SavedAdd your journal

Journals / Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi / 2021 / Cilt: 8 - Sayı: 15

KAN VERMEYE ELVERİŞLİ DONÖRLERİN MAKİNE ÖĞRENME YÖNTEMLERİ İLE TESPİTİ

Kerim KARADAĞ
Pages
508–514
Publication Date
2021-12-31
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Sınıflandırma için, Karar Ağaçları, Destek Vektör Makinesi ve k-en yakın komşuluk algoritmaları kullanılıp doğruluk ve gerçek oran performans ölçütleri ile değerlendirilmiştir.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:İnsanlar hayatları boyunca farklı zamanlarda çeşitli sebeplerden dolayı kan ve kan ürünlerine gerek duymaktadırlar.
📊
Key Findings & Data:Bu çalışmada amaç, makine öğrenme yöntemleri ile karaciğer hastalıklarının tespiti ve donörlerin kan bağışı yapmaya elverişli olup olmadıklarını kan değerlerinden tespit etmektir.
💡
Conclusion & Impact:Sınıflandırma için, Karar Ağaçları, Destek Vektör Makinesi ve k-en yakın komşuluk algoritmaları kullanılıp doğruluk ve gerçek oran performans ölçütleri ile değerlendirilmiştir.
🔬Design:Experimental Field Trial
📍Scope:Comprehensive Sample
⚙️Variables:Kan Bağışı · Makine Öğrenme Algor · Karaciğer Hastalıkları

Özet

İnsanlar hayatları boyunca farklı zamanlarda çeşitli sebeplerden dolayı kan ve kan ürünlerine gerek duymaktadırlar. Kan ve kandan elde edilen ürünler laboratuvar koşullarında elde edilemeyip yalnızca insandan elde edildiğinden, hayati önem taşıyan kanın sağlıklı bireylerden sağlanması gerekmektedir. Karaciğer rahatsızlıkları ile ilgili, Hepatit çeşitleri, karaciğer kanseri, karaciğer büyümesi, karaciğer yetmezliği, siroz ve benzeri hastalıklar kanın durumunu belirleyen etmenlerin başında gelir. Bu hastalıklar ilerledikçe telafisi mümkün olmayan zararlara yol açabileceği için erken teşhis edilip tedavi edilmesi ve kan verilecek kişilere de bulaş riskini ortadan kaldırmak için hayati önem arz etmektedir. Son yıllarda birçok alanda kullanılan makine destekli öğrenme yöntemleri, bu alanda da geleneksel yöntemlere ilaveten hekimlere fikir verici olarak kullanılmaktadır. Bu çalışmada amaç, makine öğrenme yöntemleri ile karaciğer hastalıklarının tespiti ve donörlerin kan bağışı yapmaya elverişli olup olmadıklarını kan değerlerinden tespit etmektir. Sınıflandırma için, Karar Ağaçları, Destek Vektör Makinesi ve k-en yakın komşuluk algoritmaları kullanılıp doğruluk ve gerçek oran performans ölçütleri ile değerlendirilmiştir.

🔖

Cite This Article

KARADAĞ, K. (2021). KAN VERMEYE ELVERİŞLİ DONÖRLERİN MAKİNE ÖĞRENME YÖNTEMLERİ İLE TESPİTİ. Adıyaman Üniversitesi Mühendislik Bilimleri Dergisi, Cilt: 8 - Sayı: 15, 508–514. https://ajindex.com/articles/711878

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (10)

  1. Altındiş, S., Aşıcı, N., Şenol, U., Bakır, A. B., Yücedağ, Ç. Y., Demir, C.,. & Altındiş, A. Transfüzyon Amaçlı Kan Verme Önündeki Engellerin Belirlenmesi. Sakarya Tıp Dergisi, 9(2), 237-244.
  2. Yildiz, C., Emekdas, G., & Kanık, A. (2006). Why don’t we donate blood. A general view of blood donation by people living Mersin: a public survey. Turkish Journal of Infection, 20(1), 41-55.
  3. Keleş, A., Kaslı, Ö.B., Keleş, A. (2020). Makine öğrenme algoritmaları ile karaciğer hastalığının teşhisi, Turkish Studies-Applied Sciences, 15(1), 75-83.
  4. Masser, B., Ferguson, E., Merz, E. M., & Williams, L. (2020). Beyond description: The predictive role of affect, memory, and context in the decision to donate or not donate blood. Transfusion Medicine and Hemotherapy, 47(2), 175-185.
  5. Czeizler, A., & Garbarino, E. (2017). Give blood today or save lives tomorrow: matching decision and message construal level to maximize blood donation intentions. Health marketing quarterly, 34(3), 175-186.
  6. Khan, M. A., Soh, J. E., Maenner, M., Thompson, W. W., & Nelson, N. P. (2019). A machine-learning algorithm to identify hepatitis C in health insurance claims data. Online Journal of Public Health Informatics, 11(1). Mueller-Breckenridge, A. J., Garcia-Alcalde, F., Wildum, S., Smits, S. L., Robert, A., van Campenhout, M. J.,. & Haagmans, B. L. (2019). Machine-learning based patient classification using Hepatitis B virus full-length genome quasispecies from Asian and European cohorts. Scientific reports, 9(1), 1-12.
  7. Tian, X., Chong, Y., Huang, Y., Guo, P., Li, M., Zhang, W.,. & Hao, Y. (2019). Using machine learning algorithms to predict hepatitis B surface antigen seroclearance. Computational and mathematical methods in medicine, 2019.
  8. Nilashi, M., Ahmadi, H., Shahmoradi, L., Ibrahim, O., & Akbari, E. (2019). A predictive method for hepatitis disease diagnosis using ensembles of neuro-fuzzy technique. Journal of infection and public health, 12(1), 13-20.
  9. Lichtinghagen, R., Pietsch, D., Bantel, H., Manns, M. P., Brand, K., & Bahr, M. J. (2013). The Enhanced Liver Fibrosis (ELF) score: normal values, influence factors and proposed cut-off values. Journal of hepatology, 59(2), 236-242.
  10. Jekarl, D. W., Choi, H., Lee, S., Kwon, J. H., Lee, S. W., Yu, H.,. & Yoon, S. K. (2018). Diagnosis of liver fibrosis with Wisteria floribunda agglutinin-positive Mac-2 binding protein (WFA-M2BP) among chronic hepatitis B patients. Annals of laboratory medicine, 38(4), 348. Omran, D., Yosry, A., Darweesh,