Tıbbi karar destek sistemleri, teknolojik ilerlemelerle birlikte yükselişe geçmiş ve çok sayıda araştırmaya konu olmuştur. Etkili bir tıbbi karar destek sistemi geliştirmek, modelin karmaşıklığıyla ters orantılı olan zaman verimliliğinin yanı sıra yüksek miktarda doğruluk, kesinlik ve hassasiyet gerektirmektedir. Burada mevcut hasta verilerinin analizi yoluyla ilgili parametrelere göre öznitelik seçimi, makine öğrenimi ve yapay zekâ tekniklerinin sıklıkla kullanıldığı söylenebilir. Benzer şekilde; öğrenen ve yinelenen yenilikçi yöntemler ile elde edilen model davranışlarının daha iyi bir sınıflandırma ve kümeleme aracı olarak kullanılmasıyla, sisteme yeni gelen bir hasta verisi için gerekli nihai teşhis kararı üzerinde etkileri ilgi çekici bir konudur. Bu noktada, daha az belirleyici nitelik kullanılarak daha yüksek doğruluğa sahip bir karar alma süreci tasarlanması temel hedeftir. Tıp bilimi açısından çok önemli bir konu olan kalp hastalığını, erken teşhis etmek, güçlü ve güvenilir bir tıbbi karar destek sistemi geliştirmek birçok araştırmacının üzerinde çalıştığı bir alandır. Bu tez çalışması, kalp hastalıklarındaki ilgili özellikleri seçmeden önce makine öğrenmesi yöntemlerinden lojistik regresyon, en yakın K-komşu, karar ağacı, rassal orman, karar destek makinesi, naive bayes, stokastik gradyan inişi ve ekstrem gradyan artırma yöntemleri ile UCI Makine Öğrenmesi Deposu tarafından sunulan kalp hastalığı veri setinde çalışılmıştır. Elde edilen ilk sonuçlar değerlendirildiğinde, doğruluk oranlarının iyileştirilmesi için güncel bir meta-sezgisel eniyileme algoritması olarak yelken balığı eniyileme (YBO) algoritması önerilmiştir. Böylece doğruluk oranlarının ortalama olarak %18 iyileştiği ve en fazla iyileştirmenin %41,93 ile karar ağacı (KA) makine öğrenimi algoritması ile elde edilği tespit edilmiştir. Son aşamada ise, KA makine öğrenimi algoritması üzerine gerçekleştirilen hiper parametre optimizasyonu ile nihai olarak yeni bir tıbbi teşhis karar destek sistemi önerilmektedir: YBO_HPO_KA. Önerilen model ile, kalp hastalıklarının teşhisi için bilimsel yazında da önemli olacak şekilde 0,9836 doğruluk oranı elde edilmiştir. Anahtar Kelimeler: Tıbbi karar destek sistemi, Kalp hastalığı, Yelken balığı eniyileme algoritması, Karar ağacı, Makine öğrenimi.
Medical decision support systems have been on the rise with technological advances and have been the subject of many studies. Developing an effective medical decision support system requires a high amount of accuracy, precision and precision as well as time efficiency that is inversely proportional to the complexity of the model. Feature selection, machine learning and artificial intelligence techniques are frequently used according to the relevant parameters through the analysis of existing patient data. Similarly; the effects of model behaviors on the final diagnostic decision required for a new patient data is an interesting topic with self-learning and iterative innovative methods as a better classification and clustering tool. At this point, designing a decision-making process with higher accuracy using less determinative features is the main goal. Early diagnosis of heart disease, which is a crucial issue in terms of medical science, and developing a strong and reliable medical decision support system is an area that many researchers work on. This thesis study is primarily designed by UCI Machine Learning Repository with logistic regression, K-nearest neighbor, decision tree, random forest, support vector machines, naive bayes, stochastic gradient descent and extreme gradient boosting methods before selecting the relevant features in heart disease on studied and presented heart disease dataset. When the first results are evaluated, the sailfish optimization (SFO) algorithm has been proposed as an up-to-date meta-heuristic optimization algorithm to improve accuracy rates. Thus, it was determined that the accuracy rates improved by 18% on average and the maximum improvement was achieved with the decision tree (DT) machine learning algorithm with 41.93%. In the last stage, a new medical diagnosis decision support system is proposed with the hyper parameter optimization performed on the DT machine learning algorithm: SFO_HPO_DT. With the proposed model, an accuracy rate of 0.9836 was obtained, which is important in the scientific literature for the diagnosis of heart diseases. Keywords: Medical decision support system, Heart disease, Sailfish optimizer, Decision tree, Machine learning.
Tez (Yüksek Lisans) - Süleyman Demirel Üniversitesi, Fen Bilimleri Enstitüsü, Endüstri Mühendisliği Anabilim Dalı, 2021.
