using deep learning
Anomaly detect ionin internet of medical things using deep learning
AYŞE BETÜL BÜKEN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiYazılım Mühendisliği Ana Bilim Dalı
PROF. DR. DEVRİM AKGÜN
- Developing a process mining-based model for detecting patient safety errors in healthcare
Sağlık sektöründe, hasta güvenliğine yönelik hataların tespit edilmesinde süreç madenciliğine dayalı bir model geliştirilmesi
AHMET MURAT SÜMER
Doktora
İngilizce
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. CEMİL CEYLAN
- Machine-learning approaches for neurological disorder diagnosis from genomic and neuroimaging data
Genomik ve nörogörüntüleme verilerinden nörolojik bozukluk teşhisi için makine öğrenmesi yaklaşımları
İSMAİL BİLGEN
Doktora
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. BEHÇET UĞUR TÖREYİN