KAN VERMEYE ELVERİŞLİ DONÖRLERİN MAKİNE ÖĞRENME YÖNTEMLERİ İLE TESPİTİ

Yıl 2021, Cilt: 8 Sayı: 15, 508 - 514, 31.12.2021

Kerim Karadağ

https://doi.org/10.54365/adyumbd.993772

Cited By: 1

Öz

İnsanlar hayatları boyunca farklı zamanlarda çeşitli sebeplerden dolayı kan ve kan ürünlerine gerek duymaktadırlar. Kan ve kandan elde edilen ürünler laboratuvar koşullarında elde edilemeyip yalnızca insandan elde edildiğinden, hayati önem taşıyan kanın sağlıklı bireylerden sağlanması gerekmektedir. Karaciğer rahatsızlıkları ile ilgili, Hepatit çeşitleri, karaciğer kanseri, karaciğer büyümesi, karaciğer yetmezliği, siroz ve benzeri hastalıklar kanın durumunu belirleyen etmenlerin başında gelir. Bu hastalıklar ilerledikçe telafisi mümkün olmayan zararlara yol açabileceği için erken teşhis edilip tedavi edilmesi ve kan verilecek kişilere de bulaş riskini ortadan kaldırmak için hayati önem arz etmektedir. Son yıllarda birçok alanda kullanılan makine destekli öğrenme yöntemleri, bu alanda da geleneksel yöntemlere ilaveten hekimlere fikir verici olarak kullanılmaktadır. Bu çalışmada amaç, makine öğrenme yöntemleri ile karaciğer hastalıklarının tespiti ve donörlerin kan bağışı yapmaya elverişli olup olmadıklarını kan değerlerinden tespit etmektir. Sınıflandırma için, Karar Ağaçları, Destek Vektör Makinesi ve k-en yakın komşuluk algoritmaları kullanılıp doğruluk ve gerçek oran performans ölçütleri ile değerlendirilmiştir.

Anahtar Kelimeler

Kan Bağışı, Makine Öğrenme Algor, Karaciğer Hastalıkları, Performans Ölçütü, Sınıflandırma

Kaynakça

• Altındiş, S., Aşıcı, N., Şenol, U., Bakır, A. B., Yücedağ, Ç. Y., Demir, C., ... & Altındiş, A. Transfüzyon Amaçlı Kan Verme Önündeki Engellerin Belirlenmesi. Sakarya Tıp Dergisi, 9(2), 237-244.
• Yildiz, C., Emekdas, G., & Kanık, A. (2006). Why don’t we donate blood. A general view of blood donation by people living Mersin: a public survey. Turkish Journal of Infection, 20(1), 41-55.
• Keleş, A., Kaslı, Ö.B., Keleş, A. (2020). Makine öğrenme algoritmaları ile karaciğer hastalığının teşhisi, Turkish Studies-Applied Sciences, 15(1), 75-83.
• Masser, B., Ferguson, E., Merz, E. M., & Williams, L. (2020). Beyond description: The predictive role of affect, memory, and context in the decision to donate or not donate blood. Transfusion Medicine and Hemotherapy, 47(2), 175-185.
• Czeizler, A., & Garbarino, E. (2017). Give blood today or save lives tomorrow: matching decision and message construal level to maximize blood donation intentions. Health marketing quarterly, 34(3), 175-186.
• Khan, M. A., Soh, J. E., Maenner, M., Thompson, W. W., & Nelson, N. P. (2019). A machine-learning algorithm to identify hepatitis C in health insurance claims data. Online Journal of Public Health Informatics, 11(1).
• Mueller-Breckenridge, A. J., Garcia-Alcalde, F., Wildum, S., Smits, S. L., Robert, A., van Campenhout, M. J., ... & Haagmans, B. L. (2019). Machine-learning based patient classification using Hepatitis B virus full-length genome quasispecies from Asian and European cohorts. Scientific reports, 9(1), 1-12.
• Tian, X., Chong, Y., Huang, Y., Guo, P., Li, M., Zhang, W., ... & Hao, Y. (2019). Using machine learning algorithms to predict hepatitis B surface antigen seroclearance. Computational and mathematical methods in medicine, 2019.
• Nilashi, M., Ahmadi, H., Shahmoradi, L., Ibrahim, O., & Akbari, E. (2019). A predictive method for hepatitis disease diagnosis using ensembles of neuro-fuzzy technique. Journal of infection and public health, 12(1), 13-20.
• Lichtinghagen, R., Pietsch, D., Bantel, H., Manns, M. P., Brand, K., & Bahr, M. J. (2013). The Enhanced Liver Fibrosis (ELF) score: normal values, influence factors and proposed cut-off values. Journal of hepatology, 59(2), 236-242.
• Jekarl, D. W., Choi, H., Lee, S., Kwon, J. H., Lee, S. W., Yu, H., ... & Yoon, S. K. (2018). Diagnosis of liver fibrosis with Wisteria floribunda agglutinin-positive Mac-2 binding protein (WFA-M2BP) among chronic hepatitis B patients. Annals of laboratory medicine, 38(4), 348.
• Omran, D., Yosry, A., Darweesh, S. K., Nabeel, M. M., El-Beshlawey, M., Saif, S., ... & Zayed, R. A. (2018). Enhanced liver fibrosis test using ELISA assay accurately discriminates advanced stage of liver fibrosis as determined by transient elastography fibroscan in treatment naïve chronic HCV patients. Clinical and experimental medicine, 18(1), 45-50.
• Guo, Y., Feng, Y., Qu, F., Zhang, L., Yan, B., & Lv, J. (2020). Prediction of hepatitis E using machine learning models. Plos one, 15(9), e0237750.
• Salazar-Concha, C., & Ramírez-Correa, P. (2021). Predicting the Intention to Donate Blood among Blood Donors Using a Decision Tree Algorithm. Symmetry, 13(8), 1460.
• Hoffmann, G., Bietenbeck, A., Lichtinghagen, R., & Klawonn, F. (2018). Using machine learning techniques to generate laboratory diagnostic pathways—a case study. J Lab Precis Med, 3, 58.
• Dua, D. and Graff, C. (2019). UCI Machine Learning Repository [http://archive.ics.uci.edu/ml]. Irvine, CA: University of California, School of Information and Computer Science.
• Das, K., & Behera, R. N. (2017). A survey on machine learning: concept, algorithms and ap-plications. International Journal of Innovative Research in Computer and Communication Engineering, 5(2), 1301-1309.
• Karadağ, K . (2020). Makine Öğrenme Yöntemleri ile Semen Kalitesi Tahmini. Avrupa Bilim ve Teknoloji Dergisi , (18) , 306-311.
• Gökhan, A. K. S. U., Güzeller, C. O., & Eser, M. T. (2019). The effect of the normalization method used in different sample sizes on the success of artificial neural network model. International Journal of Assessment Tools in Education, 6(2), 170-192.
• Jiao, Y., & Du, P. (2016). Performance measures in evaluating machine learning based bioinformatics predictors for classifications. Quantitative Biology, 4(4), 320-330.