Hekime Tanı Koymada Yardımcı, Yapay Zekâ Destekli Hastalık Tespit Uzmanı

Year 2021, Issue: 26 - Ejosat Special Issue 2021 (HORA), 100 - 116, 31.07.2021

Ethem Karal , Metin Turan

https://doi.org/10.31590/ejosat.945518

Cited By: 4

Abstract

Bu çalışma, makine öğrenmesi, veri madenciliği ve yapay zeka teknolojileri kullanılarak, hastaya tanı konulmasını kolaylaştırmayı hedeflemektedir. Doğal dil işleme süreçleri ile hasta anamnezleri değerlendirilerek, tanı koymada yardımcı bir sistem oluşturulmuştur. Oluşturulan sistem ile hastadan anamnez alınırken doğal dil işleme kullanılarak; her bir hastalık belirtisi içeren konu başlığı önce anlamlandırılır, sonra kategorize edilerek eğitim yapılır.
Karar Ağaç (Decision Tree), Torbalama (Bagging), Arttırma (Boosting) kullanılarak öğrenme işlemleri gerçekleştirilmiştir. Öykü alma sırasında bilinen hastalıkların belirtileri değerlendirilerek doktorların yükünü hafifletmek amaçlanırken, pandemi gibi dönemlerde ya da yeni ortaya çıkan ve belirtileri/tedavi yöntemleri/hasta sayısı konularında az veriye sahip olunan dönemlerde, sağlık çalışanlarına ve sağlık sistemine yardımcı bir sistem geliştirilmesi hedeflenmiştir.
Oluşturulmuş bu sistem; doktorların, hastaların rahatsızlıklarını daha yüksek doğruluk ve verimlilikle teşhis etmesine yardımcı olmuştur. Alınan bilgiler doğrultusunda Karar Ağaçları yöntemi ile bulunan doğruluk oranı %73, Random Forest algoritması ve Entropi ölçüsü kullanılarak ulaşılan doğruluk oranı %76, aynı algoritmanın Gini ölçüsü ile ulaşılan doğruluk oranı %82’dir. Adaboost algoritması kullanıldığında, öğrenme sabiti 1.0 olduğu durumda %64 sonucu elde edilirken, öğrenme sabiti 0.5 alındığında doğruluk oranı %67 olarak bulunmuştur.
Hastanın anamnez verilerini değerlendiren sistem, hekime olası sonuçların listesini sunarak hekimin işini kolaylaştırmıştır. Yapay zekanın sonuçlarını değerlendirerek sonuçlara katılmak ya da katılmamak ise tamamen doktorun tercihine bırakılmıştır.

Keywords

Hastalık Tespit Sistemi, Doğal Dil İşleme, Makine Öğrenmesi, Yapay Zeka.

Assistant in Diagnosis for Doctor, Artificial Intelligence Supported Disease Detection Specialist

Abstract

This article aims to facilitate the diagnosis of the patient by using machine learning, data mining and artificial intelligence technologies. With natural language processing processes, patient anamnesis was evaluated and an auxiliary system was created for diagnosis. By using natural language processing while taking anamnesis from the patient with the system created; The topic containing each disease symptom is first made meaningful, then categorized and training is carried out.
Learning operations were carried out using Decision Tree, Bagging and Boosting. While it is aimed to alleviate the burden of doctors by evaluating the symptoms of known diseases during history taking, it is aimed to develop a system that helps healthcare professionals and the health system during periods such as pandemics or when there is little data on symptoms / treatment methods / number of patients.
This system created; helped doctors diagnose patients' ailments with higher accuracy and efficiency. In line with the information received, the accuracy rate found with the Decision Trees method is 73%, the accuracy rate achieved by using the Random Forest algorithm and the Entropy measure is 76%, and the accuracy rate achieved with the Gini measure of the same algorithm is 82%. When the Adaboost algorithm was used, when the learning constant was 1.0, the result was 64%, and when the learning constant was 0.5, the accuracy rate was found to be 67%.
The system, which evaluates the patient's anamnesis data, has facilitated the physician's work by presenting a list of possible results to the physician. Evaluating the results of artificial intelligence, whether or not to agree with the results is entirely up to the doctor's choice.

Keywords

Artificial Intelligence, Disease Detection System, Natural Language Processing, Machine Learning.

