Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması

Bu tez çalışması, diyabet hastalığının erken teşhisine yönelik olarak çağdaş veri bilimi yöntemleri, istatistiksel ön işleme teknikleri, makine öğrenmesi algoritmaları, sentetik veri üretim sistemleri, belirsizlik tabanlı matematiksel analiz yaklaşımları ve gerçek zamanlı veri akış teknolojilerinin bir araya getirilmesiyle oluşturulan bütüncül bir karar destek sistemi geliştirilmesini amaçlamaktadır. Diyabet, küresel ölçekte hem yaygınlığı hem de yol açtığı uzun vadeli sağlık komplikasyonları nedeniyle günümüz tıbbının en kritik kronik hastalıklarından biridir. Hastalığın erken dönemde yüksek doğrulukla tespit edilmesi, ilerleyen dönemlerde ortaya çıkabilecek kardiyovasküler, nörolojik ve metabolik komplikasyonların önlenmesi açısından büyük önem taşımaktadır. Bu nedenle modern tıpta veri temelli karar destek mekanizmaları gün geçtikçe daha önemli hâle gelmektedir. Bu tez, yalnızca bir makine öğrenmesi modeli oluşturmakla kalmayıp, verinin toplanma anından analiz edilmesine ve sonuçların kullanıcıya gerçek zamanlı olarak sunulmasına kadar uzanan tüm süreci kapsayan çok katmanlı bir mimari ortaya koymaktadır. Böylece klasik sınıflandırma yaklaşımlarının ötesinde, gerçek zamanlı ve klinik olarak uygulanabilir bir çözüm hedeflenmiştir. Tez kapsamında kullanılan Pima Indians Diabetes veri seti, tıbbi veri setlerinde yaygın olarak görülen eksik veri, dengesiz sınıf yapısı ve ölçüm hataları gibi temel problemleri içerdiği için çalışmanın başlangıç noktası olmuştur. Veri setinde bazı fizyolojik ölçümlerin sıfır değer içerdiği tespit edilmiş; glikoz, insülin veya cilt kalınlığı gibi değerlerin sıfır olmasının biyolojik olarak mümkün olmaması nedeniyle bu veriler eksik veya hatalı veri olarak değerlendirilmiştir. Bu nedenle sistematik bir veri ön işleme süreci yürütülmüştür, aykırı değerlerin belirlenmesi için IQR (Interquartile Range) yöntemi kullanılmış ve dağılımı bozan uç değerler gerektiği şekilde düzeltilmiştir. Bu işlemler sonucunda veri setinin istatistiksel bütünlüğü artırılmış ve makine öğrenmesi modellerinin daha doğru bir temelde eğitilmesi mümkün hâle gelmiştir. Veri setinin önemli problemlerinden biri olan sınıf dengesizliği ise SMOTE (Synthetic Minority Over-sampling Technique) algoritması ile giderilmiştir. Pozitif sınıfın düşük temsili, modellerin negatif sınıfa eğilim göstermesine neden olduğundan SMOTE aracılığıyla azınlık sınıfı veri uzayı içinde artırılmış ve dengeli bir eğitim kümesi oluşturulmuştur. Ayrıca veri setinin genişletilmesi amacıyla CTGAN (Conditional Tabular GAN) yöntemi uygulanmış ve veri seti 2000 gözleme çıkarılmıştır. CTGAN'ın karmaşık dağılımları öğrenebilme kapasitesi sayesinde sentetik verilerin özgün veri setiyle tutarlı bir yapıda üretildiği görülmüş, bu durum modelin genelleme becerisini artıran önemli bir faktör olmuştur. Bu aşamalar, çalışmanın sonraki bölümleri için güçlü bir veri tabanı oluşturmuştur. Veri önişleme sürecinin başarıyla tamamlanmasının ardından, tez çalışmasının ikinci önemli bileşenini oluşturan belirsizlik analizi aşamasına geçilmiştir. Bu kapsamda, Kaba Kümeleme Teorisi (Rough Set Theory – RST) kullanılarak veri kümesi üzerinde açıklanabilirlik temelli bir bilgi çıkarımı yapılmıştır. RST, özellikle kategorik veriler üzerinde çalışmaya uygun olan ve belirsizlik içeren veri kümelerinde hem indirgeme işlemleri hem de karar kuralları üretme kapasitesi ile bilinen güçlü bir matematiksel yöntemdir. Bu nedenle veri setindeki sürekli değişkenler klinik açıdan anlamlı aralıklara bölünerek kategorik forma dönüştürülmüştür. Kategorik dönüşümün ardından C# dili ile özel olarak geliştirilen RST yazılımı kullanılmış; reduct, core, pozitif bölge ve karar kuralları hesaplanmıştır. Bu analizler sonucunda hiçbir özniteliğin tamamen gereksiz olmadığı, tüm