Covıd-19 Tespiti ve Salgın Yönetiminde Makine Öğrenmesi: Kan Gazı Analizine Dayalı Bir Yaklaşım

Yıl 2024, , 1 - 10, 08.08.2024

Faruk Ayata

https://doi.org/10.57244/dfbd.1492816

Öz

COVID-19'un ortaya çıkmasıyla birlikte, dünya genelinde bilim insanları ve uluslar bu salgınla mücadeleye odaklandı. Hala süregelen araştırmalar, hastalığın yayılma ve korunma yöntemleri, güvenlik için geliştirilen aşılar ve ilaçlar gibi konuları dünya gündeminin merkezine yerleştiriyor. Bu noktada, salgının kontrolünde kullanılan testlerin doğruluğu kritik bir önem taşımaktadır. Yeni varyantların ortaya çıktığı bu dönemde, yapay zekâ ve hastalık teşhis süreçlerinin entegrasyonu, müdahale ve önlem alma hızını artıracaktır. Bu çalışmada, salgın yönetimine katkı sağlamak amacıyla makine öğrenmesi yöntemleri kullanılarak bireylerin kan gazı değerlerinden COVID-19 test sonuçlarını tahmin etmek hedeflenmiştir. Van Yüzüncü Yıl Üniversitesi Dursun Odabaş Tıp Merkezi'nden elde edilen veri seti, bireylerden alınan kan gazı analiz örneklerinden (109 pozitif, 1146 negatif) oluşmaktadır. Bu veriler kullanılarak, bireylerin test sonuçlarını belirlemede etkili bir yöntemin geliştirilmesi amaçlanmıştır. Bu hedef doğrultusunda, COVID-19 hastalığının tahmini için Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Yapay Sinir Ağları (YSA), Karar Ağaçları (KA), Aşırı Gradyan Artırma (AGA), K-en Yakın Komşu (KNN) ve Naive Bayes (NB) gibi makine öğrenmesi algoritmaları kullanılmıştır. Analizler sonucunda, KNN yönteminin %97.61 ile diğer yöntemlere kıyasla daha yüksek bir başarı sağladığı görülmüştür. Makine öğrenmesi tekniklerinin hastalık tespit ve erken müdahale gibi durumlarda önemli bir rol oynayabileceği ve bu tür yaklaşımların salgınla mücadelede etkili araçlar sunabileceği anlaşılmaktadır.

