Covid-19 Hastalarında İlk Başvurudaki Verilerle Hastalık Şiddetinin Makine Öğrenmesi Yöntemleri ile Öngörülmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Marmara Üniversitesi, Fen Bilimleri Enstitüsü, Bilgisayar Mühendisliği Anabilim Dalı, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: KÜBRA KÖKSAL
Asıl Danışman (Eş Danışmanlı Tezler İçin): Zehra Aysun Altıkardeş
Eş Danışman: Buket Doğan
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:
Covid-19 11 Mart 2020'de Dünya Sağlık Örgütü tarafından pandemi olarak ilan edilen, SARS CoV-2 virüsünün neden olduğu bir bulaşıcı hastalıktır. İlk ortaya çıktığı tarihten itibaren hızlı bir şekilde yayılarak sağlık sektörü başta olmak üzere tüm alanlarda insan hayatını zorlayacak bir sürecin başlamasına neden olmuştur. Marmara Üniversitesi Hipertansiyon ve Ateroskleroz Eğitim, Uygulama ve Araştırma Merkezi koordinasyonunda, Etik Kurul onayı, 09.2020.487 sayılı protokol ve 27.04.2020 tarihli Sağlık Bakanlığı izni ile "Covid-19 hastalarında ilk başvurudaki verilerle hastalık şiddetinin makine öğrenmesi yöntemleri ile öngörülmesi" adlı proje kapsamında gerçekleştirilen bu tez kapsamında da sağlık kaynaklarının kullanımı için uygun bir strateji ve etkili bir triyaj, risk sınıflandırma yöntemi oluşturulmasında yardımcı olması hedeflenmektedir. 27 Nisan-1 Haziran 2020 tarihleri arasında İstanbul Marmara Üniversitesi Araştırma Hastanesi'ne başvuran 180 hastanın 28 günlük takip süreçlerini içeren demografik veriler, ilk laboratuvar sonuçlarından oluşan bir veriseti ile hedef değer olarak belirlenen WHO değeri arasındaki ilişki makine öğrenmesi yöntemleri kullanılarak incelenmiştir. Gün aralıklarına ve ortalamaya göre eksik veri doldurma teknikleri kullanılarak veriler tamamlanmıştır. Özellik Seçme aşamasında Rastgele Özellik Seçme algoritması kullanılarak özellik seçimi yapılmıştır. Veriseti üzerinde oksijen ihtiyacı ve yoğun bakım ihtiyacı olmak üzere belirlenen iki farklı sonlanım durumu ile ilk laboratuvar sonuçları arasındaki ilişki K-En yakın komşu, Torbalama, Rastgele Orman ve Karar Ağacı makine öğrenmesi yöntemleri kullanılarak analiz edilmiştir. Hastanın ilk yatış aşamasındaki oksijen ihtiyacı 16 özellik ile %91,67, yatış sırasındaki oksijen ihtiyacı 18 özellik ile %91,96 ve yatış sırasındaki yoğun bakım ihtiyacı 12 özellik ile %92,17 doğruluk değerlerine ulaşılarak tahmin edilmiştir.