KaydedilenlerDerginizi ekleyin

Dergiler / Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi / 2023 / Cilt: 14 Sayı: 4

Anne Sağlığı Riski İçin Makine Öğrenmesi Modellerinin Performans Karşılaştırması

Fatih Şahin(İstanbul Topkapı Üniversitesi)0000-0002-8036-3156
Gökalp Tulum(İstanbul Topkapı Üniversitesi)0000-0003-1906-0401
Şeyma Karaca(İstanbul Üsküdar Üniversitesi)0009-0005-0990-2726
Sayfa
547–553
Yayın Tarihi
2023-12-31
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sınıflandırma işleminde LDA dönüşümünün daha yüksek sonuç elde ettiği görülmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Sağlık sektöründe hastalıkların teşhisi için yapay zekânın alt dallarından olan makine öğrenmesi oldukça yaygın kullanılmaktadır.
📊
Temel Bulgular & Veri:Aynı zamanda her bir algoritma için temel bileşenler analizi (PCA) ve lineer diskriminant analizi (LDA) uygulanmış olup oluşturulan modellerin doğruluk oranlarına bakılarak tahminde bulunulmuştur.
💡
Sonuç & Katkı:Sınıflandırma işleminde LDA dönüşümünün daha yüksek sonuç elde ettiği görülmektedir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Anne Ölümleri · Anne Sağlığı Riski Tahmini · Makine Öğrenmesi

Özet

Sağlık sektöründe hastalıkların teşhisi için yapay zekânın alt dallarından olan makine öğrenmesi oldukça yaygın kullanılmaktadır. Çalışmada anne sağlığı riski üzerine bir veri seti kullanılarak hamilelikte risk üzerine sınıflandırma çalışması yapılması amaçlanmıştır. Çalışmada, makine öğrenmesi algoritmalarından lineer regresyon, destek vektör makineleri, karar ağacı algoritması, rastgele orman algoritması, çok katmanlı algılayıcı, naive bayes sınıflandırıcısı, k-en yakın komşu algoritması ve XGBoost sınıflandırıcısı kullanılmıştır. Aynı zamanda her bir algoritma için temel bileşenler analizi (PCA) ve lineer diskriminant analizi (LDA) uygulanmış olup oluşturulan modellerin doğruluk oranlarına bakılarak tahminde bulunulmuştur. Yapılan tahmin sonucunda en yüksek doğruluk oranı %84 ile rastgele orman algoritmasından, PCA dönüşümü kullanılarak yapılan tahmin sonucuna göre en yüksek doğruluk oranı %82 ile rastgele orman algoritması ve K-en yakın komşu algoritmasından ve LDA dönüşümü kullanılarak yapılan tahmin sonucuna göre ise en yüksek doğruluk oranı %85 ile karar ağacı algoritması ve K-en yakın komşu algoritmasından elde edilmiştir. Sınıflandırma işleminde LDA dönüşümünün daha yüksek sonuç elde ettiği görülmektedir.

🔖

Bu Makaleye Atıf Yap

Şahin, F., Tulum, G., Karaca, Ş. (2023). Anne Sağlığı Riski İçin Makine Öğrenmesi Modellerinin Performans Karşılaştırması. Dicle Üniversitesi Mühendislik Fakültesi Mühendislik Dergisi, Cilt: 14 Sayı: 4, 547–553. https://doi.org/10.24012/dumf.1325431

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (24)

