İlk yatıştaki veriler üzerinde yapay veri çoğaltma ve makine öğrenmesi yöntemleri kullanılarak COVID-19 hastalık şiddetinin tahmini

Authors : Kübra Köksal, Buket Doğan, Zehra Aysun Altıkardeş

Pages : 413-428

Doi:10.17341/gazimmfd.1348341

View : 48 | Download : 69

Publication Date : 2024-08-16

Article Type : Research Paper

Abstract :Covid-19 ilk olarak 2019 Aralık ayında Çin’in Wuhan kentinde ortaya çıkan ve 11 Mart 2020’de Dünya Sağlık Örgütü tarafından pandemi olarak ilan edilen, SARS-CoV-2 virüsünün neden olduğu bir bulaşıcı hastalıktır. Covid-19 ilk ortaya çıktığı tarihten itibaren dünya genelinde hızla yayılarak başta sağlık sektörü olmak üzere tüm insan hayatını olumsuz yönde etkileyecek bir sürecin başlamasına neden olmuştur. Covid-19 ile mücadelede hijyen, maske, mesafe ve aşı gibi önlemlerin yanında araştırmacılar tarafından bilgisayar destekli sistemler geliştirilerek Covid-19 teşhis ve tahmin süreçlerinde fayda sağlanması hedeflenmiştir. Bu doğrultuda geliştirilen bu çalışmada COVID-19 ile enfekte olmuş hastaların hastaneye kabul aşamasında alınan laboratuvar ve demografik özellikleri kullanılarak WHO odaklı hastalık şiddetini tahmin etmeye yardımcı olan makine öğrenmesi modellerinin geliştirilmesi ve test edilmesi amaçlanmaktadır. Çalışmada Marmara Üniversitesi Hastanesine başvuran hastalardan alınan bilgiler kullanılarak oluşturulan yerli bir veri seti kullanılmıştır. Veri seti 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 (Bagging), Rastgele Orman ve Karar Ağacı makine öğrenmesi yöntemleri kullanılarak analiz edilmiştir. Veri setindeki dengesiz sınıf dağılımı SMOTE veri çoğaltma algoritması kullanılarak dengeli bir hale getirilmiş ve veri çoğaltmanın sınıflandırma performansına etkisi doğruluk ve F1-Skor açısından değerlendirilmiştir. SMOTE uygulanmayan veri seti üzerinde hastanın ilk yatış aşamasındaki oksijen ihtiyacı (Analiz – 1) 16 özellik ile %91,67, yatış sırasındaki oksijen ihtiyacı (Analiz – 2) 18 özellik ile %91,96 ve yatış sırasındaki yoğun bakım ihtiyacı (Analiz – 3) 12 özellik ile %92,17 doğruluk değeri ile tahmin edilmiştir. SMOTE veri çoğaltma işleminden sonra azınlık sınıfların F1-Skor değerlerinde Analiz – 1 için %6’lık, Analiz – 2 için %23’lik ve Analiz – 3 %21’lik bir artış gözlenmiştir.
Keywords : Covid 19, makine öğrenmesi, laboratuvar verisi, prognoz