COVID19PREDICTOR: WEB-BASED INTERFACE TO DEVELOP MACHINE LEARNING MODELS FOR DIAGNOSIS OF COVID-19 BASED ON CLINICAL DATA AND ROUTINE TESTS

Authors : Volkan KAPUCU, Sultan TURHAN, Metin PIÇAKÇIEFE, Eralp DOĞU

Pages : 216-221

Doi:10.52831/kjhs.1117894

View : 15 | Download : 14

Publication Date : 2022-12-31

Article Type : Research Paper

Abstract :Amaç: Covid-19 salgını sağlıkla ilgili, sosyal, ekonomik ve bireysel etkiler nedeniyle birçok ülkenin birincil sağlık sorunu haline gelmiştir. Salgın tahmin modellerinin geliştirilmesinin yanı sıra hastalığın risk faktörlerinin incelenmesi ve teşhise yönelik modellerin geliştirilmesi büyük önem taşımaktadır. Bu çalışma, rutin laboratuvar test sonuçları, risk faktörleri, birlikte var olan sağlık koşullarına ilişkin bilgiler gibi klinik verilere dayalı olarak Covid-19\`u teşhis etmek için makine öğrenimi yaklaşımlarının kullanıldığı bir iş akışı olan Covid19PredictoR arayüzünü tanıtmaktadır. Yöntem: Covid19PredictoR arayüzü, R/Shiny\`de insert ignore into journalissuearticles values(https://biodatalab.shinyapps.io/Covid19PredictoR/); açık kaynaklı web tabanlı bir arayüzdür. Sistem içerisinde lojistik regresyon, C5.0, karar ağacı, rastgele orman ve XGBoost modelleri geliştirilebilir. Bu modeller aynı zamanda tahmin amacıyla da kullanılabilir. Model geliştirme sırasında ek olarak tanımlayıcı istatistikler, veri ön işleme ve model ayarlama adımları sağlanır. Bulgular: Einsteindata4u veri seti, Covid19PredictoR arayüzü ile analiz edildi. Bu örnekle, arayüzün eksiksiz çalışması ve iş akışının tüm adımlarının gösterimi aktarıldı. Veri seti için yüksek performanslı makine öğrenme modelleri geliştirilmiş ve tahmin için en iyi modeller kullanıldı. Model başına vaka için özelliklerin analizi ve görselleştirilmesi insert ignore into journalissuearticles values(yaş, kabul verileri ve laboratuvar testleri); yapıldı. Sonuç: Covid-19 hastalığını, ilgili risk faktörleri açısından değerlendirmek için makine öğrenimi algoritmalarının kullanımı, hızla artmaktadır. Bu algoritmaların çeşitli platformlarda uygulanması, uygulama zorlukları, tekrarlanabilirlik ve tekrar üretilebilirlik sorunları yaratmaktadır. Arayüz ile standart bir iş akışına dönüştürülen, tasarlanmış bu işlem zinciri, çeşitli geçmiş deneyimlere sahip sağlık uzmanlarının rahatlıkla kullanabileceği ve raporlayabileceği kullanıcı dostu bir yapı sunar.
Keywords : Covid 19, Makine Öğrenmesi, Shiny, Arayüz