Makine öğrenmesi teknikleri kullanılarak hasta öyküsü ve fiziki bulgulardan pnömoni prognoz öngörüsünün yapılması

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, HAMİDİYE SAĞLIK BİLİMLERİ ENSTİTÜSÜ, SAĞLIK BİLİŞİM SİSTEMLERİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: Türkçe

Öğrenci: AHMET FATİH DEVECİ

Danışman: Muhsin Zahid UĞUR

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu çalışmanın amacı hasta öyküsü, fiziki muayene ve biyolojik veriler kullanılarak pnömonide prognoz öngörüsünde bulunabilen ve hekimler tarafından %90 oranında doğrulanabilir bir makine öğrenmesi modeli geliştirmektir. Bu model ile nihai amaç nitelikli sağlık hizmetine sahip olmayan bölgelerde görev yapan hekimlere, hastaları için pnömoni prognoz öngörüsüne imkân sağlayan hekim karar sisteminde kullanılabilir bir yapı için zemin hazırlamaktır. Gereç ve Yöntem: Bu çalışma kapsamında 01.01.2010 ile 31.03.2018 tarihleri arasında Hacettepe Üniversitesi İhsan Doğraması Çocuk Hastanesi Enfeksiyon Hastalıkları bölümünde pnömoni tedavisi görmüş hastaların bilgilerinin yer aldığı bir veri seti kullanılmıştır. Çalışmada kullanılan veriler, ön işleme teknikleriyle analize hazır hale getirilmiştir. Ön işlemden geçen veriler kullanılarak sınıflama makine öğrenme algoritmaları eğitilmiş ve performansları karşılaştırılmıştır. Bulgular: Ham haldeki veri seti, normalize edilmiş veri seti ve normalize edilerek sentetik veriyle sınıflar arası dengesizliğin giderilmesi ve sonrasında TBA kullanılarak boyutu indirgenen veri setiyle eğitilen veri seti olmak üzere veri setinin 3 farklı hali üzerinde yapılan deneylerde normalizasyon, SMOTETomek ve TBA uygulanmış veri setinin DVM, KA, LR, ÇKA ve NB algoritmalarında gösterdiği performanslar incelenmiş ve %90,5 doğruluk oranıyla DVM algoritmasının en başarılı algoritma olduğu sonucuna ulaşılmıştır. Sonuç: Hasta öyküsü, fizyolojik bulgular ve laboratuvar sonuçları ile uzman hekimler tarafından oluşturulan veri setinin ön işlemlerden geçirilmesi ve makine öğrenmesi algoritmasının eğitilmesiyle oluşturulan DVM sınıflayıcı makine öğrenmesi modeli, metodoloji bakımından literatürdeki çalışmalardan ayrışmaktadır. Oluşturulan model sağlık hizmetlerine erişimin kısıtlı olduğu bölgelerin erişimi açısından web tabanlı bir ara yüzde kullanılabilir olması sebebiyle uzmanlara destek olabilecek bir çalışma olma özelliği taşımaktadır. Veri setinin genişletilmesi durumunda modelin kullanımının daha geniş popülasyonlara uygulanabileceği ve bu bağlamda literatüre katkı sağlayacağı düşünülmektedir.