Parametre Ayarlaması ile Geliştirilmiş Topluluk Yöntemleri Kullanarak Arbovirüs Şüpheli Vaka Analizi: SISA Veri Kümesinden Çıkarımlar

Online Makale

Online Hizmetlere Toplu Bakış Online Kayıt ve Konaklama Online Bilimsel Program Dernekler İçin... Referanslarımız Telefon ve e-posta Desteği Bildiri özeti nedir? Bildiri özeti nasıl hazırlanır? Bildiri özeti örnekleri Kabul mektubu örnekleri

Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi

Parametre Ayarlaması ile Geliştirilmiş Topluluk Yöntemleri Kullanarak Arbovirüs Şüpheli Vaka Analizi: SISA Veri Kümesinden Çıkarımlar [Pamukkale Univ Muh Bilim Derg]

Pamukkale Univ Muh Bilim Derg. Baskıdaki Makaleler: PAJES-24040 | DOI: 10.65206/pajes.24040

Parametre Ayarlaması ile Geliştirilmiş Topluluk Yöntemleri Kullanarak Arbovirüs Şüpheli Vaka Analizi: SISA Veri Kümesinden Çıkarımlar

Alican Doğan
Bandırma Onyedi Eylül Üniversitesi, Yönetim Bilişim Sistemleri Bölümü, Bandırma

Arbovirüs enfeksiyonu şüphesiyle gözlem altında tutulan bir hastanın hastaneye yatış gerekliliği, sağlık profesyonelleri için kritik bir karardır. Tıbbi personel, bu kararın sağlıklı bireyler üzerindeki potansiyel riskleri nedeniyle baskı altında olabilir. Mevcut teşhis olanakları zaman zaman kafa karıştırıcı olabilir. Bu nedenle, veri madenciliği yaklaşımlarının hastalıkların teşhisinde ve birçok farklı alanda oldukça etkili olduğu kanıtlanmıştır. Yapılan araştırmalar, veri madenciliği yöntemlerinin arbovirüs enfeksiyonu taşıyan bir hastanın hastaneye yatırılıp yatırılmaması kararında da kullanılabileceğini göstermektedir.Bu amaç doğrultusunda, bu çalışma Şüpheli Arbovirüs Vakaları için Şiddet İndeksi (SISA) veri kümesini kullanarak, bir hastanın hastaneye yatış durumunu belirlemek için ikili sınıflandırma gerçekleştiren çeşitli makine öğrenmesi tekniklerini uygulamaktadır. Deneylerde sınıflandırıcı olarak çeşitli yapay sinir ağları, tekil sınıflandırıcılar ve topluluk destekli öğrenme yöntemleri kullanılmıştır. En yüksek sınıflandırma doğruluğu, %99,08 ile Rastgele Orman (Random Forest - RF) modeli tarafından elde edilmiştir. Bu modelin, literatürdeki önemli araştırmalarda uygulanan birçok veri madenciliği tekniğinden daha etkili olduğu kanıtlanmıştır. Bu olumlu sonuçlar, RF modelinin farklı sayıda tahmin edici (estimators) ile ek deneyler yapılmasını teşvik etmiştir. Çalışma sonucunda, en yüksek sınıflandırma performansı 25 tahmin edici kullanılarak %99,26'ya yükseltilmiştir. Elde edilen bulgular, arbovirüs şüpheli vaka analizinde özellikle torbalama (bagging) ve güçlendirme (boosting) yaklaşımlarına dayalı topluluk modellerinin etkinliğini ortaya koymaktadır.

Anahtar Kelimeler: Makine öğrenimi, Arbovirüs Enfeksiyonu, Rastgele Orman, Hastane yatış durumu

Improved Arbovirus Suspected Case Analysis via Ensemble Methods with Parameter Tuning: Insights from SISA Dataset

Alican Doğan
Bandırma Onyedi Eylul University, Department of Management Information Systems, Bandırma

Hospital admission necessity of a patient who is under care for the possibility of arbovirus infection is a critical decision for healthcare practitioners. Medical staff may experience stress when making this decision due to the potential risks it poses to the broader community. Current capacities for diagnosis can be confusing. For this reason, data mining approaches have been proven to be highly effective in the diagnosis of diseases as well as in many other fields. As many research studies suggest, they can also be used to decide whether a patient with arbovirus infection should be hospitalized or not. For this purpose, this study uses Severity Index for Suspected Arbovirus (SISA) dataset and implements various machine learning classification techniques with the aim of binary classification to detect the hospitalization status of a specific patient. Several neural networks, single classifiers, and ensemble supervised learning methods are selected as classifiers during the experiments. The best classification accuracy value is obtained by Random Forest (RF) model with 0.9908. This model has been shown to outperform many data mining techniques previously applied in prominent studies. This improved result leads to additional experiments with a different number of estimators when implementing RF. The outcome also improves the maximum classification performance up to 0.9926 using 25 estimators. The study reveals the effectiveness of ensemble models, especially bagging and boosting approaches, for Arbovirus suspected case analysis.

Keywords: Machine Learning, Arboviral Infection, Random Forest, Hospitalization

Sorumlu Yazar: Alican Doğan, Türkiye

ARAÇLAR