Örnek tabanlı sınıflandırıcı topluluklarıyla yeni bir klinik karar destek sistemi

Özet

Çocukluk yıllarındaki beslenme ve yaşam alışkanlıkları ileri yaşlarda ortaya çıkabilecek obezitehastalığının nedenini oluşturur. Bu çalışma çocuklarda obeziteye yakalanma riskini hesaplayan bir erkenuyarı sisteminin geliştirilmesi üzerinedir. Makine öğrenmesi kolektif öğrenme algoritmaları kullanılarakyapay ve özgün bir klinik karar destek sistemi (KKDS) geliştirilmiştir. Obeziteye neden olan faktörlerhazırlanan anket içerisine yerleştirmiştir. Devlet hastanelerinden ve okullarından alınan resmi izinlerleanketler çocuklara uygulanmış ve elde edilen verilerle güvenilir bir eğitim seti oluşturulmuştur. k En YakınKomşuluk algoritmasının geliştirilmiş versiyonları Oylama, Bagging, Boosting ve Rastsal Altuzaylaryöntemlerinde tekil öğrenici olarak kullanılmıştır. Eğitim seti üzerinde yapılan öğrenme ve çaprazgeçerleme işlemlerinde algoritmalara ait yüksek doğruluk oranları elde edilmiş ve en başarılı yöntemin0,839’lık MCC (Matthews Correlation Coefficient) değeriyle Rastsal Altuzaylar olduğu görülmüştür.Çağın önemli bir sorununa karşı önerilen bu model sayesinde, ileri yaşlarda oluşabilecek obezite riskiönceden tespit edilebilmektedir. Ayrıca ilgili kişiler tarafından gerekli önlemlerin zamanında alınabilmesisağlanmaktadır.

Abstract

The main reason of obesity occurring in the future years is strongly related with the lifestyle and eatinghabits in childhood. This study focuses on developing an urgent precaution system which calculates theobesity risks. An original clinical decision support system (CDSS) has been developed by using EnsembleClassification methods in Machine Learnings. A questionnaire has been prepared and applied to thepatients in the hospitals and to the elementary school students with official permissions in order toconstruct an original and reliable dataset. Extended versions of k Nearest Neighbors methods are used inVoting, Bagging, Boosting and Random Subspaces algorithms as base learners. During the experimentalstudies in the applications of cross validation procedures, successful results have been computed andRandom Subspaces has been chosen as the most successful algorithm with 0.839 MCC (MatthewsCorrelation Coefficient) scores. With the help of the suggested model to a worldly wide health problem,the future probability of obesity risk for a child might be easily determined. Additionally, it has beenenabled that some precautions can be taken by responsible people if there is a computed high risk for thischild.