Makine Öğrenmesi Yöntemleri ile Covid-19 Verilerinin İncelenmesi:Türkiye Örneği

Abstract

Covid-19 virüsü günümüzde sağlığımızı ve yaşamımızı etkileyen en önemli sorunların başındadır. Bu virüsün normal bir hastada etkisinin yaklaşık olarak bir ay sürdüğü düşünülmektedir. Buradan yola çıkarak Türkiye Sağlık Bakanlığının açıkladığı günlük vakalar, vefatlar, iyileşenler, testler ve ağır hasta sayıları verilerinden yola çıkarak aylık bir değerlendirme yaparak virüsün aylık olarak seyrinin değerlendirilmesi amaçlandı. Araştırmada Mart 2020 ile Mart 2021 arasında açıklanan 12 aylık veri seti kullanıldı. Bu veri seti Makine Öğrenmesi sınıflandırma yöntemlerinden Random Forest algoritması ile analiz edildi. Analiz sonucunda yöntem kesinlik, duyarlılık, F ölçüsü ve AUC-ROC performans ölçütleri ile sınandı. Ayrıca kullanılan değişkenlerin model için önemi değerlendirildi. Yapılan analizler sonucunda modelin doğruluğu (OOB) ise %83 olarak bulundu. Performans ölçütleri de kesinlik oranı %90, duyarlılık oranı %89, F ölçüsü %89 ve eğrinin altında kalan alan (AUC-ROC) %99 olarak bulundu. Modelinin doğruluğu için en önemli değişken günlük iyileşen sayısı iken şınıf belirlemedeki en önemli değişken günlük iyileşen sayısı olarak belirlendi.

Keywords

• Covid-19
• Türkiye
• Makine öğrenmesi
• Rasgele orman
• Sınıflandırma yöntemleri

An Analysis of Covid-19 Data With Machine Learning Methods: The Case of Turkey

Abstract

Covid-19 virus is one of the most important problems affecting our health and life today. It is considered that the effect of this virus for a normal patient continues approximately one month. Turkey's Health Ministry declared that the daily cases of death, recovering patient, tests and the number of seriously ill and these cases aimed to evuluate on a monthly basis the progress of virüs. In our research were used to announced between March 2020 and March 2021 the data set twelf montly. This data set was analysed with the Random Forest algorithmn, which is one of the machine learning classification methods. As a result of the analysis, the method was tested with precision, recall, score F and AUC-ROC performance criteria. In addition, the importance of the variables used for the model was evaluated. As a result of the analysis, the accuracy (OOB) of our model was found to be 83%. Performance criteria were found to have an precision rate of 90%, a recall rate of 89%, an F score of 89%, and an area under the curve (AUC-ROC) of 99%. While the most important variable for the accuracy of the model was the daily healing number, the most important variable in determining the grade was the Daily Healing Number.

Keywords

• Covid-19. Turkey
• Machine learning
• Random forest
• Classification methods

References

1. 1. Wu D, Wu T, Liu Q, Yang Z. The Sars-Cov-2 outbreak: what we know, International Journal of Infectious Diseases. 2020 March; 94:44-48. doi: 10.1016/j.ijid.2020.03.004.
2. 2. Huang C, Wang Y, Li X, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China. The lancet. 2020 January: 395,10223:497-506. doi:10.1016/S0140-6736(20)30183-5.
3. 3. Uğraş-Dikmen A. Kına HM, Özkan S, İlhan MN. Covid-19 epidemiyolojisi: Pandemiden ne öğrendik. Journal of Biotechnology and Strategic Health Research. 2020 April;4: 29-36. doi: 10.34084/bshr.715153.
4. 4. Atalay S. Ersan G. Covid-19 Tedavisi. Tepecik Eğit, ve Araşt. Hast. Dergisi. 2020 Temmuz:30: 126-134. doi: 10.5222/terh.2020.48030.
5. 5. Sağlık Bakanlığı. Covid-19 Bilgilendirme Platformu Inkübasyon süresi [Internet]. Türkiye Cumhuriyeti Sağlık Bakanlığı; 2020 Temmuz [Erişim 2021 Mart 13]. Erişim adresi: https://covid19.saglik.gov.tr/TR-66474/inkubasyon- suresi.html
6. 6. Breman L. Bagging predictors. Machine learning.
7. 1996 August; 24.2:123-140. 7. Ho TK. The random subspace method for constructing
8. decision forests, IEEE transactions on pattern analysis and machine intelligence. 1998 August; 20.8:832-844,

