GENETİK ALGORİTMALAR YÖNTEMİNİN BİYOMEDİKAL VERİLERİ ÜZERİNDEKİ UYGULAMALARI

Yıl 2008, Cilt: 7 Sayı: 1, 12 - 16, 30.11.2008

Arif Gülten Şengül Doğan

Öz

Klinik
tıpta bulguların okunması, sadeleştirilmesi, sınıflandırılması ve karara varılması işlemlerinde
tıp uz-manlarının kılavuz hazırlaması işi, bu veriler arttıkça sıkıcı ve zor
bir iş haline gelmektedir. Veri madenciliği, hem metine bağlı bilgileri hem de
belirli bir hastanın görüntü verilerinin çıkarılıp her bir hasta kaydını birleş-tirmek
için rahatlıkla kullanılabilir. Bu anlamda veri madenciliği tıpta pek çok
alanda başarı ile uygulan-mıştır. Bu çalışmada, kan biyokimya parametreleri ile
Hiperlipidemi teşhisinde, hekime yardımcı olacak ve kolaylık sağlayabilecek bir
karar destek sistemi oluşturulmuştur. Sistemin işleyişi veri madenciliği
teknikle-rinden genetik algoritmalar yöntemi ile sağlanmaktadır. Sisteme giriş
olarak, biyokimya parametrelerinden hiperlipidemi hastalığı için temel
belirleyiciler olan Total kolesterol, LDL, Trigliserit, HDL ve vLDL enzim-leri
kullanılıp değerlendirmelerde bulunulmuştur. Karar destek sisteminin sonuçları,
doktorun verdiği kararlarla tamamen örtüşmüştür.

Anahtar Kelimeler

Veri Madenciliği, Genetik Algoritmalar, Hiperlipidemi

Kaynakça

• 1. Yıldırım, P., Uludağ, M., “Hastane Bilgi Sis-temlerinde Veri Madenciliği”, Akademik Bilişim 2008, 2007.
• 2. Barrera, J., Cesar-Jr, R.M., etc., “An Environ-ment For Knowledge Discovery in Biology”, Computers in Biology and Medicine 34, 427–447, 2003.
• 3. Podgorelec, V., Kokol, P., etc., “Knowledge Discovery with Classification Rules in a Cardiovascular Dataset”, Computer Methods and Programs in Biomedicine 80 Suppl. 1, S39-S49, 2005.
• 4. Bojarczuk, C. C., Lopes, H. S., etc., “A Constra-ined-Syntax Genetic Programming System for Discovering Classification Rules: Application to Medical Data Sets”, Artificial Intelligence in Medicine 30, 27–48, 2004.
• 5. Cooke, CD., Santana, CA., etc., “Validating Ex-pert System Rule Confidences Using Data Mi-ning of Myocardial Perfusion SPECT Data-bases”, Computers in Cardiology, 27: 785–788, 2000.
• 6. Tan, K.C., Yu, Q., etc., “Evolutionary Compu-ting for Knowledge Discovery in Medical Dia-gnosis”, Artificial Intelligence in Medicine 27, 129–154, 2002.
• 7. Unger, T., Korade, Z., etc., “True and False Discovery in DNA Microarray Experiments: Transcriptome Changes in the Hippocampus of Presenilin 1 Mutant Mice”, Methods 37, 261–273, 2005.
• 8. Kusiak, A., Caldarone, C. A., etc., “Hypoplastic Left Heart Syndrome: Knowledge Discovery with a Data Mining Approach”, Computers in Biology and Medicine 36, 21–40, 2006.
• 9. Mullins, I. M., Siadaty, M. S., etc., “Data Mi-ning and Clinical Data Repositories: Insights from a 667,000 Patient Data Set”, Computers in Biology and Medicine 2005.
• 10. N. Gürsakal, Sosyal Bilimlerde Araştırma Yön-temleri, VIPAS, Bursa, 189, 2001.
• 11. Z. Zhou, Three Perspectives of Data Mining, Artificial Intelligence, 143, 139-146, 2003.
• 12. Zaki, M., “Scalable Data Mining for Rules”, University of Rochester, New York U.S.A., 1998.
• 13. Alonso, F., Caraça-Valente, J. P., etc., “Combining Expert Knowledge and Data Mining in a Medical Diagnosis Domain”, Expert Systems with Applications 23, 367-375, 2002.
• 14. Allahverdi, N., “A artifical intelligence applica-tion with expert systems”, Satin Publication Distribution,, Istanbul, 2002.
• 15. Dogan, S., “Veri madenciliği kullanarak biyo-kimya verilerinden hastalık teşhisi”, Fırat Üni-versitesi, Fen Bilimleri Enstitüsü, Biyomühen-dislik Anabilim Dalı, Yüksek Lisans Tezi, 2007.
• 16. Ilhan, S., Veri Madenciliği, 1-35, 2005.
• 17. Bojarczuk, C. C., Lopes, H. S., etc., “A Constra-ined-Syntax Genetic Programming System for Discovering Classification Rules: Application to Medical Data Sets”, Artificial Intelligence in Medicine 30, 27–48, 2004.
• 18. Agrawal, R., Mehta, M., etc., “The Quest Data Mining System”, IBM Almaden Research Center San Jose 6s California, U.S.A., 1996.
• 19. Information discovery in databases and data mining, I. U. The school of business administra-tion magazine, C:29, S: 1, (April), 2000.
• 20. Daş, R., Türkoğlu, İ., Poyraz, M., “Genetik Al-goritma Yöntemiyle Internet Erişim Kayıtların-dan Bilgi Çıkarılması”, Sakarya Üniversitesi, Fen Bilimleri Enstitüsü Dergisi, 10(2), 67-72, 2006, Sakarya.
• 21. H. Karpuz, Current approach of hyperlipidemia, Cardiac Symposium Series Number: 40, s. 69-74, June, 2004.
• 22. Dogan, S. ve Turkoglu, I., “Hyperlipidemia detection from lipide paramets by using decision trees”, e-journal of New World Sciences Academy,1(2), 50-61, (2006).
• 23. Dogan S. and Turkoğlu I., "Diagnosing Hyperli-pidemia Using Association Rules", Mathema-tical and Computational Applications, (2007).