SOSYAL AĞ MODELLEME KULLANILARAK TIBBİ VERİ AĞINDA BAĞLANTI TAHMİNİ YÖNTEMLERİ

Abstract

Son yıllarda sağlık hizmetlerine sosyal ağ analizi ve yöntemlerinin uygulanmasına yönelik artan bir ilginin olduğuna şahit olunmaktadır. Bağlantı tahmini, sosyal ağ analizi ile ele alınan önemli bir problemdir. Birçok farklı alan için bağlantı tahmini, anlaşılması doğrudan zor veya pahalı muhtemel ilişkileri tanımlamak veya gelecek davranışı tahmin etmek için kullanılır. Bu alanlardan biri, tıbbi bakım araştırma alanıyla ilgili olanıdır. Tıbbi bakım alanının hastalık ve riskinin başlangıcını tanımlamada duyarlı olmaktan ziyade, daha ileriye yönelik olmaya ihtiyacı vardır. Şu anda doktorlar, hastanın sağlık aşamasının daha ileriye yönelik tespiti için, laboratuvar sonuçlarını kullanırlar. Fakat böyle bir tespit, sadece bir kaç tıbbi parametreye (hastalık belirtisi) odaklanma veya doktorun tecrübe, hafıza veya zamanıyla bağlantılı olma dezavantajlarını içerir. Bundan dolayı, mevcut tıbbi gelişme ileriye dönük değildir ve bir hastalığı en erken safhada işaretleriyle ele alma veya yok etmede yeterli değildir. Yukarıda bahsedilen problemlere bir çare olarak, bu tezde bireylerin hastalığa yakalanma riskinin önceden belirlenmesi ve hastalığın en erken işaretlerinde doğru hareketler yapılması için sosyal ağ ile modellemeden faydalanılan bazı yöntemler geliştirilmiştir. Bu maksatla öncelikle, hastalığın anormal parametreleri arasındaki ilişkileri gösteren ağırlıklandırılmış bir tıbbı veri ağı oluşturulacaktır. Daha sonra farklı tür laboratuvarda elde edilen sonuçlar toplanarak, herhangi bir hastalığa neden olabilecek bütün parametreler arasındaki ilişkileri tanımlamak için oluşturan tıbbi veri ağının gelişimine dayalı denetimli ve denetimsiz bağlantı tahmin yöntemleri önerilmiştir. En son olarak, 210.000'den daha fazla hastanın laboratuvar sonuçlarıyla oluşturulan tıbbi veri ağı üzerinden önerilen yöntemler test edilmiştir. Tezin sonraki bölümünde ise bu defa hastalıkları doğrudan ele alan bir hastalık ağı oluşturulmuştur. Yaşa göre gruplandırılmış ağ serilerinden, belirli yaş aralıklarında kişilerin hastalığa yakalanma riski yine bağlantı tahmini yöntemiyle elde edilmeye çalışılmıştır. Uygulama sonuçları, denetimli ve denetimsiz bağlantı tahmini adı altında sunduğumuz her iki yöntemin de doğruluğunu ve gelecek hastalık riskleri yakalamadaki başarısını gösterir.In the last few years we are witnessing to an increasing interest in the application of social network analysis and methods to health care information and management systems. Link prediction is an important task treated by social network analysis. For many different areas, link prediction can be used to expect future behavior or to recognize likely relationships that are hard or expensive to understand directly. One of these areas is related to medical care research area. Medical care area needs to become more proactive than reactive in recognizing the onset of disease and risk. Currently, physicians use laboratory results to further determine the patient's stage of health. However, there is some disadvantages such as generally to focus on only a few medical parameters (symptoms) and to linked by a particular doctor's experience, memory, and time. Therefore, current medical care is not proactive and is not enough treating or eliminating a disease at the earliest signs. As a remedy to the above mentioned problems, in this thesis, we propose a predictor to determine the risk of individuals to develop disease, and to undertake the correct actions at the earliest signs of illness. To this purpose, we first construct a weighted medical data network which indicates the relationships between abnormal parameters of disease. Then, we propose supervised and unsupervised link prediction methods based on the evolution of the constructed medical data network in order to identify the relations between all the parameters which can cause any disease, gathering the results obtained at several laboratories. Finally, we test the proposed method on the medical data network constructed with laboratory results of patients more than 210,000. In the next section of the thesis, a disease network considering the relations between diseases is proposed. Then, we present two link prediction methods based on supervised and unsupervised strategies to identify the connections between diseases, building the evolving structure of medical data network with respect to patients' ages. Experiments on a real network demonstrate that the proposed approach can reveal new abnormal parameter and disease correlations accurately and perform well at capturing future disease risks.