AI Summary & Key Takeaways
AI InsightThe prediction percentage success should also increase as data input to the model continues.
📌 3 Key Takeaways
Abstract
Machine learning (ML) Technologies have been widely utilized in medical and public health research in recent years. ML algorithms effectively analyze interactions between multiple, complex variables in clinical data bases and make accurate predictions. In this study, ethical approval was obtained to build ML-based prediction models, and data on age, gender, previous infection knowledge, and perceptions of infection were collected from students at a vocational school of health services. Logistic Regression, Random Forest, Decision Tree, and XGBoost models were used in machine learning using Python software. According to the data models and machine learning analysis results, the most effective machine learning model was the Logistic Regression model, with a prediction success rate of 74.7%. Using this model, it was shown that the susceptibility of individuals to infection can be calculated with high accuracy. Therefore, by using machine learning, it will be possible to quickly determine whether young individuals working as Professional healthcare personel or receiving vocational training are susceptible to infection or have sufficient knowledge. This way, it will be tried to minimize the possibility of contracting infections in their working environment through training. The prediction percentage success should also increase as data input to the model continues.
Özet
Son yıllarda, makine öğrenmesi (MÖ) teknolojilerinden tıp ve halk sağlığı araştırmalarında yaygın olarak yararlanılmaktadır. MÖ algoritmaları, klinik veri tabanlarındaki çoklu, karmaşık değişkenler arasındaki etkileşimleri analiz etmede ve doğru tahminler yapmada oldukça etkilidir. Bu çalışmada, MÖ tabanlı tahmin modellerini oluşturmak için etik onayı alınmış, yaş, cinsiyet, önceki enfeksiyon bilgileri ve enfeksiyon algılarından oluşan veriler sağlık hizmetleri meslekyüksekokulu öğrencilerinden toplandı. Python yazılım dili kullanılarak makine öğrenmesi altında Logistic Regression, Random Forest, Decision Tree ve XGBoost modelleri kullanıldı. Verilerin modeller ve makine öğrenmesi analiz sonuçlarına göre en etkili makine öğrenme modeli %74.7’lik tahmin başarı oranı ile Logistic Regression modeli olduğu belirlendi. Bu model kullanılarak bireylerin enfeksiyona yakalanmaya yatkınlıkları yüksek bir doğrulukla hesaplanabildiği gösterildi. Dolayısıyla makine öğrenmesi kullanılarak profesyonel sağlık personeli olarak çalışacak ya da mesleki eğitim alacak genç bireylerin enfeksiyona yatkınlıkları ya da yeterli bilgi birikimine sahip olup olmadıkları hızlıca belirlenebilecektir. Böylelikle çalışma ortamlarında, enfeksiyona yakalanma ihtimallerinin en aza indirgenmesinin eğitim ile önüne geçilmeye çalışılacaktır. Modele veri girdisi devam ettikçe tahmin yüzde başarısının artacağı da göz önünde bulundurulmalıdır.