Lojistik regresyon analizi ile elde edilen beta katsayısına, odds oranına ve makine öğrenme algoritmaları ile elde edilen ağırlıklandırılmış skorlara dayalı klinik tahmin modellerinin başarılarının karşılaştırılması

Klinik tahmin modelleri, yaş, cinsiyet ve biyobelirteçler gibi tahmin edici sayısının birden fazla olduğu durumlarda prognostik veya risk faktörlerini kullanarak bir birey için gelecekteki bir olayın veya hastalığın riskini tahmin etmek amacıyla yaygın olarak kullanılmaktadır Literatürde klinik tahmin modellerinin oluşturulmasında yaygın olarak β katsayıları, odds oranları ve bunların tamsayıya yuvarlanmış skorları kullanılmaktadır Bazı çalışmalarda makine öğrenme algoritmaları ile ağırlıklandırılmış skorlar da kullanılmaktadır. Ancak klinik tahmin modellerinde hangi skorlama sisteminin kullanılmasının daha iyi sonuç vereceği hakkında bir fikir birliği bulunmamaktadır. Bu tez çalışmasında lojistik regresyondan elde edilen β katsayıları, odds oranları, bu değerlerin tamsayıya dönüştürülmesi ile elde edilen skorlar ve makine öğrenme algoritmaları (rastgele orman, destek vektör makineleri vb.) ile ağırlıklandırılarak elde edilen skorlar aracılığıyla farklı senaryolar kullanılarak oluşturulan tahmin modellerinin performanslarının değerlendirilmesi ve en iyi tahmin modelinin oluşturulması amaçlanmıştır. Çalışmamızda iki düzeyli sonuç değişkene sahip klinik tahmin modellerinde risk faktörlerinin skor değerlerini belirlemek için benzetim ile üretilen veri seti ve gerçek veri seti kullanılarak lojistik regresyon analizi gerçekleştirilmiştir. Çalışmada farklı senaryolar için benzetim yöntemi kullanılmıştır. Hangi senaryoda hangi klinik tahmin modelinin daha başarılı olduğu sonucuna ulaşılmıştır. Gerçek veri setinde pediatri alanında 522 çocuktan toplanan kapsamlı bir veri seti ile benzetim çalışmasında kullanılan tüm yöntemler ile malnütrisyon durumunu tahmin eden klinik tahmin modeli geliştirildi. Model performanslarını karşılaştırmak için duyarlılık, seçicilik, PTD, NTD, doğruluk, F1 skorları, AUC ve MCC değerleri hesaplandı. Araştırma bulgularımız birlikte değerlendirildiğinde çalışmamızda öncelikle doğrudan makine öğrenme algoritmaları ile sınıflama yaparak model kurmak yerine iki düzeyli bir yanıta sahip tanı konulacak klinik tahmin modellerinde lojistik regresyon modeli ile kurulabilecek tüm modelleri farklı senaryolar ile karşılaştırıldı. Ayrıca lojistik regresyona alternatif olarak klinik skorlama için risk faktörlerine modelde verilecek ağırlıkları veya skorları farklı makine öğrenme algoritmaları ile elde edildi ve tüm model sonuçları karşılaştırıldı. Benzetim veri seti ile oluşturulan klinik tahmin modellerinde tüm senaryolar AUC, duyarlılık F1 skorları ve MCC değerleri ile değerlendirildiğinde ağırlıklı olarak en başarılı modellerin lojistik regresyon ile elde edilen beta, odds oranları, diğer algoritmalardan bayesci GDM ve L1(lasso) olduğu aynı zamanda bunları tamsayıya çevrildiğide çok büyük farklılıklar yaratmadığı için kullanım kolaylığından dolayı tam sayılı beta ve tam sayılı odds son model olarak belirlendi ve makine öğrenme algoritmalarından rastgele orman algoritmalarınn sınıflama başarısının en küçük olduğu belirlendi. Malnütrisyon durumunu tahmin eden klinik tahmin modelinde En iyi başarı lojistik regresyon analizi ile beta katsayıları kullanılarak elde edildi. Ancak klinik tahmin modellerinin kullanılabilirlik özelliği düşünülerek ikincil olarak en başarılı model tam sayılı odds oranlarına dayalı olarak geliştirilen klinik tahmin modeli oldu. Bu çalışmada yeni bir yöntem olarak klinik tahmin modellerinde makine öğrenme algoritmaları ile modeli oluşturmak yerine risk faktörleri için verilecek skorların makine öğrenme algoritmaları ile verilebileceğini öneriyoruz. Sonuç olarak, klinik tahmin modellerinin etkili olması, yalnızca iyi bir performans sergilemekle değil, aynı zamanda gerçek dünya koşullarında uygulanabilir, anlaşılabilir, doğru ve genellemeye açık olma özellikleriyle de ilişkilendirilir.