Makine Öğrenmesi ile Tam Kan Sayımı Değerlerinden İntihar Tahmini

Abstract

İntihar; toplumsal, ekomonik ve kültürel etkenleri tabanında barındararak farklı sıklıklar ve yöntemlerle karşımıza çıkan bir olgudur. Çocukluğun bir üst basamağı olan ergenlik ise ümitsizlik, yalnızlık, depresyon gibi karmaşık duyguları dünyasında barındırmakta olup intihar riskinin yüksek oranda görüldüğü bir evredir. Gerekli tedbirlerin tarafsız ve hissedilmez yollarla alınabilmesi ergenlik ve intihar ilişkisi açısından büyük önem arz etmektedir. Ağır seyretmeyen bir rahatsızlıkta dahi uzmanlar tarafından kolayca alınabilen kan, sonrasında laboratuvarlarda içeriğini oluşturan parametrik değerler ile sayısal veriler olarak karşımıza çıkmaktadır. Kan parametrelerinin ölçümünü gösteren hemogram testi, günümüzde birçok hastalığın tanısında kullanılmaktadır. Bu çalışmada hemogram testi sonucunda elde edilen değerler ile ergen bireylerin intihar etme olasılığı arasındaki ilişki araştırılmıştır. Cinsiyeti ve yaşı bilinen, intihar girişiminde bulunmuş ergenler ile sağlıklı ergenlerin lökosit (WBC), eritrosit (RBC), bazofil (BA), eozinofil (EO), lenfosit (LY), Monosit (MO), Nötrofil (NE) ve Platelet (PLT) sayısı, Ortalama trombosit hacmi (MPV) ve Hemoglobin (HGB) düzeylerine ait kan değerleri tasarlanan sistem içerisinde değerlendirilmiştir. Veri setini oluşturan sağlıklı ve intihar girişiminde bulunmuş 302 kişiye ait tam kan sayımı verileri ön işlemden geçirilerek intihar eden gruba ait tahmini olumsuz etkileyecek veriler referns ralıklar göz önünde bulundurularak sistemden çıkarılmıştır. İntihar tahminini yaparken, sınıflama algoritmalarının ortak çalışması sonucu yüksek başarım gösteren torbalama ağaçları ve iki grubun üyelerini yüksek doğrulukla ayıran Destek Vektör Makineleri (DVM) seçilmiştir. 260x13 öznitelik kullanılarak Topluluk Ağaçları (TA) ve Kuadratik DVM ile sınıflandırma sonuçları alınarak TA ile %93,5 doğru tahminde bulunulabileceği gösterilmiştir. Uzmanlar, bireyin herhangi bir psikolojik rahatsızlığı görülmesi ya da intihar şüphesi olması durumunda, bu ihtimalin ne kadar yüksek ya da ne düzeyde olduğunu tasarlanan sistem sayesinde kolayca öğrenebilecektir.

Keywords

• Torbalama Ağacı,İntihar tahmini,Hemogram,Destek vektör makineleri,Tam kan sayımı,Makine öğrenmesi

Suicide Prediction from Hemogram with Machine Learning

Abstract

Suicide; It is a phenomenon that we encounter with different frequencies and methods by hosting social, economic and cultural factors at its base. Adolescence, which is an upper step of childhood, contains complex emotions such as hopelessness, loneliness, and depression in its world, and it is a stage in which the risk of suicide is high. It is of great importance to take necessary measures in neutral and imperceptible ways in terms of adolescence and suicide relationship. Blood, which can be easily taken by experts even in a non-severe illness, appears as numerical data with the parametric values that make up its content in laboratories. The hemogram test showing the measurement of blood parameters is used in the diagnosis of many diseases today. In this study, the relationship between the values obtained as a result of the hemogram test and the possibility of suicide of adolescent individuals were investigated. Leukocyte (WBC), erythrocyte (RBC), basophil (BA), eosinophil (EO), lymphocyte (LY), Monocyte (MO), Neutrophil (NE) and Platelet (PLT) of adolescents who have attempted suicide and whose age and gender are known, blood values of mean platelet volume (MPV) and hemoglobin (HGB) levels were evaluated within the designed system. Complete blood count data of 302 individuals who were healthy and suicidal attempts constituting the dataset were pre-processed and the data that would adversely affect the estimated suicide group were removed from the system by considering the references. While making suicide estimation, the high performance bagging trees and the Support Vector Machines separating the members of the two groups with high accuracy were chosen as a result of the joint study of the classification algorithms. It has been shown that by using 260x13 attribute, the classification results can be obtained with BT and Quadratic SVM and 93.5% accurate predictions can be made with BT. Experts will be able to easily find out how high or at which level this probability is, if the individual has any psychological disorders or if the suicide is suspected.

