Makine öğrenmesi ile RT-PCR test sonuçlarının tahmini: yönlendirilmiş otokodlayıcı tabanlı tamamlama ve klinik fayda değerlendirmesi

Günümüzde makine öğrenmesi (ML), ilaç geliştirme, hastalık teşhis ve tahmini, tıbbi görüntü analizi ve salgın tahmini gibi çeşitli amaçlarla sağlık sektöründe yaygın olarak kullanılmaktadır. 2019 yılında ortaya çıkışından bu yana COVID-19 pandemisi, küresel sağlık açısından ciddi zorluklar yaratmıştır. Dünya Sağlık Örgütü (DSÖ) verilerine göre, COVID-19 nedeniyle 6,9 milyondan fazla kişi hayatını kaybetmiş, dünya genelinde 767 milyondan fazla doğrulanmış vaka rapor edilmiştir. Ayrıca, 12 Mayıs - 8 Haziran 2025 tarihleri arasında dünya genelinde 936 ölüm ve 359.000'den fazla yeni vaka bildirilmiştir. Bu tez üç ana bölümden oluşmaktadır. Birinci bölümde, klinik verileri kullanarak bir hastanın aktif COVID-19 enfeksiyonuna sahip olma olasılığını tahmin eden ve tedavi için en uygun sağlık kuruluşunu öneren makine öğrenmesi tabanlı modeller geliştirilmiş ve değerlendirilmiştir. Veri setinde eksik veriler bulunduğundan, ikinci bölümde çeşitli tamamlama (imputation) teknikleri uygulanmıştır. Üçüncü bölümde ise, yüksek boyutlu veri kümelerinde eksik verilerin tamamlanması için Gürültü Farkındalıklı Maskelenmiş Kayıp Fonksiyonuna sahip bir Otokodlayıcı tabanlı model önerilmektedir. Önerilen yaklaşım, yapılandırılmış gürültü ve yönlendirilmiş bir kayıp fonksiyonunu birleştirerek tamamlama doğruluğunu ve kararlılığını artırmakta, aynı zamanda orijinal veri ilişkilerini korumaktadır. Bu katkılar bir bütün olarak, sağlık alanında öngörü modellerini ve sağlam veri tamamlama süreçlerini geliştirmeyi, güncel ve gelecekteki halk sağlığı zorlukları için daha güvenilir yapay zekâ destekli karar verme mekanizmalarını desteklemeyi amaçlamaktadır.