Year 2021, Volume , Issue 21, Pages 518 - 526 2021-01-31

Metin Madenciliği ile Tıbbi Tedavi Alanlarının Yakınlıklarının Ölçülmesi

Hasan KURBAN [1]


Bazı hastalık belirtilerinin birçok tıbbi tedavi alanıyla ilgili olması, hastaların tedavi için randevu alırken zorlanmalarına sebep olmaktadır. Örneğin; karın ağrısı rahatsızlığı bulunan bir hastanın rahatsızlığı dahiliye, hariciye ya da intaniye bölümlerinden herhangi birisiyle ilgisi bulunabilmektedir. Bu çalışmada T.C. Sağlık Bakanlığına bağlı birçok kamu hastanesinin resmî internet sitesinde bulunan ve hastaların belirtilerine göre doğru tıbbi tedavi branşını seçmelerine yardımcı olmak amacıyla kullanılan 13 tıbbi alan ve 204 belirti, metin madenciliği ve veri bilimi teknikleriyle kapsamlı olarak incelenmiştir. Kamu hastanelerinin resmî internet sitelerde kullanılan metnin içeriği baz alınarak tıbbi tedavi alanları arasındaki, yakınlık/uzaklık hesaplanıp, kelime bazlı hastaları randevu alanını belirlerken en çok zorlayan kelimeler ve belirtiler tespit edilmiştir. Kullanılan kelimeler analiz edilirken edat ve bağlaç gibi anlamsız sözcükler göz ardı edilip, hastalık belirtileri üzerinde kelime bulutu (word cloud) oluşturulmuştur. Tıbbi alanların yakınlığını hesaplamak için öncelikle metin içeriği kullanılarak 13 alan için her bir belirtinin var olup olmadığını gösteren 13x186 boyutlu ikili veri (binary data, document matrix) oluşturulmuştur. Daha sonra, bu veri seti üzerinde tıbbi tedavi alanları belirtilere göre aglomeratif hiyerarşik kümeleme algoritmaları (single, complete, average, ward, mcquitty) kullanılarak kümelendirilip metin bazlı alanların birbiri ile yakınlığı tespit edilmiştir. Bu makalenin sonuçlar kısmında hastaları en çok zorlayan kelimeler ve tıbbi alanların metin bazlı yakınlıkları paylaşılmıştır. Elde edilen sonuçlar çerçevesinde kullanılan metnin sağlık uzmanları tarafından tekrar düzenlenmesinin, yanlış tıbbi branşlardan alınan randevu sayısının azaltılmasına katkısı olacaktır.
Hastane randevusu, metin madenciliği, veri bilimi, hastalık belirtileri, sağlık
  • [1] Yavuz, İ. N. A. L., & CAGİLTAY, N. E. E-NABIZ MOBİL SAĞLIK UYGULAMASINA YÖNELİK KULLANICI DEĞERLENDİRMESİ. Hacettepe Sağlık İdaresi Dergisi, 22(2), 375-388.
  • [2] Vos, T., Barber, R. M., Bell, B., Bertozzi-Villa, A., Biryukov, S., Bolliger, I., ... & Duan, L. (2015). Global, regional, and national incidence, prevalence, and years lived with disability for 301 acute and chronic diseases and injuries in 188 countries, 1990–2013: a systematic analysis for the Global Burden of Disease Study 2013. The Lancet, 386(9995), 743-800.
  • [3] Tan, A. H. (1999, April). Text mining: The state of the art and the challenges. In Proceedings of the pakdd 1999 workshop on knowledge disocovery from advanced databases (Vol. 8, pp. 65-70). sn.
  • [4] Banerjee, S., Carlin, B. P., & Gelfand, A. E. (2014). Hierarchical modeling and analysis for spatial data. CRC press.
  • [5] Aggarwal, C. C., & Zhai, C. (Eds.). (2012). Mining text data. Springer Science & Business Media.
  • [6] Kolaczyk, E. D., & Csárdi, G. (2014). Statistical analysis of network data with R (Vol. 65). New York, NY: Springer.
  • [7] Karimi, S., Wang, C., Metke-Jimenez, A., Gaire, R., & Paris, C. (2015). Text and data mining techniques in adverse drug reaction detection. ACM Computing Surveys (CSUR), 47(4), 1-39.
  • [8] Mittermayer, M. A. (2004, January). Forecasting intraday stock price trends with text mining techniques. In 37th Annual Hawaii International Conference on System Sciences, 2004. Proceedings of the (pp. 10-pp). IEEE.
  • [9] Hengstler, M., Enkel, E., & Duelli, S. (2016). Applied artificial intelligence and trust—The case of autonomous vehicles and medical assistance devices. Technological Forecasting and Social Change, 105, 105-120.
  • [10] Zang, Y., Zhang, F., Di, C. A., & Zhu, D. (2015). Advances of flexible pressure sensors toward artificial intelligence and health care applications. Materials Horizons, 2(2), 140-156.
  • [11] Yu, K. H., & Andrew, L. (2018). Beam, and Isaac S. Kohane. Artificial intelligence in healthcare. Nature biomedical engineering, 2(10), 719-731.
  • [12] Kurban, H., Jenne, M., & Dalkilic, M. M. (2017). Using data to build a better EM: EM* for big data. International Journal of Data Science and Analytics, 4(2), 83-97.
  • [13] Mohsen, H., Kurban, H., Zimmer, K., Jenne, M., & Dalkilic, M. M. (2015, June). Red-rf: Reduced random forest for big data using priority voting & dynamic data reduction. In 2015 IEEE International Congress on Big Data (pp. 118-125). IEEE.
  • [14] UYLAŞ SATI, N. (2018). A collective learning approach for semi-supervised data classification. Pamukkale University Journal of Engineering Sciences, 24(5).
  • [15] Buşoniu, L., Babuška, R., & De Schutter, B. (2010). Multi-agent reinforcement learning: An overview. In Innovations in multi-agent systems and applications-1 (pp. 183-221). Springer, Berlin, Heidelberg.
  • [16] Jenne, M., Boberg, O., Kurban, H., & Dalkilic, M. (2014). Studying the milky way galaxy using paraheap-k. Computer, 47(9), 26-33.
  • [17 ] Xu, R., & Wunsch, D. (2005). Survey of clustering algorithms. IEEE Transactions on neural networks, 16(3), 645-678.
Primary Language tr
Subjects Engineering
Journal Section Articles
Authors

Orcid: 0000-0003-3142-2866
Author: Hasan KURBAN (Primary Author)
Institution: SIIRT UNIVERSITY
Country: Turkey


Dates

Publication Date : January 31, 2021

APA Kurban, H . (2021). Metin Madenciliği ile Tıbbi Tedavi Alanlarının Yakınlıklarının Ölçülmesi . Avrupa Bilim ve Teknoloji Dergisi , (21) , 518-526 . DOI: 10.31590/ejosat.833199