KaydedilenlerDerginizi ekleyin

Dergiler / NATURENGS / 2023 / Cilt: 4 Sayı: 1

Prediction of Maternal Health Risk with Traditional Machine Learning Methods

Hursit Burak MUTLU
Fatih DURMAZ
Nadide YÜCEL
Emine CENGİL
Muhammed YILDIRIM
Sayfa
16–23
Yayın Tarihi
2023-06-30
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)

Makalede kullanılan yöntemler arasında en düşük doğruluk oranı k-en yakın komşu (KNN) yöntemi ile elde edilmiştir ve bu oran %68,47'dir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Riskli gebeliklerde, gebelik öncesinde anne adayının sahip olduğu kalp, akciğer, böbrek, yüksek tansiyon, diyabet ve karaciğer gibi çeşitli hastalıklar, gebelik sırasında anne adayının durumunu kötüleştirebilir.
📊
Temel Bulgular & Veri:Anne yaşı, kalp atış hızı, kan oksijen seviyesi, kan basıncı, vücut sıcaklığı gibi tıbbi parametreleri analiz ederek ve bu parametrelere karşılık gelen değerleri inceleyerek, bazı hastalar için risk yoğunluğuna ilişkin bilgi tahmin edilebilir.
💡
Sonuç & Katkı:Makalede kullanılan yöntemler arasında en düşük doğruluk oranı k-en yakın komşu (KNN) yöntemi ile elde edilmiştir ve bu oran %68,47'dir.
🔬Tür:Araştırma Makalesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Artificial Intelligence · Classifiers · KNN

Abstract

Riskli gebeliklerde, gebelik öncesinde anne adayının sahip olduğu kalp, akciğer, böbrek, yüksek tansiyon, diyabet ve karaciğer gibi çeşitli hastalıklar, gebelik sırasında anne adayının durumunu kötüleştirebilir. Anne yaşı, kalp atış hızı, kan oksijen seviyesi, kan basıncı, vücut sıcaklığı gibi tıbbi parametreleri analiz ederek ve bu parametrelere karşılık gelen değerleri inceleyerek, bazı hastalar için risk yoğunluğuna ilişkin bilgi tahmin edilebilir. Belirtilerde erken aşamada risk faktörleri sınıflandırılarak, gebelikle ilgili komplikasyonları azaltmak mümkündür. Anne risk sağlığını belirlemede makine öğrenimi yöntemlerinden yararlanmak mümkündür. Bu nedenle, bu çalışmada anne risk sağlığını belirlemek için 6 farklı makine öğrenimi yöntemi kullanılmıştır. Bu yöntemlerde elde edilen sonuçlar birbirleriyle karşılaştırılmış ve anne risk sağlığını tahmin etmede en başarılı yöntemin Karar Ağacı olduğu görülmüştür. Karar Ağacı yönteminde elde edilen doğruluk değeri %89,16’dır. Makalede kullanılan yöntemler arasında en düşük doğruluk oranı k-en yakın komşu (KNN) yöntemi ile elde edilmiştir ve bu oran %68,47'dir.

🔖

Bu Makaleye Atıf Yap

MUTLU, H. B., DURMAZ, F., YÜCEL, N., CENGİL, E., YILDIRIM, M. (2023). Prediction of Maternal Health Risk with Traditional Machine Learning Methods. NATURENGS, Cilt: 4 Sayı: 1, 16–23. https://ajindex.com/articles/946500

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (11)

  1. Pawar, L. et al. (2022) A Robust Machine Learning Predictive Model for Maternal Health Risk. in 2022 3rd International Conference on Electronics and Sustainable Communication Systems (ICESC). IEEE. 882-888.
  2. Varshavsky, J., et al. (2020) Heightened susceptibility: A review of how pregnancy and chemical exposures influence maternal health. Reproductive toxicology, 92: 14-56.
  3. Umoren, I., et al., Modeling and Prediction of Pregnancy Risk for Efficient Birth Outcomes Using Decision Tree Classification and Regression model. Ahmed, M. and M.A. Kashem. IoT based risk level prediction model for maternal health care in the context of Bangladesh. in 2020 2nd International Conference on Sustainable Technologies for Industry 4.0 (STI). 2020.
  4. IEEE. Ahmed, M., et al. Review and analysis of risk factor of maternal health in remote area using the internet of things (IoT). in InECCE2019: Proceedings of the 5th International Conference on Electrical, Control & Computer Engineering, Kuantan, Pahang, Malaysia, 29th July 2019. 2020.
  5. Springer. Rai, S.K. and K. Sowmya (2018) A review on use of machine learning techniques in diagnostic health-care. Artificial Intelligent Systems and Machine Learning, 10(4): 102-107.
  6. Quinlan, J.R. (1987) Simplifying decision trees. International journal of man-machine studies, 27(3): 221-234.
  7. Ke, G., et al. (2017) Lightgbm: A highly efficient gradient boosting decision tree. Advances in neural information processing systems, 3149–3157.
  8. Hancock, J.T. and T.M. Khoshgoftaar (2020) CatBoost for big data: an interdisciplinary review. Journal of big data, 7(1): 1-45.
  9. Pal, M. (2005) Random forest classifier for remote sensing classification. International journal of remote sensing, 26(1): 217-222.
  10. Natekin, A. and A. Knoll (2013) Gradient boosting machines, a tutorial. Frontiers in neurorobotics, 7: 21. Keller, J.M., M.R. Gray, and J.A. Givens (1985) A fuzzy k-nearest neighbor algorithm. IEEE transactions on systems, man, and cybernetics, SMC-15(4): 580-585. https://www.kaggle.com/datasets/csafrit2/maternal-health-risk-data?resource=download.
  11. Yildirim, M., et al. (2023) Automatic Classification of Particles in the Urine Sediment Test with the Developed Artificial Intelligence-Based Hybrid Model. Diagnostics, 13(7): 1299. Özbay, F. A., & Özbay, E. (2023). An NCA-based Hybrid CNN Model for Classification of Alzheimer’s Disease on Grad-CAM-enhanced Brain MRI Images. Turkish Journal of Science and Technology, 18(1), 139-155.