Sağlık alanında gradyan temelli makine öğrenmesi yöntemleri ile triaj belirleme

Bu tez çalışmasında, makine öğrenimi algoritmalarının hastanın şikayetine göre ilgili branş hekimine yönlendirme süreçlerinde karar destek sistemlerine entegrasyonu incelenmiş ve hasta verilerini kullanarak hastaların hastane girişinde doğru bölüme yönlendirilmesini sağlayacak bir model geliştirilmiştir. Çalışmada, Özel Türkiye Hastanesi'nden elde edilen yaklaşık bir milyon anonimleştirilmiş hasta kaydı analiz edilmiştir. Araştırma kapsamında Naive Bayes, Destek Vektör Makineleri, Yapay Sinir Ağları, Rastgele Orman, AdaBoost, Gradient Boosting, CatBoost, LightGBM ve XGBoost gibi çeşitli makine öğrenimi algoritmaları kullanılmış ve bu algoritmaların performansları karşılaştırılmıştır. Elde edilen sonuçlar, XGBoost algoritmasının %97 doğruluk oranı ile en yüksek performansı gösterdiğini ortaya koymuştur. Bu bulgu, XGBoost algoritması ile elde edilen modelin sağlık hizmetlerinde hastanın doğru bölüme karar vermesi hususunda oldukça etkili bir karar destek modeli olabileceğini göstermektedir. Veri işleme sürecinde, hasta şikayetleri gibi metin verileri TF-IDF yöntemleriyle sayısal forma dönüştürülmüş. Modelin başarısı, doğruluk metriği ile değerlendirilmiş ve sınıf bazında performans karışıklık matrisi kullanılarak incelenmiştir. Çalışmanın sonuçları, triaj süreçlerinin otomatikleştirilmesi ve sağlık profesyonellerine destek sağlanması açısından önemli bir potansiyel ortaya koyduğu görülmüştür. Bu çalışma, yapay zekâ ve makine öğrenimi teknolojilerinin sağlık hizmetlerinde karar destek sistemleri olarak nasıl kullanılabileceğini göstermekte ve bu alandaki literatüre katkı sağlamayı amaçlamaktadır.