Veri madenciliği ve makine öğrenmesi yaklaşımı ile tiroit kanserinin tanılanması

Sağlık sistemi, hedeflenen kitlenin sağlıkları ile ilgili tüm hizmetlerini görmek üzere ilgili kurumların, kaynakların ve insanların bir arada örgütlendiği bir sistem olarak tanımlanabilir. DSÖ'ne göre Sağlık sistemi, sağlığı korumak, hastalıkları tedavi etmek ve bireylerde sağlıklı gelişimi sağlamak üzere kişileri, eylemleri ve organizasyonları kapsamaktadır. Her yıl artarak devam eden hastalık ve ölüm oranları zaman, para ve insan gücü maliyetleri açılarından büyük giderlere muhatap olmaktadır. Hızlı artan bu maliyetler daha fazla insan gücü istihdamı ile çözülememektedir. Teknolojinin gelişimi ve birçok alanda olduğu gibi tıp alanında da yararlı neticeler vermesi sonucu, yukarıda belirtilen problemlerin çözümü ve maliyetlerin olabildiğince aza indirilerek verimliliğin arttırılması amacıyla, uzmanlar tarafından yürütülen karar süreçleri zeki karar destek sistemleri ile desteklenme potansiyeline sahiptir. Veri bilimi (Data science) ve eldeki hasta verilerinin birer anlamlı bilgiye dönüştürülmeleri için kullanılacak teknikler elde etmek istenilen sonuçların anahtarı niteliğindedir. Bu anahtar, maliyetleri azaltacak ve doktorların üzerinden fazlalık işleri alarak hastalara daha fazla bakım ve daha verimli tedavi olanakları sağlayacak şekilde sağlık sistemlerini başarıya ulaştıracaklardır. Veri bilimi bu başarısını, çoklu veri kullanımı ile tanı ve tedavide çoklu seçeneklere sahip olmasına borçludur ve hatalı sonuçlar vermesi çok küçük düzeylerde kalmaktadır. Buna mukabil birçok doktorun son tıbbi gelişmeler hakkında yayınlanan örneğin binlerce makaleyi (verileri kontrol altında tutmak açısından) okuyabilmesi ve elde ettiği tüm verilerden analizler çıkartarak tanı ve tedavi yapabilmesi mümkün görünmemektedir. Uzman kontrolünde yazılım ve donanım olarak kullanılan teknolojik yapılar, günümüzde yapay zekâ adıyla anılan ve kendi kendine öğrenerek karar çıktıları üretebilen makine öğrenmesi türünden algoritmalar ile desteklenebilmektedirler. Bu araştırmada önerilen yöntem, uygun veri toplama (bizim durumumuzda, çevrimiçi eldeki veri setleri), veri seçimi, veri ön işleme işlemlerinin gerçekleştirilmeleri ile birlikte destek vektör makineleri ve lojistik regresyon gibi makine öğrenmesi yöntemlerinin karar destek sistemleri olarak modellenmelerinde veri madenciliği ve makine öğrenmesi yaklaşımları olmuştur. Elde edilen bilgiler, tablolar ve diyagramlarda gösterilmek üzere sonuçların görselleştirilmesi ve değerlendirilmesi ile başlayan farklı veri madenciliği süreçlerini de içermektedir. Tanı ve tedavi için eldeki kullanılabilir veriler, destek vektör makineleri, lojistik regresyon teknikleri ile diğer makine öğrenmesi algoritmaları ile uzmanlık seviyesinde karar verme süreçlerine yardımcı olabilir bilgilere dönüştürülmüştür. xxii Öznitelik seçme teknikleri amaca yönelik araştırılan tüm modelleri ve bu modellerin sonuçlarını etkilemektedir. Bu sebeple mümkün olan tüm öznitelik seçme algoritmaları denenerek en uygun doğru sınıflandırma elde edilmiştir. Farklı öznitelik seçme algoritmalarından elde edilen en uygun özniteliklerin, sonuçları doğru vermede (Accuracy) çok önemli olduğu ortaya konmuştur. Ayrıca model değerlendirmesinde Spesifiklik ölçüsü gibi farklı ölçülerin kullanılabileceği ve bu ölçüler üzerinden doğru sonuçlar ve analizler yapılabileceği gösterilmiştir. Destek vektör makineleri sınıflandırıcısı kullanılarak oluşturulan bir model üzerinden bir web uygulaması çalıştırılmıştır. Girdi olarak elde var olan tiroit kanser hasta verilerini alan web formu, modelin verdiği karar üzerinden hastanın kanserli olup olmadığı sonucunu web ara yüzü üzerinden ekrana yansıtmaktadır.