Makine öğrenmesi yaklaşımları ile fetal sağlık teşhisinin gerçekleştirilmesi

Gebeliğin dönemlerinde fetal halini değerlendirmek için çeşitli testler kullanılmaktadır. Bu testlerden en çok güvenilen ve yaygın olarak kullanılan Non Stress Test ile fetal kalp atım hızı ve annenin rahim kasılmaları ölçülerek fetal sağlığı değerlendirilmektedir. Ancak, geleneksel yöntemlerle bu testin detaylı değerlendirilmesi zaman almakta ve uzmanlar arasında farklıklar ortaya çıkmakta, özellikle deneyimsiz uzmanlarda yorumlamalar yanıltıcı olabilmektedir. Bu sonuçlar fetal kayıplarına sebebiyet vermekte ve ülkelerin gelişmişlik düzeylerine etkisi olan perinatal mortalite oranlarını olumsuz yönde etkilemektedir. Bu çalışmada, fetal halini değerlendirerek tanı hatalarını en az seviyelere düşürmek için Topluluk Öğrenme tabanlı yaklaşımın incelenmesi amaçlanmıştır. Bu doğrultuda 22 özellik ve 2126 örnekten oluşan kardiyotokografi verileri üzerinde Doğrusal Regresyon, Random Forest, Gradient Boosting ve XGBoost gibi farklı makine öğrenimi algoritmalarıyla çeşitli deneyler yapılmıştır. Bu deneyler, veri seti üzerinde temel bileşen analizi ve on kat çapraz doğrulama yöntemleri kullanılarak gerçekleştirilmiştir. Çalışmada kullanılan algoritmaların doğruluk duyarlılık, hassasiyet, F1 puanı ve Gmean metrikleri ile performansları ölçülmüştür. Yapılan deneylerde çapraz doğrulama ve sınıf ağırlıklandırması uygulamalarıyla, algoritmaların performanslarının arttığı gözlemlenmiştir. Ayrıca, Topluluk Öğrenme yaklaşımlarında kullanılan ağırlıklı çoğunluk oyu yöntemi, çeşitli makine öğrenimi modellerinin tahminlerinin ağırlıklandırılarak birleştirilmesiyle elde edilen tahminlerin doğruluğunu arttırdığı tespit edilmiştir. Bu sayede, algoritmaların tek başına yaptıkları tahminlerden daha güvenilir ve tutarlı sonuçlar elde edilmiştir. Deneysel sonuçlarda önerilen XGBoost modeliyle elde edilen %99.99 doğruluk oranının önceki literatür çalışmalarından daha yüksek olduğu gözlemlenmiştir. Ağırlıklı çoğunluk oyu yöntemi, özellikle karmaşık veri setlerinde ve yüksek risk taşıyan medikal uygulamalarda tanı doğruluğunu artırarak fetal ölümleri azaltmada kritik bir rol oynayacaktır. Önerilen model, fetal sağlık analizlerini otomatikleştirerek tanı hatalarını azaltmaya ve daha doğru değerlendirmeye yardımcı olacaktır.