Anne karnındaki fetüs sağlık durumunun tokogram verileri kullanılarak makine öğrenmesi metoduyla tahmini ve yorumlanması

Bu çalışma, çeşitli makine öğrenmesi algoritmalarının fetal sağlık durumunu tahmin etme performansını değerlendirmek için halka açık olarak kullanılabilen kardiyotokogram verilerini içeren fetal sağlık veri setini kullanmıştır. Algoritmalar Python ve PyCaret kütüphanesi ile uygulandı ve hedef değişkenin dengesiz dağılımını telafi etmek için SMOTE (Sentetik Azınlık Aşırı Örnekleme Tekniği) kullanıldı. Özellikle "Light Gradient Boosting Machine" algoritması en yüksek doğruluk ve F1 skoru yanısıra, farklı sınıflandırma hatalarının farklı şiddetlerini dikkate alan ceza puanı sistemimize göre de en düşük ciddi sınıflandırma hatasına skorlarına sahipti. Bu çalışma makine öğrenme algoritmalarının fetal sağlık durumunu doğru bir şekilde tahmin etme ve klinik karar verme süreçlerini geliştirme potansiyelini göstermiştir. Daha çeşitli ve daha büyük veri kümelerinde modellerin doğrulanması önerilmektedir. Bu çalışmada aynı zamanda PyCaret gibi kullanıcı dostu kütüphanelerin faydasını göstererek, kliniklerin daha az çaba harcayarak kendi makine öğrenme modellerini oluşturabileceklerini vurgulamıştır.