EARLY STAGE DIABETES RISK PREDICTION WITH ARTIFICIAL INTTELIGENCE METHODS

Abstract

Machine learning and artificial intelligence are involved in many fields and studies today. One of these fields is the field of health. The rapid acquisition of biomedical signs in recent times and the speed of integration of many sources into the process thanks to technology have enabled the successful development of many projects in the field of health. Diabetes disease, which has increased considerably recently in our country and in the world, is not due to the consumption of high amounts of sugar, contrary to what is known in the public language, but as a result of the body not producing the insulin hormone that should be present in the body or not absorbing the insulin hormone. In our study, we compared the success rates of algorithms by including 5 different machine learning processes for the diagnosis of diabetes, which has 2 different types. The successful results of machine learning and classification algorithms in the diagnosis of the disease in various biomedical fields and in early stage treatment methods will provide us with the opportunity of early intervention against the disease by obtaining positive inferences from the predicted symptoms without increasing the risk factors, in the diagnosis of diabetes, where the number of patients is increasing very rapidly today. In our study, we compared the success rates of algorithms by including 5 different machine learning methods in the classification process with the python programming language for the diagnosis of diabetes, which has 2 different types. The algorithms we use give very successful results in structural classification processes. KNN, Logistic Regression, Decision Trees, DVM, Random Forest algorithms provide high success in classification processes and these successes allow the creation of disease diagnostic kits. In the study, the Random Forest algorithm, which is the machine learning algorithm that achieved the highest result, achieved an accurate result of 96% in the diagnosis of early stage diabetes. In the study, besides the success rate of the Random Forest algorithm, it also achieved a 94% success in precision and precision.

Keywords

• Diabetes
• Early Stage
• Classification Algorithms
• Machine Learning

YAPAY ZEKA YÖNTEMLERİYLE ERKEN EVRE DİYABET RİSK TAHMİNİ

Abstract

Makine öğrenmesi ve yapay zekâ günümüzde birçok alanda ve çalışmada yer almaktadır. Bu alanlardan biri de sağlık alanıdır. Biyomedikal işaretlerin son zamanlarda hızlıca elde edilmesi ve elde edilen birçok kaynağın teknoloji sayesinde sürece entegresindeki hız, sağlık alanında da birçok projenin başarı ile gelişmesine olanak sağlamıştır. Ülkemizde ve dünyamızda son zamanlarda oldukça fazla artış gösteren diyabet hastalığı, halk dilinde bilenen aksine yüksek miktarda şeker tüketiminden değil, vücutta bulunması gereken insülin hormonunun vücut tarafından üretilmemesi ya da insülin hormonunun emilmemesi sonucu olarak diyabet hastalıkları görülmektedir. Makine öğrenmesi ve sınıflandırma algoritmalarının çeşitli biyomedikal alanlarda hastalığın teşhisi ve erken evre tedavi yöntemlerinde başarılı sonuçlar elde etmesi, günümüzde hasta sayısının çok hızlı artış gösterdiği şeker hastalığının da teşhisinde, bizlere risk faktörleri artmadan öngörülen semptomlardan pozitif çıkarımlar elde ederek hastalığa karşı erken müdahale imkânı sunabilecektir. Yaptığımız çalışmada 2 farklı tipe sahip olan diyabet hastalığının teşhisi için 5 farklı makine öğrenmesini (KNN, Lojistik Regresyon, Karar Ağaçları, DVM, Random Forest), python programlama dili ile sınıflandırma sürecine dahil edilerek algoritmaların başarı oranlarının kıyaslanmasını yaptık. Kullandığımız algoritmalar, yapısal olarak sınıflandırma işlemlerinde oldukça başarılı sonuçlar vermektedir. KNN, Lojistik Regresyon, Karar Ağaçları, DVM, Random Forest algoritmaları Sınıflandırma süreçlerinde yüksek başarılar sağlamakta ve bu başarılar hastalık tanı kitleri oluşturulmasına olanak sunmaktadır. Çalışmada en yüksek sonucu elde eden makine öğrenmesi algoritması olan Random Forest algoritmasının erken evre diyabet hastalığının teşhisinde %96 gibi yüksek bir oranda doğru sonuç elde edildi. Yapılan çalışmada Random Forest algoritmasının başarı oranının yanı sıra Kesinlik ve hassasiyet konusunda da %94’lük bir başarı yakaladı.

