COVID-19 tanısında biyokimya parametre baskınlığının makine öğrenimi yöntemleri kullanılarak belirlenmesi

Covid-19 2020 yılında ortaya çıkan ve kısa sürede hızla yayılım göstererek pandemi haline gelen hastalıktır. Öksürük, nefes darlığı vb. belirtiler ile ortaya çıkan bu hastalık zaman içerisinde etkinliğini artırarak ölümcül bir hastalık haline gelmiştir. Bu sebeple Covid-19 hastalığının erken teşhisi önem arz etmektedir. Covid-19 hastalığının teşhisi için laboratuvar testleri, görüntüleme teknikleri vb. birçok farklı yöntem kullanılmaktadır. Gerçek zamanlı polimeraz zincir reaksiyonu (RT-PCR) testi altın standart olarak kabul edilmekte ve yaygın olarak kullanılmaktadır. Laboratuvar testleri kullanılarak gerçekleştirilen tanı işleminde parametre yoğunluğundan doğacak iş yükü artmakta, bu durumda tanıyı zorlaştırmaktadır. Bu nedenle uzmanlara tanı aşamasında yardımcı bir karar destek mekanizmasına ihtiyaç vardır. Bu tez çalışmasında uzmanlara, Covid-19 hastalığının karar verme aşamasında destek olacak sistem makine öğrenimi algoritmaları ile tasarlanmıştır. Makine öğrenimi geniş kullanım alanı sayesinde birçok alanda uzmanlara destekleyici rol oynamaktadır. Sıklıkla kullanılan bazı makine öğrenimi algoritmaları Ken Yakın Komşu Algoritması, Destek Vektör Makineleri, Karar Ağaçları ve Yapay Sinir Ağlarıdır. Parametre fazlalığından doğacak sorunları önlemek amacıyla özellik seçim yöntemleri makine öğrenim algoritmaları ile birlikte kullanılarak parametre sayısını optimuma indirgenmiştir. Bu durumda daha az maliyetle uzmanlara teşhis aşamasında kolaylık sağlamaktadır. Çalışmada biyokimya parametreleri üzerinde, 13 farklı özellik seçim yöntemi kullanarak her bir parametrenin Covid-19 hastalığını tanısındaki etkinliği analiz edilmiştir. Çalışma kapsamında, Elazığ Fethi Sekin Şehir Hastanesinden elde edilen 100 negatif ve 121 pozitif olmak üzere toplamda 16 özellikten oluşan 221 hasta verisi kullanılmıştır. Öznitelik seçme yöntemleri kullanılarak parametre sayısı azaltılmış ve sınıflandırma işlemi gerçekleştirilmiştir. Çalışma sonucunda elde edilen yeni özellik kümesinin tüm özellikler ile gerçekleştirilen işlemden başarılı olduğu gözlemlenmiştir. Özellik seçim yöntemleriyle elde edilen 5 özellik, %91.3 doğruluk oranında Uyarlanabilir Yapısal Öğrenme İle Özellik Seçimi yöntemiyle Yapay Sinir Ağları için en iyi performansı vermiştir. Çalışmanın klinik çalışmalarda hekimlere yardımcı olacağı ve yapılacak çalışmalara ışık tutacağı düşünülmektedir. Anahtar Kelimeler: Covid-19, Makine Öğrenimi, Özellik Seçimi, Sınıflandırma