K En Yakın Komşu Makine Öğrenme Algoritmasına Dayalı Diabetes Mellitus Tahmini
Open Access
- 30 December 2024
- journal article
- Published by Bulent Evcevit University in Turkish Journal of Diabetes and Obesity
- Vol. 8 (3) , 265-276
Abstract
Amaç: Çalışmamızın amacı dünya çapında giderek artan ve önemli bir halk sağlığı sorunu hâline gelen diabetes mellitus hastalığının makine öğrenme yöntemi ile tahmin edilmesidir. Gereç ve Yöntemler: Çalışmada diabetes mellitus sağlık göstergelerini içeren ve kaggle veri tabanından elde edilen 253.680 örnek hacmine sahip veri kayıtları kullanılmıştır. K en yakın komşu yöntemi ile hastaların diabetes mellitus durumları makine öğrenme yaklaşımıyla tahmin edilmeye çalışılmıştır. Tüm işlemler R programı ile gerçekleştirilmiştir. Bulgular: Kişilerin yaklaşık %15,8’i preDM ya da diabetes mellitus tanılıdır, %42,9’unde yüksek tansiyon, %42,4’ünde yüksek kolesterol bulunmaktadır. Sigara içenlerin oranı %44,3, ağır alkol tüketenlerin oranı ise %5,6’dır. Kalp hastalığı/krizi geçirenleri oranı ise %9,4, yürüyüşte zorluk çektiğini bildirenlerin oranı ise %16,8’dir. Fiziksel aktivitesi bulunmayanların oranı %24,4’tür. Diabetes mellitus tanısı olmayanların BMI ortalaması 27,74±6,26 iken diyabet hastası olanların BMI ortalaması 31,94±7,36 olarak bulunmuştur. K en yakın komşu yöntemi ile yapılan uygulamada diabetes mellitus tahmini en iyi eğitim ve test verisinin %90,0-%10,0 olarak ayrıldığı ve K komşuluk değerinin 3 (üç) alındığı durumda elde edilmiştir. İlgili belirteçler kullanılarak %97,2 doğruluk ve %88,9 kappa başarı değeri ile diabetes mellitus hastalığına sahip kişiler doğru tahmin edilebilmiştir. Sonuç: Makine öğrenme yöntemlerinin son yıllarda birçok alanda kullanımının yaygınlaştığı ve başarılı sonuçlar verdiği literatürde bildirilmektedir. Bu araştırmada da makine öğrenme yaklaşımıyla diabetes mellitus tahmininin yüksek başarı oranı ile gerçekleştirildiği uygulamalı olarak gösterilmiştir. Diabetes mellitus hastalığının sessiz ve artan sayıda ilerlediği bilindiğinden erken tanı hayati öneme sahiptir. K en yakın komşu yönteminin kolay uygulanabilirliği ve yüksek sınıflama performansı gibi avantajlarından dolayı diabetes mellitus hastalığının erken tanı ve tedavisi için sağlık hizmeti sağlayıcıları tarafından kullanılması önerilmektedir.Keywords
This publication has 21 references indexed in Scilit:
- A stacked ensemble machine learning approach for the prediction of diabetesJournal of Diabetes & Metabolic Disorders, 2023
- Prediction of Diabetes at Early Stage using Interpretable Machine Learning2023
- Exploring bias and fairness in artificial intelligence and machine learning algorithms2022
- Early Stage Diabetes Prediction via Extreme Learning Machine2022
- Early Stage Diabetes Risk Prediction via Machine Learning2022
- Prediction of Diabetes Empowered With Fused Machine LearningIEEE Access, 2022
- The Prediction of Diabetes Development: A Machine Learning Framework2020
- The Kappa Statistic in Reliability Studies: Use, Interpretation, and Sample Size RequirementsPhysical Therapy, 2005
- Selecting and interpreting measures of thematic classification accuracyRemote Sensing of Environment, 1997
- Basic principles of ROC analysisSeminars in Nuclear Medicine, 1978