Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Gazi Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: İngilizce
Öğrenci: Anıl AKYEL
Asıl Danışman (Eş Danışmanlı Tezler İçin): Fırat Hardalaç
Eş Danışman: Pınar Özışık
Özet:
İnme, serebral iskemi ve hemoraji şeklinde iki ana alt türü bulunan ve dünya çapında ölüm ve kalıcı sakatlıkların önde gelen sebeplerinden biri olan ciddi bir sağlık sorunudur. Buna karşın, inme ile mücadelede bugüne kadar genel geçer bir etkin tedavi yöntemi bulunamamıştır. Bu durum da inme olaylarının etkisini minimize etmek için olası atakların önceden tahmin edilmesi konusunda çalışmalara yoğunlaşılmasına yol açmıştır. Ancak, inme olaylarının akut doğası ve bireylerin inme geçirme risklerini etkileyen faktörlerin, bazıları hâlâ bilinmemekle birlikte, sayıca çok olması başarılı bir risk tahmin yöntemi oluşturmayı oldukça zor kılmaktadır. Bu çalışmada, bireylerin inme geçirme risklerini hesaplayarak yüksek risk altındaki kişilerin belirlenmesi ve meydana gelebilecek ataklara yönelik gerekli önlemlerin alınması konusunda bir karar-destek sistemi olarak işlev görecek bir model önerilmiştir. Önerilen model, Matlab yazılımı kullanılarak hazırlanmış olup kullanım kolaylığı ve anlaşılabilirlik için bir grafiksel kullanıcı arayüzü ile tamamlanmıştır. Çalışma kapsamında Gazi Üniversitesi Hastanesi’nden retrospektif olarak alınan 3000 hasta verisi kullanılarak özgün bir veri seti hazırlanmış olup önerilen modelin eğitimi ve testinde bu veri seti kullanılmıştır. Çalışmada önerilen model 2 ana aşamadan oluşmaktadır. İlk aşamada modele verilen veri seti bulanık c-means yöntemi ile kümelenerek elde edilen kümeleme sonuçları veri setini modifiye etmekte kullanılmıştır. İkinci aşamada ise modifiye edilen veri seti girdi olarak alınıp, setteki hastaların 4 farklı inme türü için riskleri her biri 4 farklı temel modelden oluşan topluluk öğrenme temelli sınıflandırıcılar ile tahmin edilmiştir. Burada kullanılan temel modellerin ağırlıkları özgün bir yaklaşımla, her küme için ayrı ayrı olmak üzere, temel modellerin doğrulama veri setindeki başarılarına göre dinamik olarak belirlenmiştir. Bu sayede hem yüksek bir model performansı elde edilmiş olup hem de modelin çalışma süresi ve işlem yükü kayda değer derecede azaltılmıştır. Ayrıca, uygulanan kümeleme işlemi ve bunun neticesinde elde edilen kümelerde farklı ağırlıkların kullanılması modele kullanılan veri setlerindeki olası yanlılıklara karşı direnç kazandırmıştır. Modelin genel inme, iskemik inme, hemorajik inme ve geçici iskemik atak olaylarını tahmin etmedeki doğruluk oranları sırasıyla %99,89; %99,90; %99,81 ve %99,87 olarak elde edilmiştir. Bu doğruluk oranları göz önünde bulundurulduğunda çalışmada önerilen modelin mükemmele yakın performansla çalıştığı gözlenmektedir. Bu bağlamda, çok sayıda faktörü hesaba katarak 4 farklı inme türü için yüksek doğruluk oranı ile risk tahmini yapabilen bu model, tıbbî uzmanlara bir karar destek sistemi vazifesi görerek yardımcı olabilecektir.
Anahtar Kelimeler : Yapay zeka, inme, bulanık kümeleme, topluluk öğrenmE