Araştırma Makalesi
BibTex RIS Kaynak Göster

Anne Sağlığı Riski İçin Makine Öğrenmesi Modellerinin Performans Karşılaştırması

Yıl 2023, Cilt: 14 Sayı: 4, 547 - 553, 31.12.2023
https://doi.org/10.24012/dumf.1325431

Öz

Sağlık sektöründe hastalıkların teşhisi için yapay zekânın alt dallarından olan makine öğrenmesi oldukça yaygın kullanılmaktadır. Çalışmada anne sağlığı riski üzerine bir veri seti kullanılarak hamilelikte risk üzerine sınıflandırma çalışması yapılması amaçlanmıştır. Çalışmada, makine öğrenmesi algoritmalarından lineer regresyon, destek vektör makineleri, karar ağacı algoritması, rastgele orman algoritması, çok katmanlı algılayıcı, naive bayes sınıflandırıcısı, k-en yakın komşu algoritması ve XGBoost sınıflandırıcısı kullanılmıştır. Aynı zamanda her bir algoritma için temel bileşenler analizi (PCA) ve lineer diskriminant analizi (LDA) uygulanmış olup oluşturulan modellerin doğruluk oranlarına bakılarak tahminde bulunulmuştur. Yapılan tahmin sonucunda en yüksek doğruluk oranı %84 ile rastgele orman algoritmasından, PCA dönüşümü kullanılarak yapılan tahmin sonucuna göre en yüksek doğruluk oranı %82 ile rastgele orman algoritması ve K-en yakın komşu algoritmasından ve LDA dönüşümü kullanılarak yapılan tahmin sonucuna göre ise en yüksek doğruluk oranı %85 ile karar ağacı algoritması ve K-en yakın komşu algoritmasından elde edilmiştir. Sınıflandırma işleminde LDA dönüşümünün daha yüksek sonuç elde ettiği görülmektedir.

