Jinekolojik kanser hastalarında nanda hemşirelik tanılarının makine öğrenmesi ve veri madenciliği yöntemi ile geliştirilmesi

Abstract

Bu çalışmada, hemşireler için en önemli yol gösterici olan NANDA bakım planları içerisinde yer alan Jinekolojik hastalarda konulan hemşirelik tanılarının makine öğrenmesi ve veri madenciliği yöntemiyle geliştirilmesi amaçlanmıştır. Pamukkale Üniversitesi Hastanesinde 2015-2021 yılları arasında jinekonkolojik tanı alıp ameliyat olmuş veya olacak olan 304 hasta çalışmaya dahil edilmiştir. Hastaların kalış tarihleri preoperatif ve postoperatif dönemlere ayrılmıştır. Bu süreçte hastaya uygulanan kan testleri, hastanın hastaneye geliş şikayetleri, patoloji raporları, jinekonkolojik tanıları, kronik hastalıkları, yapılan ameliyat bilgileri veri otomasyon sisteminden alınmıştır. Verilerde hemşirelik tanılarını etkileyebilecek faktörler, ilgili literatüre dayalı olarak araştırılmıştır. Bu araştırmanın ardından girdi değişkenleri olarak entegre edilmek üzere hasta dosyalarından birincil ayırt edici faktörler seçilmiştir. Uygun yapay zeka programının seçilmesinin ardından verilere temizleme ve dönüştürme işlemleri yapılmıştır. En uygun algoritmanın belirlenmesi için denemeler yapılmış ve Multilayer Perceptron ve J48 yza veri tabanları seçilmiştir. Çalışmanın sonucunda 17 hemşirelik tanısı belirlenmiştir. Hemşirelik tanılarını etkileyen ilişkili veriler bulunmuştur. Bu tanıların doğruluk oranları ortalaması %98'dır. Eğitim verilmiş hemşirelerden verilerin toplanması gelecekte yapılacak çalışmalarda, makine öğrenimi ve veri madenciliği yöntemi için daha sağlıklı hemşirelik tanılarının ortaya çıkmasına neden olacaktır. Ayrıca bu yöntemle yapılan çalışmaların artması sonucu sağlık profesyonelleri sadece analiz edilen verilerle hastalarının tanı, tedavi ve bakımında aktif rol alabileceklerdir. Sağlık profesyonelleri teknolojik gelişimlerle ilgili yeni yöntemleri kullanmaları için teşvik edilmelidir.

This study was conducted to develop nursing diagnoses in gynecological patients, which are included in the NANDA care plans, which are the most important guides for nurses, by using machine learning and data mining methods. A total of 304 patients who had been diagnosed with a gyneco-oncological disorder in Pamukkale University Hospital between 2015 and 2021 and had undergone or had been scheduled for surgery were included in the study. The dates when patients stayed in the hospital were divided into preoperative and postoperative periods. Patients' blood tests done during this process, presenting complaints, pathology reports, gyneco-oncological diagnoses, chronic diseases, and surgery information were obtained from the hospital information management system. Factors that may affect nursing diagnoses in the data were investigated based on the relevant literature. Following this review, primary distinguishing factors were selected from patient files to be integrated as input variables. After the selection of appropriate artificial intelligence software, the data cleaning and transformation procedures were conducted. Necessary trials were performed to determine the most suitable algorithm, and Multilayer Perceptron and J48 yza databases were selected. As a result of the study, 17 nursing diagnoses were determined. Relevant data that affected nursing diagnoses were identified. The average accuracy rate of these diagnoses was 98%. The collection of data from educated nurses will lead to the emergence of healthier nursing diagnoses for machine learning and data mining methods in future studies. In addition, as a result of the increase in studies conducted with this method, health professionals will be able to take an active role in the diagnosis, treatment, and care of their patients only with the data analyzed. Health professionals should be encouraged to use new methods related to technological developments.