Kaynakça var.
Tıbbi karar destek sistemleri, teknolojik ilerlemelerle birlikte yükselişe geçmiş ve çok sayıda araştırmaya konu olmuştur. Etkili bir tıbbi karar destek sistemi geliştirmek, modelin karmaşıklığıyla ters orantılı olan zaman verimliliğinin yanı sıra yüksek miktarda doğruluk, kesinlik ve hassasiyet gerektirmektedir. Burada mevcut hasta verilerinin analizi yoluyla ilgili parametrelere göre öznitelik seçimi, makine öğrenimi ve yapay zekâ tekniklerinin sıklıkla kullanıldığı söylenebilir. Benzer şekilde; öğrenen ve yinelenen yenilikçi yöntemler ile elde edilen model davranışlarının daha iyi bir sınıflandırma ve kümeleme aracı olarak kullanılmasıyla, sisteme yeni gelen bir hasta verisi için gerekli nihai teşhis kararı üzerinde etkileri ilgi çekici bir konudur. Bu noktada, daha az belirleyici nitelik kullanılarak daha yüksek doğruluğa sahip bir karar alma süreci tasarlanması temel hedeftir. Tıp bilimi açısından çok önemli bir konu olan kalp hastalığını, erken teşhis etmek, güçlü ve güvenilir bir tıbbi karar destek sistemi geliştirmek birçok araştırmacının üzerinde çalıştığı bir alandır. Bu tez çalışması, kalp hastalıklarındaki ilgili özellikleri seçmeden önce makine öğrenmesi yöntemlerinden lojistik regresyon, en yakın K-komşu, karar ağacı, rassal orman, karar destek makinesi, naive bayes, stokastik gradyan inişi ve ekstrem gradyan artırma yöntemleri ile UCI Makine Öğrenmesi Deposu tarafından sunulan kalp hastalığı veri setinde çalışılmıştır. Elde edilen ilk sonuçlar değerlendirildiğinde, doğruluk oranlarının iyileştirilmesi için güncel bir meta-sezgisel eniyileme algoritması olarak yelken balığı eniyileme (YBO) algoritması önerilmiştir. Böylece doğruluk oranlarının ortalama olarak %18 iyileştiği ve en fazla iyileştirmenin %41,93 ile karar ağacı (KA) makine öğrenimi algoritması ile elde edilği tespit edilmiştir. Son aşamada ise, KA makine öğrenimi algoritması üzerine gerçekleştirilen hiper parametre optimizasyonu ile nihai olarak yeni bir tıbbi teşhis karar destek sistemi önerilmektedir: YBO_HPO_KA. Önerilen model ile, kalp hastalıklarının teşhisi için bilimsel yazında da önemli olacak şekilde 0,9836 doğruluk oranı elde edilmiştir. Anahtar Kelimeler: Tıbbi karar destek sistemi, Kalp hastalığı, Yelken balığı eniyileme algoritması, Karar ağacı, Makine öğrenimi.
Medical decision support systems have been on the rise with technological advances and have been the subject of many studies. Developing an effective medical decision support system requires a high amount of accuracy, precision and precision as well as time efficiency that is inversely proportional to the complexity of the model. Feature selection, machine learning and artificial intelligence techniques are frequently used according to the relevant parameters through the analysis of existing patient data. Similarly; the effects of model behaviors on the final diagnostic decision required for a new patient data is an interesting topic with self-learning and iterative innovative methods as a better classification and clustering tool. At this point, designing a decision-making process with higher accuracy using less determinative features is the main goal. Early diagnosis of heart disease, which is a crucial issue in terms of medical science, and developing a strong and reliable medical decision support system is an area that many researchers work on. This thesis study is primarily designed by UCI Machine Learning Repository with logistic regression, K-nearest neighbor, decision tree, random forest, support vector machines, naive bayes, stochastic gradient descent and extreme gradient boosting methods before selecting the relevant features in heart disease on studied and presented heart disease dataset. When the first results are evaluated, the sailfish optimization (SFO) algorithm has been proposed as an up-to-date meta-heuristic optimization algorithm to improve accuracy rates. Thus, it was determined that the accuracy rates improved by 18% on average and the maximum improvement was achieved with the decision tree (DT) machine learning algorithm with 41.93%. In the last stage, a new medical diagnosis decision support system is proposed with the hyper parameter optimization performed on the DT machine learning algorithm: SFO_HPO_DT. With the proposed model, an accuracy rate of 0.9836 was obtained, which is important in the scientific literature for the diagnosis of heart diseases. Keywords: Medical decision support system, Heart disease, Sailfish optimizer, Decision tree, Machine learning.