değişkenlerin diyabet teşhisine belirli düzeyde katkı sağladığı görülmüştür. Reduct sonuçlarının bu biçimde çıkması, diyabetin çok boyutlu yapısını ve tek bir parametre üzerinden açıklanamayacak kadar karmaşık bir hastalık olduğunu ortaya koymaktadır. Ayrıca RST'nin oluşturduğu "Eğer … ise … olur" yapısındaki karar kuralları, makine öğrenmesi modellerinin genellikle eksik bıraktığı açıklanabilirlik ihtiyacına yanıt veren önemli bir çıktı üretmiştir. Bu kurallar, özellikle klinik çalışanların sınıflandırma sonuçlarını daha rahat değerlendirebilmesi açısından önemli bir avantaj sağlamaktadır. Belirsizlik analizi bileşeninden sonra tesis edilen sistemin omurgasını oluşturan çok katmanlı yazılım mimarisine geçilmiştir. Bu mimari, temel olarak üç ana bileşenden oluşmaktadır: (1) C# tabanlı kullanıcı arayüzü, (2) Apache Kafka tabanlı gerçek zamanlı veri iletim sistemi ve (3) Java tabanlı analiz katmanı. Bu mimari yapı, verinin sisteme girişinden analiz sonuçlarının veritabanına kaydedilmesine kadar uzanan süreci tamamen otomatikleştiren bir yaklaşım sunmaktadır. C# tarafında geliştirilen kullanıcı arayüzü, laborantın hastaya ait ölçümleri sisteme girmesi için kullanıcı dostu bir platform sağlamaktadır. Ancak bu arayüz klasik CRUD işlemleriyle veriyi doğrudan veritabanına yazmak yerine, Kafka Producer bileşeni aracılığıyla veriyi Kafka'ya iletmektedir. Kafka, büyük ölçekli veri akışları için tasarlanmış yüksek performanslı bir mesajlaşma platformu olduğundan, sistemin gerçek zamanlı çalışması için kritik bir rol üstlenmektedir. Kafka Producer bileşeni, her yeni hasta verisini JSON formatında Kafka topic'ine iletmekte ve veri akışını başlatmaktadır. Topic yapısı, gelen verilerin sıralı ve tutarlı biçimde işlenmesini sağlar. Java tarafında çalışan Kafka Consumer bileşeni ise bu mesajları anında algılamakta ve analiz sürecini başlatmaktadır. Bu yapı, sistemin olay tetiklemeli (event-driven) olarak çalışmasını mümkün kılmaktadır. Consumer bileşeninin veriyi algılamasıyla birlikte Java tabanlı analiz katmanı devreye girer ve makine öğrenmesi algoritmaları otomatik olarak çalıştırılır. Bu süreç, klasik veri tabanı sorgulamalarından çok daha hızlı ve daha ölçeklenebilir bir mekanizma sunmaktadır. Java tabanlı analiz katmanında yer alan makine öğrenmesi algoritmaları (Naive Bayes, KNN, KNC, Logistic Regression, AdaBoost ve Ensemble), manuel olarak kodlanmış olup gerçek zamanlı veri akışına uyumlu çalışacak şekilde optimize edilmiştir. Bu algoritmaların manuel olarak geliştirilmesi, hem performans üzerinde daha fazla kontrol sağlamış hem de hazır kütüphanelerin getirdiği kısıtlamalardan kaçınılmasına olanak tanımıştır. Bu analiz aşamasında özellikle KNN ve Ensemble modellerinin yüksek doğruluk performansı sergilediği gözlemlenmiştir. Ensemble modeli, farklı algoritmaların güçlü yönlerini bir araya getirerek daha kararlı ve yüksek doğruluklu sonuçlar üretmesi bakımından sistemin en başarılı sınıflandırıcılarından biri olarak öne çıkmıştır. Her yeni veri Kafka üzerinden geldiğinde bu algoritmalar otomatik olarak çalıştırılmış ve tahmin sonuçları elde edilmiştir. Analiz süreci tamamlandığında sonuç MSSQL veritabanına kaydedilmiş ve kullanıcı arayüzü üzerinden anında görüntülenebilir hâle getirilmiştir. Böylece verinin girişinden sonuçların elde edilmesine kadar geçen süreç tamamen otomatik, senkronize ve gerçek zamanlı bir yapıya kavuşmuştur. Bu mimarinin özellikle klinik ortamlarda hızlı karar verme gerektiren senaryolarda önemli avantajlar sunduğu düşünülmektedir. Bu tezde önerilen çok katmanlı ve yüksek performanslı mimari yalnızca tek bir sınıflandırma problemini çözmek için değil, aynı zamanda modern sağlık bilişimi sistemlerinin nasıl kurgulanması gerektiğine yönelik daha geniş bir bakış açısı sunmak amacıyla tasarlanmıştır. Bu mimari, verinin üretildiği