Sepsis'in yapay zeka temelli erken tanısı üzerine karar destek sistemi
Yükleniyor...
Tarih
2022
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Bakırçay Üniversitesi Lisansüstü Eğitim Enstitüsü
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Dünya Sepsis Derneği verilerine göre, her yıl 47-50 milyon kişinin sepsis olduğunu ve 11 milyon kişinin sepsisten öldüğünü tahmin ediyor, her 2.8 saniyede bir ölüm gerçekleşiyor. Sepsis, en yaygın hastalıklardan olan meme kanseri, prostat kanseri ve HIV-AIDS’in toplamından daha fazla ölüm oranına sahiptir. Enfeksiyona karşı düzensiz immün aracılı bir konak yanıtı olan sepsis, yaygın, ölümcül ve maliyetlidir. Bu tez çalışmasında, laboratuvar bulgularından makine öğrenimi algoritmalarını kullanarak Sepsis tahmini için karşılaştırmalı bir çalışma gerçekleştiriyoruz. Bu amaçla, sinir ağı sınıflandırıcısının yanı sıra farklı yapıları içeren otuz iki farklı makine öğrenmesi algoritması değerlendirilmiş ve karşılaştırılmıştır. Deneysel sonuçlar, diğer makine öğrenmesi algoritmaları arasında SVM (Cubic, Fine Gaussian), KNN (Fine, Weighted, Subspace), Trees (Weighted, Boosted, Baggged) ve sinir ağları tabanlı sınıflandırıcıların %100 ile daha iyi doğruluk elde ettiğini göstermektedir. Böylece sepsis hastasının hayatta kalıp kalamayacağını tahmin etmek için makine öğrenmesi algoritmalarının kullanılmasının uygun olduğu sonucuna varılmıştır. Bu tez çalışması, bir sepsis hastasının hayatta kalıp kalamayacağını tahmin ederken doktorların karar verme süreçleri için yeni bir destekleyici araç olarak kullanılma potansiyeline sahiptir.
According to World Sepsis Association data, it is estimated that 47-50 million people have sepsis and 11 million people die from sepsis each year, with one death occurring every 2.8 seconds. Sepsis has a higher death rate than the most common diseases of breast cancer, prostate cancer, and HIV-AIDS combined. Sepsis, a dysregulated immune-mediated host response to infection, is common, fatal, and costly. In this thesis, we perform a comparative study for Sepsis prediction using machine learning algorithms from laboratory findings. For this purpose, thirty-two different machine learning algorithms including different structures as well as neural network classifiers were evaluated and compared. Experimental results show that SVM (Cubic, Fine Gaussian), KNN (Fine, Weighted, Subspace), Trees (Weighted, Boosted, Bagged), and neural network-based classifiers, among other machine learning algorithms, achieve better accuracy with 100%. Thus, it was concluded that it is appropriate to use machine learning algorithms to predict whether the sepsis patient will survive. This thesis has the potential to be used as a new supportive tool for physicians when predicting whether a sepsis patient will survive.
According to World Sepsis Association data, it is estimated that 47-50 million people have sepsis and 11 million people die from sepsis each year, with one death occurring every 2.8 seconds. Sepsis has a higher death rate than the most common diseases of breast cancer, prostate cancer, and HIV-AIDS combined. Sepsis, a dysregulated immune-mediated host response to infection, is common, fatal, and costly. In this thesis, we perform a comparative study for Sepsis prediction using machine learning algorithms from laboratory findings. For this purpose, thirty-two different machine learning algorithms including different structures as well as neural network classifiers were evaluated and compared. Experimental results show that SVM (Cubic, Fine Gaussian), KNN (Fine, Weighted, Subspace), Trees (Weighted, Boosted, Bagged), and neural network-based classifiers, among other machine learning algorithms, achieve better accuracy with 100%. Thus, it was concluded that it is appropriate to use machine learning algorithms to predict whether the sepsis patient will survive. This thesis has the potential to be used as a new supportive tool for physicians when predicting whether a sepsis patient will survive.
Açıklama
Anahtar Kelimeler
Sepsis, Erken tahmin, Yapay zeka, Karar destek sistemleri, Early forecasting, Artificial intelligence, Decision support systems
