KaydedilenlerDerginizi ekleyin

Dergiler / Eurasian Journal of Health Technology Assessment / 2022 / Cilt: 6 - Sayı: 2

Sağlık Hizmetlerinde Güncel Makine Öğrenmesi Algoritmaları

A Review on Machine Learning Algorithms in Healthcare

Lütviye Özge POLATLI
Melis Almula KARADAYI
Sayfa
117–143
Yayın Tarihi
2022-12-31
DOI
—
🏛️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)

Derleme çalışmasının sonucunda sağlık hizmetlerinde en iyi performans gösteren sınıflandırma algoritması ortalama %100 doğruluk başarısıyla Decision Tree (DT), Random Forest (RF), Gaussian Naive Bayes (GNB) olmuştur.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Son yıllarda araştırmacılar tarafından makine öğrenmesi algoritmalarını kullanarak sağlık süreçlerinin iyileştirilmesi konusu büyük bir trend haline gelmiştir.
📊
Temel Bulgular & Veri:Makine öğrenmesi, sağlık hizmetlerinde kaliteyi yükseltmek, hastalık yayılımlarını önlemek, hastalıkları erken teşhis etmek, hastane operasyon maliyetlerini azaltmak, hükümete sağlık hizmetleri politikalarında yardımcı olmak ve sağlık hizmetinin verimliliğini artırmak için kullanılan popüler ve etkili bir yöntem haline gelmiştir.
💡
Sonuç & Katkı:Derleme çalışmasının sonucunda sağlık hizmetlerinde en iyi performans gösteren sınıflandırma algoritması ortalama %100 doğruluk başarısıyla Decision Tree (DT), Random Forest (RF), Gaussian Naive Bayes (GNB) olmuştur.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:19 hasta
⚙️Değişkenler:Makine öğrenmesi algoritmaları · sağlık hizmetleri · bulaşıcı hastalıklar

Özet

Son yıllarda araştırmacılar tarafından makine öğrenmesi algoritmalarını kullanarak sağlık süreçlerinin iyileştirilmesi konusu büyük bir trend haline gelmiştir. Makine öğrenmesi, sağlık hizmetlerinde kaliteyi yükseltmek, hastalık yayılımlarını önlemek, hastalıkları erken teşhis etmek, hastane operasyon maliyetlerini azaltmak, hükümete sağlık hizmetleri politikalarında yardımcı olmak ve sağlık hizmetinin verimliliğini artırmak için kullanılan popüler ve etkili bir yöntem haline gelmiştir. Bu derleme çalışmasında, sağlık alanında gerçekleştirilen makine öğrenmesi çalışmaları özetlenmiş ve sınıflandırılmıştır. Özellikle halk sağlığını tehdit eden ve dünyada ölüm nedenleri listesinde ilk sıralarda yer alan, bulaşıcı olmayan hastalık çalışmalarına odaklanılmıştır. Ayrıca dünyanın en büyük ölümcül hastalıklar listesinde yer alan ve son yıllarda halk sağlığı için acil durum ilan edilen COVID-19 hastalığına da yer verilmiştir. Bu çalışmanın amacı, sağlık alanında çalışma yapan araştırmacılara uygun algoritmalarını seçmesinde yardımcı olmaktır. Derleme çalışmasının sonucunda sağlık hizmetlerinde en iyi performans gösteren sınıflandırma algoritması ortalama %100 doğruluk başarısıyla Decision Tree (DT), Random Forest (RF), Gaussian Naive Bayes (GNB) olmuştur.

Abstract

In recent years, the issue of improving health processes by using machine learning algorithms by researchers has become a big trend. Machine learning has become a popular and effective method used to improve the quality of healthcare services, prevent disease outbreaks, diagnose diseases early, reduce hospital operating costs, assist the government in healthcare policies, and increase healthcare efficiency. In this review, machine learning studies carried out in the field of health are summarized and classified. In particular, the focus is on studies of non-communicable diseases, which threaten public health and are at the top of the list of causes of death in the world. In addition, the COVID-19 disease, which is on the list of the world's largest deadly diseases and has been declared a public health emergency in recent years, is also included. The purpose of this study is to assist researchers working in the field of health in choosing appropriate algorithms. As a result of the compilation studies, the best performing classification algorithm in healthcare services was Decision Tree(DT), Random Forest (RF), Gaussian Naive Bayes (GNB) with an average accuracy of 100%.

