Machine Learning with Bayesian Networks for Covid-19 Data

Abstract

The Covid-19 pandemic emerged on November 17, 2019, in Wuhan Province of China. The outbreak was initially detected in those found in the seafood and animal market in this region. Later, it spread from person to person and spread to other cities in Hubei province, especially in Wuhan, other provinces of China, and other world countries. Until Aug 14, 2022, 590.624.000 cases occurred globally and 6.266.278 patients died from Covid-19. Many research and analysis studies have been conducted in our country and around the world showing the effects of the Covid-19 pandemic. In this study, 215,968 worldwide cases from 104 countries around the world were analysed and the patients were tried to be classified using Bayesian Networks and machine learning techniques. It was investigated whether the patients who caught the Covid-19 virus would survive using nine variables. In this way, it will be determined which patient should be given priority and treated or kept under observation. Thus, this study aims to reduce the death rates due to the Covid-19 pandemic worldwide.

Keywords

• Bayesian networks
• COVID-19
• machine learning
• pandemic

Covid-19 Verileri için Bayes Ağlari ile Makine Öğrenmesi

Abstract

Covid-19 pandemisi, 17 Kasım 2019 tarihinde Çin'in Vuhan Eyaleti'nde ilk defa görülmüştür. Küresel pandemi ilk başta Vuhan’daki deniz mahsülleri ve hayvan satışı yapılan yerlerde görülmüştür. Sonra insanlar arasında da yayılışını devam ettirerek ilk olarak Vuhan ve Çin’in diğer eyaletindeki bölgelere ve dünya üzerinde diğer ülkelere de yayılmıştır. 14 Ağustos 2022 tarihi itibariyle dünyada 590.624.000 vaka meydana gelmiştir ve 6.431.291 hasta ölmüştür. Ülkemizde ve dünya genelinde Covid-19 pandemisinin etkilerini gösteren birçok araştırma ve analiz çalışmaları yapılmıştır. Bu çalışmada dünya genelinde 104 ülkeden oluşan 215.968 adet dünya çapında meydana gelen vaka analiz edilmiştir ve Bayes Ağları (Bayesian Networks) ile makine öğrenimi tekniği kullanılarak hastalar sınıflandırılmaya çalışılmış ve dokuz adet değişkenle Covid-19 virüsüne yakalanan hastaların hayatta kalıp kalmayacağını araştırılmıştır. Böylelikle hangi hastaya öncelik verip tedavi edilmesi gerektiği veya gözlem altında tutulması gerektiği belirlenecektir. Sonuç olarak bu çalışmayla dünya genelindeki Covid-19 pandemisinden kaynaklı ölüm oranlarının düşürülmesi hedeflenmektedir.

Keywords

• Bayes ağları
• Covid-19
• makine öğrenmesi
• pandemi

References

1. Ersel, D. (2012). Birliktelik Analizinde Özgün Bir Birleşik İlginçlik Ölçümü, Doktora Tezi, Fen Bilimleri Enstitüsü, Hacettepe Üniversitesi, Ankara, Türkiye.
2. Heckerman, D. (1996). A Tutorial on Learning with Bayesian Networks, Microsoft Corporation, Redmond, pp, 33-82. https://doi.org/10.1007/978-3-540-85066-3_3
3. Gemela J. (2001). Financial analysis using Bayesian Networks, Applied Stochastic Models in Business and Industry, 17(1), 57-67. https://doi.org/10.1002/asmb.422
4. Hui DS. Azhar EI. Madani TA. Ntoumi F. Kock R. Dar O. et al (2020). The continuing COVID-19 epidemic threat of novel coronavirusesto global health — The latest 2019 novel coronavirus outb-reak inWuhan, China. International Journal of Infectious Diseases, 91; 264-266. https://doi.org/10.1016/j.ijid.2020.01.009
5. IBM Corp (2016). IBM SPSS Statistics for Windows, Version 23.0. Armonk, New York, U.S.A.
6. Jensen, Finn V., and Thomas Dyhre Nielsen (2007). Bayesian networks and decision graphs. Vol. 2. New York: Springer. https://doi.org/10.1007/978-3-540-85066-3_3
7. Heckerman, D. (2008). A tutorial on learning with Bayesian networks. Innovations in Bayesian networks, 33-82. https://doi.org/10.1007/978-3-540-85066-3_3
8. Karacan, H. & Eryılmaz, F. (2021). Covid-19 Detection from Chest X-Ray Images and Hybrid Model Recommendation with Convolutional Neural Networks . Journal of Advanced Research in Natural and Applied Sciences , 7 (4) , 486-503. https://doi.org/10.28979/jarnas.952700

9. Korb, Kevin B.; Nicholson, Ann E (2011). Bayesian artificial intelligence (Computer science and data analysis series) CRC press. https://doi.org/10.1201/9780203491294
10. Laurìa, E. J. M. ve Duchessi, P. J., A Bayesian Belief Network for IT Implementation Decision Sup-port, Decision Support Systems, 42(3), 738-742, 2006. https://doi.org/10.1016/j.dss.2006.01.003
11. Spiegelhalter, D.J., Dawid, A.P., Lauritzen, S.L., Cowell R. G. (1993). Bayesian analysis in expert systems”, Statistical Science, 8(3), 219-247. https://doi.org/10.1214/ss/1177010888
12. Scutari, M. (2011). Measures of Variability for Graphical Models. PhD thesis, Universita degli Studi di Padova, Dipartimento di Scienze Statistiche, 10(2), 872-873.
13. Şencan, Ş. N. , Şencan, B. , Borazan Çelikbıçak, M. , Arslan, D. , Özkan, E. S. , Gökçen, A. Ş. , Çiftçi, R. B. , Arıkan, İ. , Uğur, B. , Şahin, H. , Coşkun, A. E. , Konşuk Ünlü, H. & Aktaş, S. (2020). Lojis-tik Büyüme ve Üstel Büyüme Modelleri ile Türkiye’de Covid-19 Modellemesi . Nicel Bilimler Der-gisi , 2 (1) , 1-18 . https://dergipark.org.tr/tr/pub/nicel/issue/55149/748068
14. Verma, T., and J. Pearl (1990). Equivalence and synthesis of causal models, Uncertainty in Artificial Intelligence, Vol. 6, P. Bonissone, M. Henrion, LN Kanal and JF Lemmer., 255-268. https://doi.org/10.1145/3501714.3501732
15. Wendler, Tilo, and Sören Gröttrup (2016). Data Mining with SPSS Modeler Theory, Exercises and So-lutions, Cham Springer International Publishing, Springer. https://doi.org/10.1007/978-3-319-28709-6
16. Yılmaz, H. C. (2022). “Covıd-19 Verileri İçin Bayes Ağları İle Makine Öğrenmesi”, Yüksek Lisans Tezi, Fen Bilimleri Enstitüsü, Hacettepe Üniversitesi, Ankara, Türkiye.
17. Zhou Y, Yang Y, Huang J, Jiang S, Du L (2019). Advances in MERS-CoV Vaccines and Therapeutics Based on the Receptor-Binding Domain. Viruses. 11(1), 60. https://doi.org/10.3390/v11010060