References

• Acıbadem. (2021, şubat). acibadem. acibadem: https://www.acibadem.com.tr/ilgi-alani/vucut-kitle-indeksi-hesaplama/#genel-tanitim adresinden alındı
• Alçelik, A. (2016). Anamnez Hikaye Alma.
• Atharva Bankar, Kewal Padamwar, Aditi Jahagirdar (Ocak 2021), Symptom Analysis using a Machine Learning approach for Early Stage Lung Cancer, International Conference on Intelligent Sustainable Systems (ICISS)
• Berna Arı , Ali Arı, Abdulkadir Şengür (Mart 2020), Suicide Prediction from Hemogram with Machine Learning, Avrupa Bilim ve Teknoloji Dergisi
• Choi, S. (2020). An Ensemble Learner-Based Bagging Model Using Past Output Data for Photovoltaic Forecasting. energies.
• Dashtipour, K. (2016). Multilingual Sentiment Analysis: State of the Art and Independent Comparison of Techniques.
• Dhiyaussalam, Adi Wibowo, Fajar Agung Nugroho, Eko Adi Sarwoko, I Made Agus Setiawan (December 2020), Classification of Headache Disorder Using Random Forest Algorithm, 4th International Conference on Informatics and Computational Sciences (ICICoS)
• Fakültesi, A. Ü. (2016). Tıbbi Hikaye ve Fizik Muayene Pratik Soru Örnekleri ve Yanıtları.
• Guan‐Hua Huang, Chih‐Hsuan Lin, Yu‐Ren Cai, Tai‐Been Chen, Shih‐Yen Hsu, Nan‐Han Lu (Ağustos 2020), Multiclass machine learning classification of functional brain images for Parkinson's disease stage prediction, Ministry of Science and Technology, Taiwan
• George Monks, Ryan Rivera-Oyola, Mark Lebwohl (2021), The Psoriasis Decision Tree , J Clin Aesthet Dermatol.
• İbrahim Türkoğlu ve Suat Toraman (Ağustos 2007), Karar Ağaçları ve Fraktal Analiz Kullanarak Histopatolojik İmgelerin Sınıflandırılması, Gazi Üniv. Müh. Mim. Fak. Der.
• Kellner, T. (2017, 12 04). ge: https://www.ge.com/news/reports/ai-healthcare-expert-doctors-machines-make-brilliant-match adresinden alındı
• Kellner, T. (2017, Aralık). AI Healthcare Expert: Doctors And Machines Make A Brilliant Match. https://www.ge.com/news/reports/ai-healthcare-expert-doctors-machines-make-brilliant-match. adresinden alındı
• Kılınç, D. (2016). The Effect of Ensemble Learning Models on Turkish Text Classification. CBÜ Fen Bil. Dergi., Cilt 12, Sayı 2, 215-220 s.
• Lupaşcu, C. A., Tegolo, D., & Trucco, E. (2013). Accurate estimation of retinal vessel width using bagged decision trees and an extended multiresolution Hermite model. Medical image analysis
• Nalçacı, R. (2015). Anamnez Formu İncelenmesi.
• Oğuzlar, A. (2011). Temel metin madenciliği.
• Oya Kayacan, Ö. K. (2018). Göğüs Hastalıklarında Anamnez Ve Fizik Muayene.
• ÖZTÜRK, N. A. (tarih yok). SOLUNUM SİSTEMİ HASTALIKLARINDA ANAMNEZ VE BAŞLICA SEMPTOMLARIN DEĞERLENDİRİLMESİ.
• Saad, M. (2019, 12). mksaad.wordpress. mksaad. adresinden alındı
• SağlıkBakanlığı, T. (2020). Covid-19 GENEL BİLGİLER,EPİDEMİYOLOJİ VE TANI.
• Sevinç, S. (2006). Kardiyovasküler Sistemin Değerlendirilmesi. Hemşirelikte Eğitim ve Araştırma Dergisi.
• Sirsat, S. R. (2013). Strength and Accuracy Analysis of Affix Removal. International Journal of Computer Science and Information Technologies.
• STEFANOWSKI, J. (2010). Discovering Decision Trees. Institute of Computing Science Poznań University of Technology.
• Taçnur İlaslaner, Ayşegül Güven (Kasım 2019), Investigation of the Effects Biochemistry on Iron Deficiency Anemia, Medical Technologies Congress (TIPTEKNO)
• Tarhan, Ö. R. (2015). turkcerrahi. turkcerrahi.com. adresinden alındı
• TORAMAN, İ. T. (2007). KARAR AĞAÇLARI VE FRAKTAL ANALİZ KULLANARAK HİSTOPATOLOJİK İMGELERİN SINIFLANDIRILMASI . Gazi Üniv. Müh. Mim. Fak. Der.
• Uygun, A. (2009). Tıbbın Olmazsa Olmazı Fizik Muayeneyi İhmal mi Ediyoruz? Ankara: Gülhane Askeri Tıp Akademisi, Gastroenteroloji Kliniği.
• V. Bhargavi Rao, David Schellenberg, Azra C. Ghani1(Temmuz 2013), The Potential Impact of Improving Appropriate Treatment for Fever on Malaria and Non-Malarial Febrile Illness Management in Under-5s: A Decision-Tree Modelling Approach
• Vidit Laijawala; Aadesh Aachaliya; Hardik Jatta; Vijaya Pinjarkar (Temmuz 2020), Classification Algorithms based Mental Health Prediction using Data Mining, 5th International Conference on Communication and Electronics Systems (ICCES)
• Yaman, E. (2019). Comparison of Bagging and Boosting Ensemble Machine Learning Methods for Automated EMG Signal Classification. Hindawi BioMed Research International .