KaydedilenlerDerginizi ekleyin

Dergiler / Bilgisayar Bilimleri ve Teknolojileri Dergisi / 2023 / Cilt: 4 Sayı: 1

Yapay Zeka Tabanlı Türkçe Dİl İşleme, Tanı Öneri Sistemi Projesi

A Natural Language Processing-Based Turkish Diagnosis Recommendation System

Servet BADEM
Özlem ÖZCAN KILIÇSAYMAZ
Sayfa
8–18
Yayın Tarihi
2023-08-09
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)

Çalışma sonucunda uygulanan tekrarlayan sinir ağları (RNN) modeli yaklaşımı ile hastanın şikayetlerine yönelik tanı önerisi başarılı bir şekilde tahmin edilmiştir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:MD-Advisor, sağlık hizmetlerinde yapay zeka tabanlı bir öneri sistemi olan “tıp doktoru – danışman” ifadesinin kısaltmasıdır.
📊
Temel Bulgular & Veri:Bu proje ile hastaya teşhis konulması ve sonrasında tetkik önerilmesi süreçleri çok hızlı bir şekilde tamamlanmaktadır.
💡
Sonuç & Katkı:Çalışma sonucunda uygulanan tekrarlayan sinir ağları (RNN) modeli yaklaşımı ile hastanın şikayetlerine yönelik tanı önerisi başarılı bir şekilde tahmin edilmiştir.
🔬Tür:Modelleme & Sayısal Simülasyon
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:AI-based Recommendation System · Machine Learning · Deep Learning

Özet

MD-Advisor, sağlık hizmetlerinde yapay zeka tabanlı bir öneri sistemi olan “tıp doktoru – danışman” ifadesinin kısaltmasıdır. Ayrıca sağlık temelli öneri sistemi, hastalara ve klinisyenlere uygun sağlık hizmeti bilgileri için önerilerde bulunan bir karar alma aracıdır. MD-Advisor projesi, doktorların hastalara teşhis koyarken izledikleri prosedürleri hızlandırmak ve olası tüm durumları kısa sürede doktora sunmak amacıyla geliştirilmiştir. Bu proje ile hastaya teşhis konulması ve sonrasında tetkik önerilmesi süreçleri çok hızlı bir şekilde tamamlanmaktadır. Böylece hasta doğrudan tedavi aşamasına geçmektedir. Hastanın mevcut sağlık durumunu gösteren hasta şikayetlerinden elde edilen verilere dayanarak; veri ön işleme, etiketleme ve derin öğrenme modelleme teknikleri kullanılmaktadır. Teşhis önerisi için etiket olarak kullanılan teşhis kodları, Tekrarlayan Sinir Ağları modelinden çıktı olarak elde edildi. Çalışma sonucunda uygulanan tekrarlayan sinir ağları (RNN) modeli yaklaşımı ile hastanın şikayetlerine yönelik tanı önerisi başarılı bir şekilde tahmin edilmiştir.

Abstract

MD-Advisor is the abbreviation of “medical doctor – advisor” which is an artificial intelligence-based recommendation system in healthcare. Moreover, the health-based recommender system is a decision-making tool that makes recommendations for appropriate healthcare information to patients and clinicians. MD-Advisor project was developed in order to speed up the procedures that doctors follow when diagnosing patients and to present all possible conditions to the doctor in a short time. With this project, the processes of diagnosing the patient and then recommending the examination are completed very quickly. Thus, the patient is directly transferred to the treatment phase. Based on the data obtained from patient complaints which indicates the current health status of the patient; data preprocessing, labeling and deep learning modeling techniques are used. The diagnostic codes used as labels for the diagnosis recommendation were obtained as output from the Recurrent Neural Networks model. As a result of the study, the diagnosis proposal for the patient's complaints was successfully predicted with the applied recurrent neural networks (RNN) model approach.

🔖

Bu Makaleye Atıf Yap

BADEM, S., KILIÇSAYMAZ, Ö. Ö. (2023). Yapay Zeka Tabanlı Türkçe Dİl İşleme, Tanı Öneri Sistemi Projesi. Bilgisayar Bilimleri ve Teknolojileri Dergisi, Cilt: 4 Sayı: 1, 8–18. https://ajindex.com/articles/957111

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (8)

  1. Adelkhah, R., Shamsfard, M., & Naderian, N. (2019). The ontology of natural language processing. 5th International Conference on Web Research (ICWR), 128-133.
  2. Kaur, R., Ginige, J.A., & Obst, O. (2021). A systematic literature review of automated ICD coding and classification systems using discharge summaries. ArXiv, 2107. 10652. Ma, F., Chitta, R., Zhou, J., You, Q., Sun, T., & Gao, J. (2017). Dipole: diagnosis prediction in healthcare via attention-based bidirectional recurrent neural networks. Proceedings of the 23rd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining. Melo, M., Gusso, G.D.F., Levites, M., Massad, E., Lotufo, P.A., Zeidman, P.,. Price, C.J. (2017). How doctors diagnose diseases and prescribe treatments: an fMRI study of diagnostic salience. Scientific Reports, 7(1), 1304. Plisson, J., Lavrač, N., & Mladenic, D. (2004). A rule based approach to word lemmatization. Ruder, S. (2016). An overview of gradient descent optimization algorithms. ArXiv, 1609.04747. Stark, B., Knahl, C., Aydin, M., & Elish, K. (2019). A Literature Review on Medicine Recommender Systems. International Journal of Advanced Computer Science and Applications, 10(8). Wiesner, M., & Pfeifer, D. (2014). Health Recommender Systems: Concepts, Requirements, Technical Basics, and Challenges. International Journal of Environmental Research and Public Health, 11(3), 2580–2607.
  3. Brownlee, J. (2022). Your first deep learning project in python with keras step-by-step. Machine Learning Mastery. Retrieved from https://machinelearningmastery.com/tutorial-first-neural-network-python-keras/.
  4. Brownlee, J. (2021). How to choose an activation function for deep learning. Machine Learning Mastery. Retrieved from https://machinelearningmastery.com/choose-an-activation-function-for-deep-learning/.
  5. Brownlee, J. (2019). A gentle introduction to cross-entropy for machine learning. Machine Learning Mastery. Retrieved from https://machinelearningmastery.com/cross-entropy-for-machine-learning/.
  6. Brownlee, J. (2017). How to visualize a deep learning neural network model in keras. Machine Learning Mastery. Retrieved from https://machinelearningmastery.com/visualize-deep-learning-neural-network-model-keras/.
  7. Brownlee, J. (2017). Gentle introduction to the adam optimization algorithm for deep learning. Machine Learning Mastery. Retrieved from https://machinelearningmastery.com/adam-optimization-algorithm-for-deep-learning/.
  8. Brownlee, J. (2016). 5 step life-cycle for neural netw