Makine Öğrenimi Yöntemleri ile Bireylerin Kronik Hastalık Durumlarının Sınıflandırılması: Türkiye İstatistik Kurumu’nun 2023 Gelir ve Yaşam Koşulları Araştırması Üzerine Bir Uygulama

Abstract

Kronik hastalıkların artan prevalansı (görülme sıklığı) ve bunların bireylerin yaşam kalitesi üzerindeki olumsuz etkileri, kamu sağlığı alanında öncelikli meseleler arasında yer almaktadır. Bu hastalıkların erken teşhis ve yönetimi, sağlık hizmetlerine erişimdeki eşitsizlikler ve sosyoekonomik faktörlerle karmaşıklaşan bir süreçtir. Bu bağlamda, makine öğrenimi yöntemleri, büyük ve karmaşık veri kümelerinden bilgi çıkararak tahminlerde bulunma konusunda önemli bir potansiyel sunmaktadır. Özellikle TabNet yöntemi, güçlü tahmin yetenekleri ve karmaşık ilişkileri modelleme kapasitesi ile dikkat çekmektedir. Bu çalışma, Türkiye İstatistik Kurumu’nun 2023 Gelir ve Yaşam Koşulları Araştırması verilerini kullanarak, Yapay Sinir Ağları (YSA), Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), Destek Vektör Makinesi (DVM), Rastgele Orman, Gradient Boosting ve TabNet gibi yöntemler ile bireylerin kronik hastalık durumlarının sınıflandırılmasını amaçlamaktadır. Bulgular, sağlık hizmetlerine genel erişimin iyi olduğunu, ancak bazı kesimlerin hala erişimde zorluklar yaşadığını; kronik hastalıkların genel sağlık durumu ve istihdam gibi faktörlerle güçlü bir ilişkisi olduğunu ve TabNet yönteminin yüksek doğruluk, kesinlik ve duyarlılık gibi performans metrikleri ile etkili bir sınıflandırma yapabildiğini ortaya koymuştur. Sonuç olarak model, %97 genel doğruluk oranı ile kronik hastalık durumunu başarıyla sınıflandırmıştır. Bu çalışma, sağlık politikalarının geliştirilmesi ve sektörel analizler için stratejik kararlar alınmasında kullanılabilecek değerli bilgiler sunmakta ve makine öğrenimi yöntemlerinin, özellikle TabNet tekniğinin, sağlık verileri analizinde etkin bir şekilde kullanılmasının önemini vurgulamaktadır.