Kaynakça

  • [1] Demir Yıldırım, A. ve Hotun Şahin, N. (2022) Anne Ölümlerinin Önlenmesi: Uluslararası Bakım ve İzlem Modelleri, Üsküdar Üniversitesi, Sağlık Bilimleri Fakültesi, Ebelik Bölümü, Jinekoloji – Obstetrik Neonatoloji Tıp Dergisi, 19(1), DOI: 10.38136/jgon.842685.
  • [2] Ahmed M. ve Kashem M. A. (2020) IoT Based Risk Level Prediction Model For Maternal Health Care In The Context Of Bangladesh, 2nd International Conference on Sustainable Technologies for Industry 4.0 (STI), (19.12.2020-20.12.2020)
  • [3] Pawar, L., Arora, D., Malhotra, J., Vaidya, D., Sharma, A. (2022) A Robust Machine Learning Predictive Model for Maternal Health Risk, Proceedings of the Third International Conference on Electronics and Sustainable Communication Systems, ISBN: 978-1-6654-7971-4, DOI: 10.1109/ICESC54411.2022.9885515.
  • [4] Mu Y., Feng K., Yang Y. ve Wang J. (2018) Applying Deep Learning for Adverse Pregnancy Outcome Detection With Pre-pregnancy Health Data, MATEC Web of Conferences 189, 10014.
  • [5] Hoodbhoy Z., Noman M., Shafique A., Nasim A., Chowdhury D. ve Hasan B. (2019) Use of Machine Learning Algorithms for Prediction of Fetal Risk using Cardiotocographic Data, International Journal of Applied and Basic Medical Research, The Aga Khan University, Department of Paediatrics and Child Health, Department of Artificial Intelligence, 9:226-30.
  • [6] Wang S., Pathak J. ve Zhang Y. (2019) Using Electronic Health Records and Machine Learning to Predict Postpartum Depression, Cornell University, International Medical Informatics Association (IMIA) and IOS Press, doi:10. 3233/SHTI190351
  • [7] Edayath P. (2022) Analysis Of Factors Affecting Maternal Health Using Data Mining Techniques, Master Thesis, Master’s Program in Industrial Engineering, University of Texas at El Paso.
  • [8] Pereira S. L. S., Filho R. V. C., Ramos R., Oliveira M., Moreira M. W. L., Rodrigues J. J. P. C. ve Solic P. (2020) Improving Maternal Risk Analysis in Public Health Systems, 5th International Conference on Smart and Sustainable Technologies (SpliTech), (23-26. 09. 2020).
  • [9] Ahmed M. (2020) “Maternal Health Risk Data Set” UCI Repository of Machine Learning Databases, University of California, Irvine. Erişim adresi: https://archive.ics.uci.edu/ml/datasets/Maternal+Health+Risk+Data+Set
  • [10] Ertuğrul S. (2022) Öznitelik Seçimi ve Makine Öğrenimi Kullanılarak Enerji İletim, Kontrol ve Yönetim Sistemlerinde Siber Güvenlik Analizi, Yüksek Lisans Tezi, Elektrik-Elektronik Mühendisliği Anabilim Dalı, İstanbul Arel Üniversitesi.
  • [11] Saeed M. T. M. (2022) Temel Bileşenler Analizi ve Yapay Sinir Ağları Kullanılarak Turbofan Motorunun Kalan Faydalı Ömür Tahmini, Yüksek Lisans Tezi, Elektrik-Elektronik Mühendisliği Anabilim Dalı, İstanbul Üniversitesi.
  • [12] Doğan G. (2022) Makine Öğrenmesi Algoritmaları ile Betonarme Kirişlerin Burulma Momenti Tahmini, El-Cezerî Fen ve Mühendislik Dergisi, 9(2); 912-924.
  • [13] Batı F. (2020) Makine Öğrenmesi Sınıflandırma Algoritmaları Kullanılarak Meme Kanseri Tahmini, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul Aydın Üniversitesi.
  • [14] Özgür E. (2022) Lenf Kanseri Görüntülerinin Makine Öğrenmesi Yöntemleri İle Sınıflandırılması, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Anabilim Dalı, Tekirdağ Namık Kemal Üniversitesi.
  • [15] Kaya M. S. ve İnce K. (2021) Nesnelerin İnternetinde Çok Katmanlı Algılayıcı Kullanarak Zamanlama Analizi Saldırısı ile Özel Anahtar Tahminlemesi, Bilgisayar Bilimleri Dergisi, İnönü Üniversitesi, 385-390.
  • [16] Görgün M. (2020) Makine Öğrenmesi Yöntemleri İle Kalp Hastalığının Teşhis Edilmesi, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Ana Bilim Dalı, İstanbul Aydın Üniversitesi.
  • [17] Keskinbıçak F. (2023) Makine Öğrenmesi İle Nohutta Verim ve Tür Tahmini, Yüksek Lisans Tezi, Elektrik-Elektronik Mühendisliği Anabilim Dalı, Harran Üniversitesi.
  • [18] Azizoğlu F. (2023) Makine Öğrenmesi Yöntemleriyle Kalp Hastalıklarının Sağkalım Tahmini, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Ana Bilim Dalı, Sivas Cumhuriyet Üniversitesi.
  • [19] Google (2017). [https://globalaihub.com/google-colab-nedir-ve-nasil-kullanilir], Erişim tarihi: 09.02.2023
  • [20] Rossum G (1990). [https://tr.wikipedia.org/wiki/Python#], Erişim tarihi: 09.02.2023.
  • [21] Kılınç D., Borandağ E., Yücalar F., Tunalı V., Şimşek M. ve Özçift A. (2016) KNN Algoritması ve R Dili ile Metin Madenciliği Kullanılarak Bilimsel Makale Tasnifi, Marmara Fen Bilimleri Dergisi, Hasan Ferdi Turgutlu Teknoloji Fakültesi, Celal Bayar Üniversitesi, 3:89-94.
  • [22] Gürsoy G. (2022) Makine Öğrenmesi Algoritmaları İle Kalp Hastalığı Tahmini, Yüksek Lisans Tezi, Bilgisayar Mühendisliği Anabilim Dalı, Maltepe Üniversitesi.
  • [23] Korkmaz A. ve Büyükgöze S. (2019) Sahte Web Sitelerinin Sınıflandırma Algoritmaları İle Tespit Edilmesi, Avrupa Bilim ve Teknoloji Dergisi, Fen Bilimleri Enstitüsü, İstanbul Üniversitesi, 16:826-833.
  • [24] Durak M. N. (2017) Makine Öğrenmesi Sınıflandırma Yöntemleri İle Meme Kanserinin Erken Teşhisi, Yüksek Lisans Tezi, İstatistik Anabilim Dalı, Yıldız Teknik Üniversitesi.
Toplam 24 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Konular Derin Öğrenme
Bölüm Makaleler
Yazarlar

Fatih Şahin 0000-0002-8036-3156

Gökalp Tulum 0000-0003-1906-0401

Şeyma Karaca 0009-0005-0990-2726

Erken Görünüm Tarihi 31 Aralık 2023
Yayımlanma Tarihi 31 Aralık 2023
Gönderilme Tarihi 10 Temmuz 2023
Yayımlandığı Sayı Yıl 2023 Cilt: 14 Sayı: 4

Kaynak Göster

IEEE F. Şahin, G. Tulum, ve Ş. Karaca, “Anne Sağlığı Riski İçin Makine Öğrenmesi Modellerinin Performans Karşılaştırması”, DÜMF MD, c. 14, sy. 4, ss. 547–553, 2023, doi: 10.24012/dumf.1325431.
DUJE tarafından yayınlanan tüm makaleler, Creative Commons Atıf 4.0 Uluslararası Lisansı ile lisanslanmıştır. Bu, orijinal eser ve kaynağın uygun şekilde belirtilmesi koşuluyla, herkesin eseri kopyalamasına, yeniden dağıtmasına, yeniden düzenlemesine, iletmesine ve uyarlamasına izin verir. 24456