9. 8. Amit Y. Geman D, Wilder K. Joint induction of shape features and tree classifiers. IEEE transactions on pattern.
10. analysis and machine intelligence. 1997 November, 19.11: 1300-1305
11. 9. Demirsöz M, Özel Z, Yonar H ve ark. 2020 G8 Ülkeleri ve Türkiye için Kovid-19 Vaka Sayılarının Rastgele Orman Yöntemi ile Sınıflandırılması, Medires-2020 7. Uluslararası Multidisipliner İyi Tıp Kongresi, Araştırma Konferansı Özetleri ve Bildiri Kitapları. s.52-53.
12. 10. Palczewska A, Palczewski J, Robinson RM, Neagu D. Özellik katkı yöntemini kullanarak rastgele orman sınıflandırma modellerinin yorumlanması, İçinde: Yeniden kullanılabilir sistemlerin entegrasyonu. Springer, Cham. 2014 Şubat; 1995218.
13. 11. Karslı ÖB. Makine öğrenme yöntemleri ile karaciğer hastalığının teşhisi [Yüksek lisans tezi]. Ağrı İbrahim Çeçen Üniversitesi; 2019.
14. 12. Khan SUR, Islam MA, Aleem M, Iqbal M.A. Bilgi erişimi için zamansal özgüllüğe dayalı metin sınıflandırması, Türkiye Elektrik Mühendisliği ve Bilgisayar Bilimleri Dergisi. 2018 Kasım; 26.6: 2915-2926. doi: 10.3906/elk-1711-136.
15. 13. Pramanik M, Udmale P, Bisht P ve diğerleri. Uluslararası çevre sağlığı araştırması dergisine göre, Rusya'da Kovid-19'un yayılmasını iklim faktörleri etkiliyor. 2020 Temmuz:1-15. doi: 10.1080/09603123.2020.1793921.
16. 14. Pramanik M, Chowdhury K, Rana MJ, ve diğerleri. İklimin Kovid-19 salgınının büyüklüğü üzerindeki etkisi: stokastik model tabanlı küresel analiz, Medrxiv. 2020 Ekim, 1-17 doi:10.1101/2020.06.02.20120501
17. 15. Fallah GG, Mayvaneh F. Effect of air temperature and universal thermal climate index on respiratory diseases mortality in Mashhad, Iran. Arch Iran Med. 2016 September; 19(9):618-624. doi:10.161909/AIM.004.
18. 16. Gomez-Acebo I, Llorca J, Dierssen T. Cold-related mortality due to cardiovascular diseases, respiratory diseases and cancer: a case-crossover study, Public Health. 2013 March; 127(3):252-258. doi:10.1016/j.puhe.2012.12.014.
19. 17. Dadbakhsh M, Khanjani N, Bahrampour A, Haghighi PS. Deaths from respiratory diseases and temperature in Shiraz, Int J Biometeorol. 2017 July; 61(2):239-246. doi: 10.1007/s00484-016-1206-z.
20. 18. Xie J, Zhu Y. Association between ambient temperature and Covid-19 infection in 122 cities from China. Sci Total Environ. 2020 July; 724:138201. doi:10.1016/j.
21. scitotenv.2020.138704. 19. Li M. Zhou M, Yang J et al. Temperature, temperature extremes, and cause-specific respiratory mortality in China: a multi-city time series analysis, Air Qual Atmos Health. 2019 January: 12(5):539 548. doi:10.1007/s11869-019- 00670-3.
22. 20. Kim J, Shin J. Lim Y et al. Comprehensive approach to understand the association between diurnal temperature range and mortality in East Asia, Sci Total Environ. 2016 January: 539:313-321. doi:10.1016/j.scitotenv. 2015.08.134.
23. 21. Tekindal MA. Yonar H. Yonar A. et al. Analyzing Covid-19 outbreak for Turkey and Eight Country with Curve Estimation Models, Box-Jenkins (ARIMA), Brown Linear Exponential Smoothing Method, Autoregressive Distributed Lag (ARDL) and SEIR Models Eurasian J Vet Sci, Covid-19 Special Issue. 2020 November, 142-155
24. 22. Breiman L. Random forests. Machine learning. 2001 October; 45(1), 5-32.
25. 23. Asyary A, Veruswati M. Sunlight exposure increased Covid-19 recovery rates: A study in the central pandemic area of Indonesia, Science of The Total Environment. 2020 August; 729, 139016. doi:10.1016/j.scitotenv.2020.139016.
26. 24. World Healt Organization. Coronavirus disease (Covid 19) pandemic [Internet]. [Erişim 2021 Mart 131. Lrışim adresi: https://www.euro.who.int/en/health-topics/health- emergencies/coronavirus-covid-19/novel-coronavirus- 2019-ncov
27. 25. Sağlık Bakanlığı. Covid-19 Bilgilendirme Platformu [Internet]. Türkiye Cumhuriyeti Sağlık Bakanlığı: [Erişim 2021 Mart 13]. Erişim adresi: https://covid19.saglik.gov.tr /TR-66935/genel-koronavirus-tablosu.html