noktadan analiz sonuçlarının kullanıcıya iletilmesine kadar geçen sürecin her aşamasını optimize eden bir yapı ortaya koymaktadır. C# tabanlı kullanıcı arayüzünden başlayan veri akışı, gerçek zamanlı veri iletimini mümkün kılan Kafka sistemi üzerinden Java tabanlı analiz katmanına ulaşmakta; analiz tamamlandıktan sonra sonuçlar MSSQL veritabanına kaydedilmekte ve kullanıcıya geri dönmektedir. Bu akış içinde veri, hiçbir aşamada gereksiz şekilde bekletilmemekte veya yavaşlatılmamaktadır. Bu nedenle sistem hem hız hem de güvenilirlik açısından klinik uygulamalara uygun bir yapı sergilemektedir. Analiz katmanında kullanılan makine öğrenmesi algoritmalarının her biri farklı veri davranışlarını modelleme kapasitesine sahiptir. KNN algoritmasının örüntü temelli yaklaşımı, sağlık verilerinin çeşitli alt gruplarını başarılı şekilde ayırt edebilirken; Logistic Regression daha lineer ilişkilerin hâkim olduğu alanlarda dengeli sonuçlar üretebilmektedir. AdaBoost algoritmasının zayıf sınıflandırıcıları birleştirerek daha güçlü bir model oluşturması ise veri setindeki karmaşık bölgelerin daha etkili şekilde çözümlenmesini sağlamaktadır. Ensemble modelinin diğerlerine kıyasla daha başarılı performans sergilemesinin temel nedeni, birden fazla algoritmanın güçlü yönlerini harmanlayarak daha kararlı bir tahmin gücü sunmasıdır. Bu durum, özellikle sağlık verilerinin heterojen yapısıyla uyumludur; çünkü sağlık verileri çoğu zaman tek bir modelin açıklamakta zorlanacağı karmaşık ilişkiler içerir. RST'nin sunduğu karar kuralları, makine öğrenmesi algoritmalarının genellikle eksik kaldığı açıklanabilirlik konusuna önemli bir katkı sağlamıştır. RST ile üretilen kurallar, veri setindeki hangi kategori kombinasyonlarının diyabet riskini artırdığını açık biçimde göstermektedir. Örneğin belirli BMI değerleri, belirli glikoz aralıkları veya belirli yaş sınıfları birlikte değerlendirildiğinde yüksek riskin ortaya çıktığı görülebilmektedir. Bu tür kurallar, modelin neden belirli bir sonucu ürettiğini açıklamak açısından değerlidir ve klinik karar desteği süreçlerinde hem şeffaflığı hem de kullanıcı güvenini artıran bir unsur olarak öne çıkmaktadır. Gerçek zamanlı uçtan uca bu sistemin güçlü yönlerinden biri, laborant tarafından girilen tüm verilerin analiz sürecinde herhangi bir manuel müdahale gerektirmeden işlenmesidir. Kafka tabanlı olay tetiklemeli yapı sayesinde sistem, veri girişi yapıldığı anda analiz sürecini başlatmakta, kullanıcıyı bekletmeden sonuç üretmekte ve bu sonuçları veritabanına kaydederek kullanıcıya sunmaktadır. Bu yapı, özellikle yoğun klinik ortamlarda zamandan tasarruf sağlamakta ve insan hatasını en aza indirmektedir. Ayrıca sistemin modüler yapısı, yeni algoritmaların kolayca eklenmesine, iş akışının genişletilmesine ve veritabanı şemasının ihtiyaçlara göre güncellenmesine olanak tanımaktadır. Bu nedenle geliştirilen sistem yalnızca diyabet teşhisine yönelik bir araç değil, aynı zamanda farklı hastalık türleri için uyarlanabilir bir platform niteliği taşımaktadır. Sonuç olarak bu tez çalışması, diyabet teşhisinin doğruluk, hız, açıklanabilirlik ve gerçek zamanlı veri işleme kapasitesi açısından modern bir yaklaşım sunmaktadır. Geliştirilen mimari, veri önişleme süreçlerinden sentetik veri üretimine, belirsizlik analizi yöntemlerinden gerçek zamanlı makine öğrenmesine kadar pek çok teknolojiyi tek bir çatı altında birleştirmekte ve uçtan uca bir çözüm üretmektedir. Bu yapı, sağlık bilişimi alanında gelecekte geliştirilecek sistemler için hem güçlü bir referans hem de potansiyeli yüksek bir başlangıç noktası oluşturmaktadır. Sistem, özellikle sağlık kuruluşlarında hızlı risk değerlendirmesi gerektiren durumlarda kullanılabilecek pratik bir karar destek mekanizması sunmakta ve klinik personelin daha doğru ve zamanında kararlar almasına yardımcı olmaktadır.