COVID-19 TANISINDA BİYOKİMYA PARAMETRE BASKINLIĞININ MAKİNE ÖĞRENİMİ YÖNTEMLERİ KULLANILARAK BELİRLENMESİ

Abstract

Covid-19 2020 yılında ortaya çıkan ve kısa sürede hızla yayılım göstererek pandemi haline gelen hastalıktır. Öksürük, nefes darlığı vb. belirtiler ile ortaya çıkan bu hastalık zaman içerisinde etkinliğini artırarak ölümcül bir hastalık haline gelmiştir. Bu sebeple Covid-19 hastalığının erken teşhisi önem arz etmektedir. Covid-19 hastalığının teşhisi için laboratuvar testleri, görüntüleme teknikleri vb. birçok farklı yöntem kullanılmaktadır. Gerçek zamanlı polimeraz zincir reaksiyonu (RT-PCR) testi altın standart olarak kabul edilmekte ve yaygın olarak kullanılmaktadır. Laboratuvar testleri kullanılarak gerçekleştirilen tanı işleminde parametre yoğunluğundan doğacak iş yükü artmakta, bu durumda tanıyı zorlaştırmaktadır. Bu nedenle uzmanlara tanı aşamasında yardımcı bir karar destek mekanizmasına ihtiyaç vardır. Bu tez çalışmasında uzmanlara, Covid-19 hastalığının karar verme aşamasında destek olacak sistem makine öğrenimi algoritmaları ile tasarlanmıştır. Makine öğrenimi geniş kullanım alanı sayesinde birçok alanda uzmanlara destekleyici rol oynamaktadır. Sıklıkla kullanılan bazı makine öğrenimi algoritmaları Ken Yakın Komşu Algoritması, Destek Vektör Makineleri, Karar Ağaçları ve Yapay Sinir Ağlarıdır. Parametre fazlalığından doğacak sorunları önlemek amacıyla özellik seçim yöntemleri makine öğrenim algoritmaları ile birlikte kullanılarak parametre sayısını optimuma indirgenmiştir. Bu durumda daha az maliyetle uzmanlara teşhis aşamasında kolaylık sağlamaktadır. Çalışmada biyokimya parametreleri üzerinde, 13 farklı özellik seçim yöntemi kullanarak her bir parametrenin Covid-19 hastalığını tanısındaki etkinliği analiz edilmiştir. Çalışma kapsamında, Elazığ Fethi Sekin Şehir Hastanesinden elde edilen 100 negatif ve 121 pozitif olmak üzere toplamda 16 özellikten oluşan 221 hasta verisi kullanılmıştır. Öznitelik seçme yöntemleri kullanılarak parametre sayısı azaltılmış ve sınıflandırma işlemi gerçekleştirilmiştir. Çalışma sonucunda elde edilen yeni özellik kümesinin tüm özellikler ile gerçekleştirilen işlemden başarılı olduğu gözlemlenmiştir. Özellik seçim yöntemleriyle elde edilen 5 özellik, %91.3 doğruluk oranında Uyarlanabilir Yapısal Öğrenme İle Özellik Seçimi yöntemiyle Yapay Sinir Ağları için en iyi performansı vermiştir. Çalışmanın klinik çalışmalarda hekimlere yardımcı olacağı ve yapılacak çalışmalara ışık tutacağı düşünülmektedir. Anahtar Kelimeler: Covid-19, Makine Öğrenimi, Özellik Seçimi, Sınıflandırma

COVID-19 is a disease that appeared in 2020 and became a pandemic in a short time. Cough, shortness of breath, etc. - this disease, which appears with symptoms, has become a deadly disease as its effectiveness increases with time. For this reason, early detection of Covid-19 disease is important. Various laboratory tests, imaging techniques, etc. are used to diagnose Covid-19 disease. The real-time polymerase chain reaction test (RT-PCR) is considered the gold standard and is widely used. When diagnosing by laboratory tests, the workload increases due to the density of parameters, which makes diagnosis difficult in this case. Therefore, at the stage of diagnosis to specialists, an additional decision support mechanism is required. In this work, the system for assisting experts in decision making in the case of Covid-19 disease was developed using machine learning algorithms. Machine learning plays a supporting role for experts in many fields thanks to its wide range of applications. Some commonly used machine learning algorithms include the K-nearest Neighbor algorithm, support vector machines, decision trees, and artificial neural networks. To avoid problems arising from the redundancy of parameters, the number of parameters was reduced to an optimum by using feature selection methods in conjunction with machine learning algorithms. In this case, the specialists are relieved in the diagnosis phase with lower costs. The study analyzed the effectiveness of each parameter in diagnosing Covid-19 disease using 13 different feature selection methods for biochemical parameters. A total of 221 patient data consisting of 16 characteristics were used in the study, including 100 negative and 121 positive from Elazığ Fethi Sekin City Hospital. The number of parameters was reduced by using attribute selection methods and the classification process was performed. As a result of the study, it was found that the newly obtained feature set from the process performed with all features was successful. The 5 features obtained by feature selection methods gave the best performance for Artificial Neural Networks by feature selection method with Adaptive Structural Learning with an accuracy rate of 91.3%. It is expected that the study will help clinicians in clinical trials and provide information on the studies to be conducted. Keywords: Covid-19, Machine Learning, Feature Selection, Classification