Anahtar Kelimeler

Covid-19, Makine öğrenmesi yöntemleri, Kan gazları, Yapay zekâ

Kaynakça

• Abayomi-Alli, O. O., Damaševičius, R., Maskeliūnas, R., & Misra, S. (2022). An Ensemble Learning Model for COVID-19 Detection from Blood Test Samples. Sensors, 22(6), 2224. https://doi.org/10.3390/s22062224.
• Ahsan, M. M., Luna, S. A., & Siddique, Z. (2022). Machine-Learning-Based Disease Diagnosis: A Comprehensive Review. Healthcare, 10(3), 541. ttps://doi.org/10.3390/healthcare10030541
• Ayan, S., & Bilgin, T. T. (2024). Uyku Sağlığı ile Yaşam Tarzı Arasındaki İlişkinin PCA, Naive Bayes ve Rastgele Orman Ağaçları Yöntemleri ile İncelenmesi ve Karşılaştırılması. Uluslararası Yönetim Bilişim Sistemleri Ve Bilgisayar Bilimleri Dergisi, 8(1), 41-56. https://doi.org/10.33461/uybisbbd.1415925
• Ayata F, Seyyarer E. (2024). COVID-19 Diagnosis from Blood Gas Using Multivariate Linear Regression. Hittite J Sci Eng. 11(1),15-23.
• Babayiğit, M., Yıldız, G., Türksal, E., Babayiğit, M. A., Fırat, P., Selvi, A., & Kılınçarslan, A. (2021). Yoğun Bakımdaki COVID-19 Hastalarında Kan Transfüzyonu ve İlişkili Faktörlerin Analizi: Tek Merkez Örneği. Batı Karadeniz Tıp Dergisi, 5(3), 366-373.
• Chen, T., & Guestrin, C. (2016, August). Xgboost: A scalable tree boosting system. Proceedings of the 22nd ACM Sigkdd International Conference on Knowledge Discovery and Data Mining,785-794. https://doi.org/10.1145/2939672.2939785
• De Gruyter. (2021). Venous blood gas analysis in patients with COVID-19 symptoms in the emergency department. De Gruyter. Retrieved from https://www.degruyter.com/document/doi/10.1515/cclm-2020-0975/html.
• Erdogmuş Kucukcan, N., Kucukcan, A. (2020). The relationship between hemogram parameters with clinical progress in COVID-19 patients. Dicle Tıp Dergisi, 47(4), 763-769. https://doi.org/10.5798/dicletip.850158.
• Gamsızkan, Z., Kaya, A., Davran, F., Tuncel, M. C., Işık, A., Şahin, İ. (2022). COVID-19 Hastalarının Kan Gruplarına Göre Hemogram Parametrelerinin Değerlendirilmesi. Value in Health Sciences, 12(2), 208-214. https://doi.org/10.33631/sabd.1108566.
• Gökçe, H. Ş., Güler, Ö. Ö., Şimşek, E., Karagülleoğlu, Z. Y., & Çarhan, A. (2022). COVID-19 Hastalarında Yeni Bir Yaklaşım Olarak Oksihemoglobin Karboksihemoglobin, Kan Gazı Değerlerinin İncelenmesi: Longitudinal Bir Çalışma. Yoğun Bakım Hemşireliği Dergisi, 26(3), 92-99.
• Gür, Ö. (2023). Karar Ağacı Destekli Hile Tespiti ve Bir Uygulama. Alanya Akademik Bakış, 7(1), 511-528. https://doi.org/10.29023/alanyaakademik.1196078.
• Hacıbeyoglu, M., Çelik, M., & Erdaş Çiçek, Ö. (2023). K En Yakın Komşu Algoritması ile Binalarda Enerji Verimliliği Tahmini. Necmettin Erbakan Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, 5(2), 65-74. https://doi.org/10.47112/neufmbd.2023.10
• Karaatlı, M., Helvacıoğlu, Ö., Ömürberk, N., ve Tokgöz, G., 2012. Yapay sinir ağları yöntemi ile otomobil satış tahmini. Uluslararası Yönetim İktisat ve İşletme Dergisi, 8(17), 87-100.
• Kudyba, S. (2014). Big Data, Mining, and Analytics: Components of Strategic Decision Making. CRC Press, Taylor & Francis Group, Florida.
• Odabaşı, M. B., & Cengiz Toklu, M. (2023). Yapay Sinir Ağları ve Derin Öğrenme Algoritmalarının Kripto Para Fiyat Tahmininde Karşılaştırmalı Analizi. Journal of Intelligent Systems: Theory and Applications, 6(2), 96-107. https://doi.org/10.38016/jista.1228629
• Özdemir Güler, Z., Bakır, M. A., & Kardiyen, F. (2023). Destek vektör makinesi ile elde edilen olasılık çıktılarına dayalı yeni bir istatistiksel süreç izleme yöntemi. Gazi Üniversitesi Mühendislik Mimarlık Fakültesi Dergisi, 39(2), 1099-1112. https://doi.org/10.17341/gazimmfd.1192354
• Özkan, B., Parim, C., & Çene, E. (2023). Ülkelerin Gelişmişlik Düzeylerinin Karar Ağacı ve Rastgele Orman Yöntemleriyle Tahmin Edilmesi. EKOIST Journal of Econometrics and Statistics (38), 87-104. https://doi.org/10.26650/ekoist.2023.38.1172190.
• Probst P, Wright MN, ve Boulesteix A. (2019). Hyperparameters and tuning strategies for random forest. Wiley Interdisciplinary Reviews: data mining and knowledge discovery, 9(3), e1301.
• Şeyhanlı, E. S., & Yasak, İ. H. (2021). Diagnostic Value of Platelet Mass Index, Plt/Mpv Ratio and Other Hemogram Parameters in Covid-19 Patients Who Presented to Emergency Department. Konuralp Tıp Dergisi, 13(1), 101-107. https://doi.org/10.18521/ktd.826613.
• Şimşek, F. F. (2024). Optik ve radar görüntüleri ile aşırı gradyan artırma algoritması kullanılarak tarımsal ürün desen tespiti. Geomatik, 9(1), 54-68. https://doi.org/10.29128/geomatik.1332997