Keywords

• Bagged Tree,suicide prediction,hemogram,support vector machines,complete blood count,machine learning

References

1. Aslan, R. (2019). Sağliği Ve Hastaliklari Kan Sayimi Ile Okumak: Hemogram. Ayrıntı Dergisi, 7(76). İlaslaner, T., & Güven, A. (2019, October). Investigation of the Effects Biochemistry on Iron Deficiency Anemia. In 2019 Medical Technologies Congress (TIPTEKNO) (pp. 1-4). IEEE.
2. Deepa, M. N., Gunasekaran, S., Elakiya, R., Haritha, U., Kaleeswari, N., & Purnima, P. Integration of SVM with Artificial Fish Swarm Algorithm for Blood Tumour Prediction.
3. Ucuz, İ., Özcan, Ö., Mete, B., Arı, A., Tetik, B. K., & Yıldırım, K. (2019). Evaluation of inflammatory markers in childhood-onset psychiatric disorders by using artificial intelligence architectures. Anatolian Journal of Psychiatry, 0-0.
4. Gupta, R. K., Chen, M., Malcolm, G. P., Hempler, N., Dholakia, K., & Powis, S. J. (2019). Label-free optical hemogram of granulocytes enhanced by artificial neural networks. Optics express, 27(10), 13706-13720.
5. Putin, E. et al. (2016). Deep biomarkers of human aging: application of deep neural networks to biomarker development, Aging, 8, 1021-33.
6. Ayhan, M. G., Dağistan, A. A., Tanrikulu, C. Ş., Bozdoğan, Ş. Y., & Eren, I. (2019). İntihar girişiminde bulunanlarda artmış nötrofil/lenfosit oranı. Anadolu Psikiyatri Dergisi, 20(3), 305-312.
7. Çayci, T., Kurt, Y. G., Honca, T., Taş, A., Özgürtaş, T., Ağilli, M., ... & Aydin, I. (2015). Hastane Bilgi Sistemindeki Kayıtlı Hasta Sonuçlarından Tam Kan Referans Aralıklarının Tayini.
8. Karasu, S., & Saraç, Z. Güç Kalitesi Bozulmalarının 2 Boyutlu Ayrık Dalgacık Dönüşümü ve Torbalama Karar Ağaçları Yöntemi ile Sınıflandırılması. Politeknik Dergisi, 21(4), 849-855.

9. Breiman, L. (1996). Bagging predictors. Machine learning, 24(2), 123-140.
10. Breiman, L., 1996b. Out-of-bag estimation. Technical Report, Department of Statistics, University of California, Berkeley.
11. Lupaşcu, C. A., Tegolo, D., & Trucco, E. (2013). Accurate estimation of retinal vessel width using bagged decision trees and an extended multiresolution Hermite model. Medical image analysis, 17(8), 1164-1180.
12. Suykens, J. A., & Vandewalle, J. (1999). Least squares support vector machine classifiers. Neural processing letters, 9(3), 293-300.
13. Hwang, J. P., Park, S., & Kim, E. (2011). A new weighted approach to imbalanced data classification problem via support vector machine with quadratic cost function. Expert Systems with Applications, 38(7), 8580-8585.
14. Forbes, A. D. (1995). Classification-algorithm evaluation: Five performance measures based onconfusion matrices. Journal of Clinical Monitoring, 11(3), 189-206.
15. Arı, B., Arı, A., Ucuz, İ., Özdemir, F. Ç., & Şengür, A. Grafik Tablet Kullanılarak Makine Öğrenmesi Yardımı ile El Yazısından Cinsiyet Tespiti.