Medikal Sentetik Veri Üretimiyle Veri Dengelemesi
- 30 June 2022
- journal article
- research article
- Published by Journal of Statistics and Applied Sciences in İstatistik ve Uygulamalı Bilimler Dergisi
- No. 5,p. 17-27
Abstract
Sağlık hizmetleri planlaması, klinik deneyler ve araştırma geliştirme çalışmaları gibi sağlık verisi kullanımını gerektiren alanlarda, kişisel sağlık verisinin elde edilmesi ve kullanımında etik, bürokratik ve operasyonel zorluklar yaşanmaktadır. Elektronik kişisel sağlık kayıtlarının güvenliği ve kişisel veri mahremiyeti konularındaki kısıtlamalar başta olmak üzere, klinik ve saha çalışmalarından veri elde edilmesinin maliyetli ve zaman alıcı olması, gerçek veriye en yakın şekilde yapay veri üretilmesini gerekli kılmaktadır. Bu çalışmada, son dönemde sağlık alanında artan veri kullanımı ihtiyacı doğrultusunda, sentetik veri kullanımının önemi ele alınarak, sentetik veri üretiminde kullanılan SMOTE, SMOTEENN, BorderlineSMOTE, SMOTETomek ve ADASYN yöntemlerinin performanslarının karşılaştırılması amaçlanmıştır. Çalışmada, gözlem ve sınıf sayısı birbirinden farklı ve ikisi de kamuya açık, 390 hastaya ait 15 değişkenden oluşan veri seti ile 19.212 COVID-19 hastasına ilişkin 16 değişkenden oluşan veri seti kullanılmıştır. Çalışma sonucunda SMOTE tekniğinin gözlem ve sınıf sayısının fazla olduğu veri setini dengelemede daha başarılı olduğu ve sentetik veri üretiminde hibrit tekniklere göre etkin olarak kullanılabileceği sonucuna ulaşılmıştır.Keywords
This publication has 34 references indexed in Scilit:
- GAN-based synthetic medical image augmentation for increased CNN performance in liver lesion classificationNeurocomputing, 2018
- Virtual Patient Model: An Approach for Generating Synthetic Healthcare Time Series Data2018
- Medical imbalanced data classificationAdvances in Science, Technology and Engineering Systems Journal, 2017
- COCOA: A Synthetic Data Generator for Testing Anonymization Techniques2016
- Effective prediction of three common diseases by combining SMOTE with Tomek links technique for imbalanced medical data2016
- Anatomical Landmark Detection in Medical Applications Driven by Synthetic Data2015
- Approach and Method for Generating Realistic Synthetic Electronic Healthcare Records for Secondary Use2014
- Imbalanced Data Learning Approaches ReviewInternational Journal of Data Mining & Knowledge Management Process, 2013
- Addressing the Class Imbalance Problem in Medical DatasetsInternational Journal of Machine Learning and Computing, 2013
- SMOTE: Synthetic Minority Over-sampling TechniqueJournal of Artificial Intelligence Research, 2002