MAKİNE ÖĞRENMESİ TEKNİKLERİYLE HASTALIK SINIFLANDIRMASI: RANDOM FOREST, K-NEAREST NEIGHBOUR VE ADABOOST ALGORİTMALARI UYGULAMASI

Amaç: Bu çalışmada, sağlık yönetiminde etkinliği sağlamak üzere, hastalıkların doğru olarak teşhisinde makine öğrenmesi tekniklerinin başarısının karşılaştırılması amaçlanmıştır. Veri Seti ve Yöntem: Çalışmada, Vanderbilt Üniversitesi tarafından çeşitli hastalıkların risk faktörlerinin yaygınlığını anlamak için gerçekleştirilen ve kamuya açık, 390 hastaya ait 15 değişkenden oluşan veri seti kullanılmıştır. Modelin eğitilmesi ve testi amacıyla, veri setinin %70’i eğitim, %30’u test kümelerine bölünmüştür. Random Forest insert ignore into journalissuearticles values(RF);, K-Nearest Neighbour insert ignore into journalissuearticles values(KNN); ve AdaBoost algoritmaları kullanılarak sınıflandırma performansları karşılaştırılmıştır. Bulgular: Çalışma sonucunda, RF ve KNN algoritmaları sınıflandırma başarısının %92,30 ve AdaBoost algoritması ile gerçekleştirilen sınıflandırma başarısının ise %90,59 olduğu tespit edilmiştir. Sonuç: Yapay zekâ ve makine öğrenmesi yöntemlerinin sağlık yönetimi ve hizmetleri alanındaki kullanımı gün geçtikçe artmaktadır. Çalışmamızda, hastalıkların doğru olarak teşhisi amacıyla kullanılan algoritmalarla %90’ın üzerinde doğru sınıflandırma başarısı elde edilmiştir. Bu durum, teşhis ve tedavi süreçlerinde insan kaynaklı hataları azaltmak ve medikal karar süreçlerine destek amacıyla, makine öğrenmesi tekniklerine başvurulabileceğini göstermektedir.