Dengesiz klinik veriler için karar destek önerisi: Akut apandisit örneği

Sağlık alanında karın ağrısı şikâyetiyle hastaneye başvuran hastalarda akut apandisit teşhisin zor tanımlanması sıkça gereksiz akut apandisit ameliyatlarına sebep olmaktadır. Bu çalışmanın amacı karın ağrısıyla hastaneye başvuran hastalarda sınıflandırmaya dayalı makine öğrenmesi algoritmaları aracılığı ile mevcut vakanın ameliyat gerektiren akut apandisit olup olmadığının teşhisini sağlamak ve gereksiz olası ameliyat sürecini önlemektir. Bu amaca yönelik sağlık alanında sıkça karşılaşılan sınıf dengesizliği probleminin sınıflandırma üzerindeki olumsuz etkisini azaltmak için SMOTE, Random Oversampling ve Random Undersampling yöntemleri önerilmiş ve akut apandisit teşhisinin tahmini için Alvarado Skora ait risk faktörlerinden yararlanılmıştır. Bu amaçla Alvarado skoru ile akut apandisit tanısında altın standart olarak kabul edilen histopatolojik rapor sonucu karşılaştırılmıştır. Sınıflandırma algoritmalarından Destek Vektör Makinesi, Rasgele Orman, Yapay Sinir Ağları, Naive Bayes, k-En Yakın Komşu Algoritması ve Lojistik Regresyon kullanılarak farklı sınıflandırma modelleri oluşturulmuştur. Oluşturulan modellerden elde edilen sonuçlar karşılaştırılarak en iyi performans gösteren sınıflandırma yöntemi önerilmiştir. En iyi performansın tespit edildiği Destek Vekör Makinesi algoritması için arayüz oluşturularak hekimlerin karar verme mekanizmasına katkı sunabilecek Karar Destek Sistemi uygulaması geliştirilmiş ve Alvarado skorlarına yeni bir bakış açısı önerilmiştir.