Can Machine Learning Prevent Infection? Assessment of Health Services Vocational School Students' Susceptibility to Infectious Diseases

Year 2023, Volume: 6 Issue: 1, 25 - 32, 27.12.2023

Fehmi Mete Arısoy , Ümit Karakaş , Mustafa Serhat Şahinoğlu , Sevil Alkan , Hatice Öntürk Akyüz , Hamit Emre Kızıl

Abstract

Machine learning (ML) Technologies have been widely utilized in medical and public health research in recent years. ML algorithms effectively analyze interactions between multiple, complex variables in clinical data bases and make accurate predictions. In this study, ethical approval was obtained to build ML-based prediction models, and data on age, gender, previous infection knowledge, and perceptions of infection were collected from students at a vocational school of health services. Logistic Regression, Random Forest, Decision Tree, and XGBoost models were used in machine learning using Python software. According to the data models and machine learning analysis results, the most effective machine learning model was the Logistic Regression model, with a prediction success rate of 74.7%. Using this model, it was shown that the susceptibility of individuals to infection can be calculated with high accuracy. Therefore, by using machine learning, it will be possible to quickly determine whether young individuals working as Professional healthcare personel or receiving vocational training are susceptible to infection or have sufficient knowledge. This way, it will be tried to minimize the possibility of contracting infections in their working environment through training. The prediction percentage success should also increase as data input to the model continues.

Keywords

Health education, infection, machine learning, logistic regression

Project Number

1919B012215741

Makine Öğrenmesi Enfeksiyonu Önleyebilir Mi? Sağlık Hizmetleri Meslek Yüksekokulu Öğrencilerinin Enfeksiyon Hastalıklarına Yatkınlık Değerlendirmesi

Abstract

Son yıllarda, makine öğrenmesi (MÖ) teknolojilerinden tıp ve halk sağlığı araştırmalarında yaygın olarak yararlanılmaktadır. MÖ algoritmaları, klinik veri tabanlarındaki çoklu, karmaşık değişkenler arasındaki etkileşimleri analiz etmede ve doğru tahminler yapmada oldukça etkilidir. Bu çalışmada, MÖ tabanlı tahmin modellerini oluşturmak için etik onayı alınmış, yaş, cinsiyet, önceki enfeksiyon bilgileri ve enfeksiyon algılarından oluşan veriler sağlık hizmetleri meslekyüksekokulu öğrencilerinden toplandı. Python yazılım dili kullanılarak makine öğrenmesi altında Logistic Regression, Random Forest, Decision Tree ve XGBoost modelleri kullanıldı. Verilerin modeller ve makine öğrenmesi analiz sonuçlarına göre en etkili makine öğrenme modeli %74.7’lik tahmin başarı oranı ile Logistic Regression modeli olduğu belirlendi. Bu model kullanılarak bireylerin enfeksiyona yakalanmaya yatkınlıkları yüksek bir doğrulukla hesaplanabildiği gösterildi. Dolayısıyla makine öğrenmesi kullanılarak profesyonel sağlık personeli olarak çalışacak ya da mesleki eğitim alacak genç bireylerin enfeksiyona yatkınlıkları ya da yeterli bilgi birikimine sahip olup olmadıkları hızlıca belirlenebilecektir. Böylelikle çalışma ortamlarında, enfeksiyona yakalanma ihtimallerinin en aza indirgenmesinin eğitim ile önüne geçilmeye çalışılacaktır. Modele veri girdisi devam ettikçe tahmin yüzde başarısının artacağı da göz önünde bulundurulmalıdır.

Keywords

Enfeksiyon, makine ögrenmesi, lojistik regresyon, sağlık eğitimi

Ethical Statement

Bitlis Eren Üniversitesi Etik İlkeleri ve Etik Kurulu 2022/10-3 sayılı ve E.2450 sayılı karar

Supporting Institution

Bu çalışma TÜBİTAK 2209-A Üniversite Öğrencileri Araştırma Projeleri Destekleme Programı ile desteklenmiştir.

Project Number

1919B012215741

Thanks

Çalışmaya zaman ayıran ve örneklemi katılımcılara teşekkür ederiz. Ayrıca projeye finansal destek sağlayan TÜBİTAK'a teşekkür ederiz.

References

• Bastidas, O. J.,Garcia-Zapirain, B., Totoricagüena, A. L., Zahia, S., &Carpio, J. U. (2021). Feature analysis and prediction of complications in ostomy patients based on laboratory analytical data using a machine learning approach. 2021 International Conference BIOMDLORE, 1–8. IEEE. doi: 10.1109/BIOMDLORE49470.2021.9594427
• Chiu, H.-Y. R., Hwang, C.-K., Chen, S.-Y., Shih, F.-Y., Han, H.-C., King, C.-C., … Oyang, Y.-J. (2022). Machine learning for emerging infectious disease field responses. Scientific Reports, 12(1), 1–13. doi: https://doi.org/10.1038/s41598-021-03687-w
• Chong, Y. Y., Chan, P. K., Chan, V. W. K., Cheung, A., Luk, M. H., Cheung, M. H., … Chiu, K. Y. (2023). Application of machine learning in the prevention of periprosthetic joint infection following total knee arthroplasty: A systematic review. Arthroplasty, 5(1), 1–13. doi: 10.1186/s42836-023-00195-2
• Keshavamurthy, R., Dixon, S., Pazdernik, K. T., & Charles, L. E. (2022). Predicting infectious disease for biopreparedness and response: A systematic review of machine learning and deep learning approaches. One Health, 100439. doi: 10.1016/j.onehlt.2022.100439
• Mahmoud, E., Al Dhoayan, M., Bosaeed, M., Al Johani, S., & Arabi, Y. M. (2021). Developing machine-learning prediction algorithm for bacteremia in admitted patients. Infection and Drug Resistance, 14, 757. doi: 10.2147/IDR.S293496
• Nusinovici, S., Tham, Y. C., Yan, M. Y. C., Ting, D. S. W., Li, J., Sabanayagam, C., … Cheng, C.-Y. (2020). Logistic regression was as good as machine learning for predicting major chronic diseases. Journal of Clinical Epidemiology, 122, 56–69. doi: 10.1016/j.jclinepi.2020.03.002
• Özer, Z. Y.,& Özcan, S. (2020). Birinci Basamak Sağlık Hizmetlerinde COVID-19 Enfeksiyonu: Korunma ve Kontrol Önerileri. Arşiv Kaynak Tarama Dergisi, 29(Özel Sayı), 67–72. doi: 10.17827/aktd.841220
• Peiffer-Smadja, N.,Rawson, T. M., Ahmad, R., Buchard, A., Georgiou, P., Lescure, F.-X., … Holmes, A. H. (2020). Machine learning for clinical decision support in infectious diseases: A narrative review of current applications. Clinical Microbiology and Infection, 26(5), 584–595. doi: 10.1016/j.cmi.2019.09.009
• Roth, J. A., Battegay, M., Juchler, F., Vogt, J. E., &Widmer, A. F. (2018). Introduction to machine learning in digital healthcare epidemiology. Infection Control & Hospital Epidemiology, 39(12), 1457–1462. doi: 10.1017/ice.2018.265.
• Wiemken, T. L., & Rutschman, A. S. (2020). Methodology minute: A machine learning primer for infection prevention and control. American Journal of Infection Control, 48(12), 1504–1505. doi: 0.1016/j.ajic.2020.09.009