İç hastalıkları alanında makine öğrenmesi yöntemlerinin uygulamaları ve karşılaştırılmaları

Abstract

İnsan sağlığı, kaliteli yaşamı doğrudan etkileyen bir faktördür. Bu kalitenin bozulmaması için doğru zamanda gerekli testler yapılmalı ve tedbir alınmalıdır. Ancak artan nüfus sayısıyla hekimlere düşen iş yoğunluğu da doğrudan artmaktadır. Bu sebeple hastalara ayrılan süre kısalmaktadır. Bu sürede problemi anlayabilme ve hastalık teşhisi koyma süreci ise sağlık alanının en önemli ve en büyük problemlerden biridir. Bu süreci kolaylaştırmak için yapay zeka ile çeşitli çözümler uygulanmaktadır. Bu tez çalışmasında Pamukkale Üniversitesi Hastanesi İç Hastalıkları Polikliniğine başvurmuş hastaların kan testleri bilgilerini içeren veri seti ele alınarak makine öğrenmesinin çok-sınıflı ve çok etiketli sınıflandırma özelliği üzerinde çalışılmıştır. Ayrıca literatürde fazlaca çalışılmış olan Pima Indian Diabetes veri seti üzerinde de ikili sınıflandırma çalışması yapılmıştır. Veri setlerine yapay sinir ağı, destek vektör makineleri ve hafif gradyan artırma makineleri makine öğrenmesi yöntemleri uygulanmış ve modellerin performansları karşılaştırılmıştır.

Human health is a factor that directly affects the quality of life. In order not to deteriorate this quality, necessary tests should be done at the right time and precautions should be taken. However, with the increasing population, the workload of doctors directly increases. For this reason, the time allocated to patients is shortened. In this period, the process of understanding the problem and diagnosing the disease is one of the most important and biggest problems in the field of health. To facilitate this process, various solutions are implemented with artificial intelligence. In this thesis, the multi-class and multi-label classification feature of machine learning was studied by considering the data set containing the blood test information of the patients who applied to the Pamukkale University Hospital Internal Diseases Polyclinic. In addition, a binary classification study was carried out on the Pima Indian Diabetes data set, which has been studied extensively in the literature. Artificial neural network, support vector machines and light gradient boosting machine machine learning methods were applied to the datasets and the performances of the models were compared