🔖

Bu Makaleye Atıf Yap

POLATLI, L. Ö., KARADAYI, M. A. (2022). Sağlık Hizmetlerinde Güncel Makine Öğrenmesi Algoritmaları. Eurasian Journal of Health Technology Assessment, Cilt: 6 - Sayı: 2, 117–143. https://ajindex.com/articles/868035

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (3)

  1. H. T. Melis Almula Karadayı, Beyza Özlem YILMAZ, Bilgehan Eren Erol, “Sağlık Teknolojisi Değerlendirmede Çok Kriterli Karar Verme Yaklaşımları Üzerine Bir Derleme Çalışması,” Düzce Üniversitesi Bilim ve Teknol. Derg., vol. 8, no. Mcdm, pp. 264–289, 2020.
  2. Z. T. Kalender, H. Tozan, and O. Vayvay, “Prioritization of medical errors in patient safety management: Framework using interval-valued intuitionistic fuzzy sets,” Healthc., vol. 8, no. 3, 2020, doi: 10.3390/healthcare8030265. M. A. KARADAYI, Y. G. GÖKMEN, L. G. KASAP, and H. TOZAN, “Sağlıkta Güncel Simülasyon Yaklaşımları: Bir Derleme Çalışması,” Int. J. Adv. Eng. Pure Sci., pp. 1–21, 2019, doi: 10.7240/jeps.444190. N. Öztürk, H. Tozan, and Ö. Vayvay, “A new decision model approach for health technology assessment and a case study for dialysis alternatives in Turkey,” Int. J. Environ. Res. Public Health, vol. 17, no. 10, 2020, doi: 10.3390/ijerph17103608. WHO, “the-Top-10-Causes-of-Death @ Www.Who.Int,” The top 10 causes of death. p. Consultado 23 de marzo de 2019, 2018, [Online]. Available: https://www.who.int/es/news-room/fact-sheets/detail/the-top-10-causes-of-death.
  3. M. Ferdous, J. Debnath, and N. R. Chakraborty, “Machine Learning Algorithms in Healthcare: A Literature Survey,” 2020 11th Int. Conf. Comput. Commun. Netw. Technol. ICCCNT 2020, 2020, doi: 10.1109/ICCCNT49239.2020.9225642. G. Winter, “Machine learning in healthcare,” Br. J. Heal. Care Manag., vol. 25, no. 2, pp. 100–101, 2019, doi: 10.12968/bjhc.2019.25.2.100. P. Sun, X. Lu, C. Xu, W. Sun, and B. Pan, “Understanding of COVID-19 based on current evidence,” J. Med. Virol., vol. 92, no. 6, pp. 548–551, 2020, doi: 10.1002/jmv.25722. P. Saha, M. S. Sadi, and M. M. Islam, “EMCNet: Automated COVID-19 diagnosis from X-ray images using convolutional neural network and ensemble of machine learning classifiers,” Informatics Med. Unlocked, vol. 22, p. 100505, 2021, doi: 10.1016/j.imu.2020.100505. M. Pourhomayoun and M. Shakibi, “Predicting mortality risk in patients with COVID-19 using machine learning to help medical decision-making,” Smart Heal., vol. 20, no. April 2020, p. 100178, 2021, doi: 10.1016/j.smhl.2020.100178. E. Gambhir, R. Jain, A. Gupta, and U. Tomer, “Regression Analysis of COVID-19 using Machine Learning Algorithms,” Proc. - Int. Conf. Smart Electron. Commun. ICOSEC 2020, no. Icosec, pp. 65–71, 2020, doi: 10.1109/ICOSEC49089.2020.9215356. V. Bayat et al., “A Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2) Prediction Mode