Tanı ve tedavide birliktelik kuralı madenciliğinin bayesian ağı ile kombine kullanımı ve kural çıkarımını etkileyen faktörlerin belirlenmesi
Integrating association rule mining with bayesian networks in diagnosis and treatment: Identification of factors influencing rule extraction
- Tez No: 983951
- Danışmanlar: PROF. DR. BAHAR TAŞDELEN
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Mersin Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu tez çalışmasında, sağlık verilerinde desen keşfi ve karar destek süreçlerini geliştirmek amacıyla birliktelik kuralı madenciliği (BKM) yöntemlerinin ağırlıklı versiyonu (ABKM) ve Bayesian ağları (BA) ile kombine kullanımının etkinliği araştırılmıştır. Çalışmada, hem yapay olarak oluşturulmuş senaryolar hem de gerçek klinik veri kullanılmış; farklı örneklem büyüklükleri (n=30, 50, 100, 500), değişken sayıları (4, 8, 12) ve korelasyon düzeyleri (r=0.3, 0.5, 0.7) dikkate alınarak 36 farklı veri yapısı kurgulanmıştır. Sürekli değişkenler, denetimli (ChiMerge) ve denetimsiz (k-ortalama kümeleme) yöntemlerle kategorik hale getirilmiş, ardından klasik BKM için Apriori algoritması, ABKM için ise HITS algoritması ile ağırlıklandırma uygulanarak weclat fonksiyonu ile kurallar elde edilmiştir. Tüm veri setleri için ayrıca Bayesian ağ yapıları kurulmuş ve değişkenler arası koşullu bağımlılıklar görselleştirilmiştir. Bulgular, özellikle denetimli ayrıklaştırma ile elde edilen işlem kümelerinin hem kural sayısı hem de kaldıraç oranı açısından daha güçlü sonuçlar verdiğini; ABKM'nin daha az ama daha anlamlı kurallar sunduğunu göstermiştir. Bayesian ağların, BKM ve ABKM ile elde edilen sonuçları nedensel bağlamda destekleyerek modelin güvenilirliğini artırdığı gözlemlenmiştir. Migren hastalarına ait klinik veri üzerinden yapılan uygulamalar, bu yöntemin klinik karar destek sistemlerine entegrasyonu için umut verici sonuçlar ortaya koymuştur. Sonuç olarak, bu tez, veri madenciliği ve olasılık temelli modellemenin birlikte kullanımının, tanı ve tedavi süreçlerinde güçlü, esnek ve klinik anlamda yorumlanabilir yapılar sunduğunu ortaya koymuştur.
Özet (Çeviri)
In this doctoral study, the effectiveness of combining classic association rule mining (ARM) and its weighted extension (WARM) with Bayesian networks (BNs) was investigated to enhance pattern discovery and support clinical decision-making in healthcare data. Both simulated and real clinical datasets were utilized. The simulation component comprised 36 scenarios created based on varying sample sizes (n=30, 50, 100, 500), numbers of variables (4, 8, 12), and correlation levels (r=0.3, 0.5, 0.7). Continuous variables were discretized using supervised (ChiMerge) and unsupervised (K-means clustering) methods. Association rules were extracted using the Apriori algorithm for ARM and the HITS algorithm with the weclat function for WARM. For each dataset, Bayesian network structures were constructed to model conditional dependencies and visualize the underlying probabilistic relationships. The results revealed that supervised discretization produced a higher number of rules and greater lift values than unsupervised methods. While WARM yielded fewer rules compared to classic ARM, it provided more meaningful and interpretable patterns due to variable weighting. Bayesian networks contributed by supporting these rule-based findings within a causal inference framework, enhancing the interpretability and clinical relevance of the results. In the clinical application phase, data from 131 migraine patients (97 chronic, 34 episodic) were analyzed. The combined use of ARM/WARM and BNs allowed for the identification of hidden structures and complex variable interactions that may aid diagnosis and treatment planning. Overall, the study demonstrates that integrating rule mining techniques with probabilistic graphical models offers a robust analytical framework for health data analysis and may provide valuable insights for clinical decision support systems.
Benzer Tezler
- Implementation of some medical data in Apriori algorithm
Apriori algoritmasının bazı tıbbı verilere uygulanması
FAWAD SADIQMAL
Yüksek Lisans
İngilizce
2015
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. NILÜFER YURTAY
- Humoral immun yetmezlikli hastalarda akciğer bulgularının değerlendirilmesi
Pulmonary evaluation of humoral immunodeficiencies.
ZUHAL KARALI
Tıpta Uzmanlık
Türkçe
2009
Çocuk Sağlığı ve HastalıklarıUludağ ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. S. ŞEBNEM KILIÇ
- Invaziv duktal karsinomlarda bcl-2 ve katepsin D'nin prognostik faktörlerle ilişkisi
The relationship with prognostic factors of bcl-2 and cathepsin D in invasive ductal carcinomas
İBRAHİM GELİNCİK
Tıpta Uzmanlık
Türkçe
2008
PatolojiYüzüncü Yıl ÜniversitesiPatoloji Ana Bilim Dalı
DOÇ. DR. MUSTAFA KÖSEM
- Gergin omurilik sendromu: Tanısal yaklaşım teknikleri ve cerrahi tedavi sonuçlarımız
Başlık çevirisi yok
MUTLU ALIMLI
Tıpta Uzmanlık
Türkçe
2011
NöroşirürjiMersin ÜniversitesiNöroşirürji Ana Bilim Dalı
PROF. DR. CELAL BAĞDATOĞLU
- Burun üst lateral kıkırdaklarının topografik anatomisi ve histolojik analizi
Topographic anatomy and histological analysis of upper lateral cartilages of nazal
ESABİL EKER
Tıpta Uzmanlık
Türkçe
2007
Plastik ve Rekonstrüktif CerrahiKırıkkale ÜniversitesiPlastik Rekonstrüktif ve Estetik Cerrahi Ana Bilim Dalı
YRD. DOÇ. DR. TARIK ÇAVUŞOĞLU