Keywords

• Diyabet
• Erken Evre
• Sınıflandırma Algoritmaları
• Makine Öğrenmesi

References

1. [1] Islam, M. M., Ferdousi, R., Rahman, S., and Bushra, H. Y. (2020). Likelihood prediction of diabetes at early stage using data mining techniques. In Computer vision and machine intelligence in medical image analysis (pp. 113-125). Springer, Singapore.
2. [2] Gregg, E. W., Cheng, Y. J., Srinivasan, M., Lin, J., Geiss, L. S., Albright, A. L., and Imperatore, G. (2018). Trends in cause-specific mortality among adults with and without diagnosed diabetes in the USA: an epidemiological analysis of linked national survey and vital statistics data, The Lancet, 391(10138), 2430-2440.
3. [3] Kılınç, E. (2022). TİP 2 Diyabetli yetişkinlerde bilgi, motivasyon ve davranış becerileri modeli temelli diyabet eğitimi ve motivasyonel görüşmenin bakım sonuçlarına etkisi: Randomize kontrollü çalışma.
4. [4] Demir, N., Kuncan, M., Kaya, Y., and Kuncan, F. (2022). Multi-Layer Co-Occurrence Matrices for Person Identification from ECG Signals, Traitement du Signal, 39(2). [5] Karakoyun, M., and Hacibeyoğlu, M. (2014). Biyomedikal Veri Kümeleri ile Makine Öğrenmesi Siniflandirma Algoritmalarinin İstatistiksel Olarak Karşilaştirilmasi, Dokuz Eylül Üniversitesi Mühendislik Fakültesi Fen ve Mühendislik Dergisi, 16(48), 30-42.
5. [6] Ergün, Ö. N., and İlhan, H. O. (2021). Early Stage Diabetes Prediction Using Machine Learning Methods. Avrupa Bilim ve Teknoloji Dergisi, (29), 52-57.
6. [7] Bilgin, G. (2021). Makine öğrenmesi algoritmaları kullanarak erken dönemde diyabet hastalığı riskinin araştırılması, Journal of Intelligent Systems, Theory and Applications, 4(1), 55-64.
7. [8] Yasar, A. (2021). Data Classification of Early-Stage Diabetes Risk Prediction Datasets and Analysis of Algorithm Performance Using Feature Extraction Methods and Machine Learning Techniques, International Journal of Intelligent Systems and Applications in Engineering, 9(4), 273-281.
8. [9] Ferdousi, R., Hossain, M. A., and El Saddik, A. (2021). Early-stage risk prediction of non-communicable disease using machine learning in health CPS, IEEE Access, 9, 96823-96837.

9. [10] Patel, S. (2021). Predicting a risk of diabetes at early stage using machine learning approach, Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(10), 5277-5284.
10. [11] Kılınç, D., Borandağ, E., Yücalar, F., Tunalı, V., Şimşek, M., and Özçift, A. (2016). KNN algoritması ve r dili ile metin madenciliği kullanılarak bilimsel makale tasnifi, Marmara Fen Bilimleri Dergisi, 28(3), 89-94.
11. [12] Guo, G., Wang, H., Bell, D., Bi, Y., and Greer, K. (2003). KNN model-based approach in classification. In On The Move to Meaningful Internet Systems 2003: CoopIS, DOA, and ODBASE: OTM Confederated International Conferences, CoopIS, DOA, and ODBASE 2003, Catania, Sicily, Italy, November 3-7, 2003. Proceedings (pp. 986-996). Springer Berlin Heidelberg.
12. [13] Kleinbaum, D. G., Dietz, K., Gail, M., Klein, M., and Klein, M. (2002), Logistic regression, New York: Springer-Verlag (p. 536).
13. [14] Quinlan, J. R. (1996). Learning decision tree classifiers. ACM Computing Surveys (CSUR), 28(1), 71-72.
14. [15] Pisner, D. A., and Schnyer, D. M. (2020). Support vector machine. In Machine learning (pp. 101-121). Academic Press.
15. [16] Hegde, C., Wallace, S., and Gray, K. (2015). Using trees, bagging, and random forests to predict rate of penetration during drilling. In SPE Middle East Intelligent Oil and Gas Conference and Exhibition. OnePetro.
16. [17] UCI Machine Learning Repository. (2020, July 12). Early stage diabetes risk prediction dataset. https://archive.ics.uci.edu/ml/datasets/Early+stage+diabetes+risk+prediction+dataset. [18] Diyabet nedir, Erişim Adresi: https://www.medicalpark.com.tr/seker-hastaligi-diyabet-nedir/hg-1703 (Ziyaret Tarihi:04.11.2022)
17. [19] Sonar, P., and JayaMalini, K. (2019, March). Diabetes prediction using different machine learning approaches. In 2019 3rd International Conference on Computing Methodologies and Communication (ICCMC) (pp. 367-371). IEEE.
18. [20] Harman, G. (2021). Destek Vektör Makineleri ve Naive Bayes Sınıflandırma Algoritmalarını Kullanarak Diabetes Mellitus Tahmini. Avrupa Bilim ve Teknoloji Dergisi, (32), 7-13.