Makine öğrenmesi ile kırılganlık tahmini ve zaman ölçeği etkisi

Yaşlanan dünya nüfusuyla birlikte yaşlı bireylerde kırılganlığın erken aşamada tespit edilmesi, sağlık hizmetlerinin etkinliğini artırmakta ve bireylerin yaşam kalitesinin korunmasında önemli bir rol oynamaktadır. Kırılganlık, fiziksel, bilişsel ve psikolojik işlevlerdeki azalmalarla karakterize edilen bir durum olup, bireylerin bağımsız yaşam kapasitesini sınırlamaktadır. Bu çalışma, Makine Öğrenmesi algoritmalarını kullanarak giyilebilir cihazlardan elde edilen biyofiziksel veriler ile yaşlı bireylerde kırılganlık seviyelerinin belirlenmesi ve tahmin edilmesi üzerine odaklanmaktadır. Literatürdeki çalışmalar daha çok klinik gözlem ve testlere dayanmakta; ancak, giyilebilir cihazlar sayesinde elde edilen veri akışı ile gerçek zamanlı ve daha kapsamlı analizler mümkün olmaktadır. Bu tez kapsamında, ivmeölçer ve EKG sensörlerinden elde edilen veriler XGBoost, KNN, RF, 1D-CNN, MLP ve Naive Bayes gibi algoritmalarla analiz edilerek, kırılganlık tahmini için en uygun model ve zaman ölçeği belirlenmeye çalışılmıştır. Çalışmanın araştırma soruları, biyofiziksel verilerle kırılganlığın doğru tahmin edilip edilemeyeceği, en verimli zaman aralığı ve hangi algoritmanın en iyi performansı gösterdiği üzerinedir. Beş bölümden oluşan bu tezde, konuya dair literatür incelemesi, veri toplama ve analiz yöntemleri, algoritmaların uygulamaları ve araştırmanın sonuçları ele alınmaktadır.