Kronik böbrek yetmezliği (KBY) tanısında farklı makine öğrenimi yöntemlerinin karşılaştırılması

Kronik Böbrek Yetmezliği (KBY), hastaların fiziksel durumunu ve sosyal yaşamını olumsuz etkileyen önemli bir sağlık sorunudur ve makine öğrenimi alanındaki çalışmalar, nefroloji alanında karar vericilere destek olacak önemli sonuçlar vermektedir. Bu çalışmada, KBY hastalığının tanısı için makine öğrenimi yöntemleri ile farklı tahmin modelleri oluşturulması ve bu tahmin modellerinin performanslarının karşılaştırması ve değerlendirilmesi amaçlanmaktadır. Ondokuz Mayıs Üniversitesi Tıp Fakültesi Nefroloji Anabilim Dalına 2015-2021 yılları arasında başvuran hasta bilgilerinin kullanıldığı veri setinde 9.136 hastaya ilişkin 22 farklı değişken kullanılmıştır. Bu çalışmada, tek sınıf, Naive Bayes, lojistik regresyon, karar ağaçları, rastgele orman, en yakın k-komşu ve destek vektör makinesi algoritmaları için veri seti, WEKA yazılımı tarafından analiz edilen %50 ile %90 arasında değişen eğitim veri setlerine bölünmüştür ve tahmin modelleri oluşturulmuştur. Bu modellerin başarı oranları doğruluk oranı, hata oranı, kesinlik, duyarlılık, seçicilik, F ölçümü ve Matthews korelasyon katsayısı ölçütleri kullanılarak karşılaştırılmıştır. Veri setinde 9.136 hastanın %54,28'nde KBY hastalığı bulunuyorken %45,72'nde bu hastalık bulunmamaktadır. Veri setinin tümü ile oluşturulan tahmin modellerinde en iyi performansı; doğruluk oranı için %97,1 ile rastgele orman ve en yakın k-komşu algoritmaları ile elde edilmiştir. Veri setinin, eğitim veri seti ve test veri seti olarak %50-90 arasında ayrıldığı tahmin modellerinin tümünde ise en iyi performansı; doğruluk oranı için lojistik regresyon algoritması göstermiştir. Diğer performans ölçütleri için rastgele orman ve destek vektör makineleri algoritmalarının incelenen diğer algoritmalardan daha başarılı olduğu gözlemlenmiştir. Ayrıca işlem karakteristik eğrisi analizi sonucunda hasta yaşı değişkeni için kesim noktası olarak 54,5 değeri belirlenmiştir. KBY tanısında kullanılan farklı makine öğrenimi yöntemlerinin, veri setinin farklı oranlarda eğitim ve test veri setlerine ayrılmasıyla ortaya çıkan sonuçları değerlendirilmiştir. Bu değerlendirmeler sonucunda %60-80 aralığında eğitim verisi, %20-40 aralığında ise test veri setinin kullanılmasının uygun olduğu ve farklı büyüklükteki veri setlerine uygulanan algoritmalar için farklı performans ölçütlerindeki başarı oranlarının değişiklik gösterdiği görülmüştür.