  1. Demir Yıldırım, A. ve Hotun Şahin, N. (2022) Anne Ölümlerinin Önlenmesi: Uluslararası Bakım ve İzlem Modelleri, Üsküdar Üniversitesi, Sağlık Bilimleri Fakültesi, Ebelik Bölümü, Jinekoloji – Obstetrik Neonatoloji Tıp Dergisi, 19(1), DOI: 10.38136/jgon.842685.
  2. Ahmed M. ve Kashem M. A. (2020) IoT Based Risk Level Prediction Model For Maternal Health Care In The Context Of Bangladesh, 2nd International Conference on Sustainable Technologies for Industry 4.0 (STI), (19.12.2020-20.12.2020)
  3. Pawar, L., Arora, D., Malhotra, J., Vaidya, D., Sharma, A. (2022) A Robust Machine Learning Predictive Model for Maternal Health Risk, Proceedings of the Third International Conference on Electronics and Sustainable Communication Systems, ISBN: 978-1-6654-7971-4, DOI: 10.1109/ICESC54411.2022.9885515.
  4. Mu Y., Feng K., Yang Y. ve Wang J. (2018) Applying Deep Learning for Adverse Pregnancy Outcome Detection With Pre-pregnancy Health Data, MATEC Web of Conferences 189, 10014.
  5. Hoodbhoy Z., Noman M., Shafique A., Nasim A., Chowdhury D. ve Hasan B. (2019) Use of Machine Learning Algorithms for Prediction of Fetal Risk using Cardiotocographic Data, International Journal of Applied and Basic Medical Research, The Aga Khan University, Department of Paediatrics and Child Health, Department of Artificial Intelligence, 9:226-30.
  6. Wang S., Pathak J. ve Zhang Y. (2019) Using Electronic Health Records and Machine Learning to Predict Postpartum Depression, Cornell University, International Medical Informatics Association (IMIA) and IOS Press, doi:10. 3233/SHTI190351
  7. Edayath P. (2022) Analysis Of Factors Affecting Maternal Health Using Data Mining Techniques, Master Thesis, Master’s Program in Industrial Engineering, University of Texas at El Paso.
  8. Pereira S. L. S., Filho R. V. C., Ramos R., Oliveira M., Moreira M. W. L., Rodrigues J. J. P. C. ve Solic P. (2020) Improving Maternal Risk Analysis in Public Health Systems, 5th International Conference on Smart and Sustainable Technologies (SpliTech), (23-26. 09. 2020).
  9. Ahmed M. (2020) “Maternal Health Risk Data Set” UCI Repository of Machine Learning Databases, University of California, Irvine. Erişim adresi: https://archive.ics.uci.edu/ml/datasets/Maternal+Health+Risk+Data+Set
  10. Ertuğrul S. (2022) Öznitelik Seçimi ve Makine Öğrenimi Kullanılarak Enerji İletim, Kontrol ve Yönetim Sistemlerinde Siber Güvenlik Analizi, Yüksek Lisans Tezi, Elektrik-Elektronik Mühendisliği Anabilim Dalı, İstanbul Arel Üniversitesi.
  11. Saeed M. T. M. (2022) Temel Bileşenler Analizi ve Yapay Sinir Ağları Kullanılarak Turbofan Motorunun Kalan Faydalı Ömür Tahmini, Yüksek Lisans Tezi, Elektrik-Elektronik Mühendisliği Anabilim Dalı, İstanbul Üniversitesi.
  12. Doğan G. (2022) Makine Öğrenmesi Algoritmaları ile Betonarme Kirişlerin Burulma Momenti Tahmini, El-Cezerî Fen ve Mühendislik Dergisi, 9(2); 912-924.
  13. Batı F. (2020) Makine Öğrenmesi Sınıflandırma Algoritmaları Kullanılarak Meme Kanseri Tahmini, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul Aydın Üniversitesi.
  14. Özgür E. (2022) Lenf Kanseri Görüntülerinin Makine Öğrenmesi Yöntemleri İle Sınıflandırılması, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Anabilim Dalı, Tekirdağ Namık Kemal Üniversitesi.
  15. Kaya M. S. ve İnce K. (2021) Nesnelerin İnternetinde Çok Katmanlı Algılayıcı Kullanarak Zamanlama Analizi Saldırısı ile Özel Anahtar Tahminlemesi, Bilgisayar Bilimleri Dergisi, İnönü Üniversitesi, 385-390.
  16. Görgün M. (2020) Makine Öğrenmesi Yöntemleri İle Kalp Hastalığının Teşhis Edilmesi, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul Aydın Üniversitesi.
  17. Keskinbıçak F. (2023) Makine Öğrenmesi İle Nohutta Verim ve Tür Tahmini, Yüksek Lisans Tezi, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Harran Üniversitesi.
  18. Azizoğlu F. (2023) Makine Öğrenmesi Yöntemleriyle Kalp Hastalıklarının Sağkalım Tahmini, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Ana Bilim Dalı, Sivas Cumhuriyet Üniversitesi.
  19. Google (2017). [https://globalaihub.com/google-colab-nedir-ve-nasil-kullanilir], Erişim tarihi: 09.02.2023
  20. Rossum G (1990). [https://tr.wikipedia.org/wiki/Python#], Erişim tarihi: 09.02.2023.
  21. Kılınç D., Borandağ E., Yücalar F., Tunalı V., Şimşek M. ve Özçift A. (2016) KNN Algoritması ve R Dili ile Metin Madenciliği Kullanılarak Bilimsel Makale Tasnifi, Marmara Fen Bilimleri Dergisi, Hasan Ferdi Turgutlu Teknoloji Fakültesi, Celal Bayar Üniversitesi, 3:89-94.
  22. Gürsoy G. (2022) Makine Öğrenmesi Algoritmaları İle Kalp Hastalığı Tahmini, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Anabilim Dalı, Maltepe Üniversitesi.
  23. Korkmaz A. ve Büyükgöze S. (2019) Sahte Web Sitelerinin Sınıflandırma Algoritmaları İle Tespit Edilmesi, Avrupa Bilim ve Teknoloji Dergisi, Fen Bilimleri Enstitüsü, İstanbul Üniversitesi, 16:826-833.
  24. Durak M. N. (2017) Makine Öğrenmesi Sınıflandırma Yöntemleri İle Meme Kanserinin Erken Teşhisi, Yüksek Lisans Tezi, İstatistik Anabilim Dalı, Yıldız Teknik Üniversitesi.