Derin öğrenme yaklaşımı ile sigara bırakma tedavisinin belirlenmesi için karar destek sisteminin geliştirilmesi

Dünya Sağlık Örgütü (DSÖ), sigara bağımlılığının dünyada en yaygın bağımlılık olduğunu ve her yıl 6 milyon kişinin sigara kullanımına bağlı hastalıklardan hayatını kaybettiğini bildirmiştir. Dünyada ve ülkemizde sigara bırakma oranları çok düşüktür ve kişiye göre farklılık göstermektedir. Bunun için de doktorlar, hastalar için uygun tedavi yöntemini belirlerken bireysel farklılıkları dikkate alan tedavi planları yapmalıdır. Bu çalışma, tedavide uzmana yardımcı olmak için bilgisayarlı klinik karar destek sistemlerini ve hasta özelliklerine göre kişiselleştirilmiş hasta önerileri sağlayan kişiselleştirilmiş bir sağlık bakım sistemini tanıtmaktadır. Çalışmaya Trabzon Farabi Hastanesi Göğüs Hastalıkları Anabilim Dalı Sigara Bırakma Polikliniğine 2015-2020 yılları arasında başvuran 383 hasta dahil edildi. Bu hastalardan elde edilen veriler kullanılarak sigara bırakma başarısını etkileyen faktörler IBM SPSS23 ve R paket programı kullanılarak analiz edildi. Lojistik regresyon geriye doğru eliminasyon yöntemi kullanılarak 383 hastadan elde edilen faktörlerden sigara bırakma başarısında etkili olduğu ortaya çıkan 12 faktör tespit edildi. Son yıllarda gelişmekte olan derin öğrenme yöntemi, tıbbi verilerin analiz edilmesinde ve hastalıkların teşhisinde kullanılmaktadır. Bu amaçla bu tez çalışmasında, bireysel farklılıklara göre sigara içenlerin sigara bırakma oranlarını tahmin edebilen derin bir öğrenme modeli oluşturulmuştur. Derin öğrenme yaklaşımının bir yöntemi olan konvolüsyonel sinir ağı (CNN) tabanlı karar destek sistemi, 1000 örneklem 12 faktörden oluşan bir veri seti kullanılarak Google Colaboratory platformunda geliştirilmiştir. Bu veri setinde verilerin %80'i eğitim ve %20'si test verisi olarak rastgele bölünen CNN ağında %79'luk başarı yüzdesi elde edilmiştir. 200 test verisi üzerinde geliştirilen en iyi CNN modeli için %64 duyarlılık, %88 özgüllük ve %79 doğruluk değerleri elde edilmiştir. CNN'nin yöntemi 7 farklı makine sınıflandırıcıları (RF, DT, NB, SVM, LR, KNN ve MLP) ile karşılaştırılmıştır. CNN yönteminin %79 doğrulukla diğer makine sınıflandırıcıları üzerinde etkili olduğu kanıtlanmıştır. Bu uzman sistem sayesinde sigara bırakma polikliniğine başvuran hastalarda sigara bırakma oranları sınıflandırılmıştır.