DENETİMLİ MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE GEBELERDE ANEMİ VE ANEMİ İLE İLİŞKİLİ FAKTÖRLERİN TESPİTİ

Abstract

Gebelik dönemindeki aneminin ciddi seviyelerde seyretmesi, anemiye etki eden sosyodemografik özelliklerin saptanmasını ve bu faktörlerle mücadele etmeyi gerektirmektedir. Son yıllarda bu faktörler tespit edilirken makine öğrenmesi ve sınıflandırma algoritmaları kullanıcılara büyük fayda sağlamaktadır. Bu tez çalışmasında denetimli makine öğrenmesi yöntemleri kullanılarak gebelerde anemi ve anemi ile ilişkili faktörlerin tespit edilip bu konuda klinik karar destek sistemi oluşturulması amaçlanmıştır. Hastalarımız Elazığ il merkezinde yaşayan tüm gebeleri yansıtması açısından aile sağlığı merkezlerine kayıtlı 3228 genel gebe popülasyonundan nüfus büyüklüğüne göre rastgele yaklaşık 489 gebe örneklem olarak alınmıştır. Çalışma sonucu elde edilen verilerden Weka yazılımı kullanılarak, denetimli makine öğrenmesi yöntemleri ile anemi tespiti yapabilecek sınıflandırma modelleri oluşturulmuştur. Kural tabanlı Jrip, OneR ve PART algoritmaları ile anemi tespit sistemi oluşturulmuştur. Bu algoritmaların accuracy, Kappa statistic, mean absolute error, root mean squared error, relative absolute error, root relative squared error, TP rate, FP rate, precision, recall, F-measure, MCC, ROC area ve PRC area başarı metrikleri üç farklı yönteme göre elde edilmiştir. Birinci yöntemde verinin tümü eğitim için kullanılırken ikinci yöntemde veri 5-kat çapraz doğrulama yöntemi kullanılıp üçüncü ve son yöntemde ise veri %70 eğitim seti olarak sonuçlar elde edilmiştir. Çalışmada kullanılan Jrip algoritması %96.36, OneR algoritması %85.45 ve PART algoritması %97.98 doğruluk değerleriyle anemi tespit edilmiştir. Kullanılan değişkenler arasında çay tüketimi ve koyu çay tercihi, gebelik sayısı, ileri anne yaşı ve demir destek tedavisi anemi ile ilişkili en önemli risk faktörleri olarak saptanmıştır. Anahtar kelimeler: Makine Öğrenmesi, Sınıflandırma, AnemiDetermination Of Anemia And Anemia Related Factors İn Pregnant Women With Supervised Machine Learning Methods The severe level of anemia during pregnancy requires the determination of sociodemographic characteristics affecting anemia and combating these factors. While detecting these factors in recent years, machine learning and classification algorithms provide great benefits to users. In this thesis, it is aimed to determine anemia and factors related to anemia in pregnant women by using supervised machine learning methods and to establish a clinical decision support system in this regard. In order to reflect all pregnant women living in Elazig city center, approximately 489 pregnant women were randomly selected from 3228 general pregnant population registered in family health centers according to population size. Using the Weka software from the data obtained as a result of the study, classification models that can detect anemia with supervised machine learning methods were created. Anemia detection system was created with rule-based Jrip, OneR and PART algorithms. The success metrics of these algorithms are accuracy, Kappa statistic, mean absolute error, root mean squared error, relative absolute error, root relative squared error, TP rate, FP rate, precision, recall, F-measure, MCC, ROC area and PRC area obtained according to the method. In the first method, all of the data was used for training, while in the second method, 5-fold cross-validation method was used, and in the third and last method, 70% of the data was obtained as a training set. Anemia was detected with accuracy values of 96.36% for Jrip algorithm, 85.45% for OneR algorithm and 97.98% for PART algorithm used in the study. Among the variables used, tea consumption and dark tea preference, number of pregnancies, advanced maternal age and iron supplementation were found to be the most important risk factors associated with anemia. Keywords: Machine Learning, Classification, Anemia