Sezgisel hibrit öğrenme yöntemleri ile sağlık verilerinin analizi

Sağlık verilerinin analizi, hastalıkların teşhisi ve tahmini çalışmalarında kritik öneme sahiptir. Günümüzde artan veri miktarıyla birlikte araştırmacıların ve hekimlerin makine öğrenmesi yöntemleriyle tasarlanan doğru tanı sistemlerine olan talepleri açıktır. Makine öğrenmesi yöntemleri, dengeli veri kümeleri ve tam verilere dayanarak tasarlandığından genellikle dengesiz ve eksik veriler içeren sağlık veri kümelerinde hatalı sonuçlara neden olmaktadır. Bu tez çalışmasında, sınıf dengesizliği ve eksik değer problemlerini ele almak üzere hibrit bir ön işleme yöntemi geliştirilmiştir. Bu yöntem, eksik değerlerin tamamlanması için Zincirlenmiş Denklemlerle Çok Değişkenli Atama (MICE) yöntemiyle birlikte Genetik Algoritma (GA) sezgiseli kullanılarak geliştirilen GA-MICE yöntemini ve dengesiz dağılımlı sınıfların dengelemesi için Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ve Düzenlenmiş En Yakın Komşu (ENN) eksik örnekleme yöntemini GA ve Parçacık Sürü Optimizasyon (PSO) sezgiselleriyle birleştirerek geliştirilen GASMOTEPSO_ENN yöntemini içermektedir. Önerilen yöntemin etkinliği, diyabet, inme ve böbrek hastalığı gibi önemli sağlık sorunlarının tespitinde, açık erişimli veri kümeleri üzerinde 6 farklı makine öğrenmesi sınıflandırma yöntemleriyle test edilmiştir. Elde edilen bulgulara göre, önerilen yöntem, üç veri kümesinde %93 ile %100 arasında değişen doğruluk, kesinlik, duyarlılık, F1-skoru ve Eğri Altındaki Alan (AUC) değerleri elde etmiştir. Bu yöntem, sınıf dengesizliğini ve eksik değer sorunlarını ele almak için etkili bir şekilde çalışmış ve literatürdeki benzer yöntemlere kıyasla daha yüksek ve güvenilir sonuçlar vermiştir.