Tez No	İndirme	Tez Künye	Durumu
593821		Dengesiz klinik veriler için karar destek önerisi: Akut apandisit örneği / A decision support proposal for imbalanced clinical data: Acute appendicitis cases Yazar:KEVSER ŞAHİNBAŞ Danışman: PROF. DR. SEVİNÇ GÜLSEÇEN Yer Bilgisi: İstanbul Üniversitesi / Fen Bilimleri Enstitüsü / Enformatik Ana Bilim Dalı / Enformatik Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2019 155 s.
Sağlık alanında karın ağrısı şikâyetiyle hastaneye başvuran hastalarda akut apandisit teşhisin zor tanımlanması sıkça gereksiz akut apandisit ameliyatlarına sebep olmaktadır. Bu çalışmanın amacı karın ağrısıyla hastaneye başvuran hastalarda sınıflandırmaya dayalı makine öğrenmesi algoritmaları aracılığı ile mevcut vakanın ameliyat gerektiren akut apandisit olup olmadığının teşhisini sağlamak ve gereksiz olası ameliyat sürecini önlemektir. Bu amaca yönelik sağlık alanında sıkça karşılaşılan sınıf dengesizliği probleminin sınıflandırma üzerindeki olumsuz etkisini azaltmak için SMOTE, Random Oversampling ve Random Undersampling yöntemleri önerilmiş ve akut apandisit teşhisinin tahmini için Alvarado Skora ait risk faktörlerinden yararlanılmıştır. Bu amaçla Alvarado skoru ile akut apandisit tanısında altın standart olarak kabul edilen histopatolojik rapor sonucu karşılaştırılmıştır. Sınıflandırma algoritmalarından Destek Vektör Makinesi, Rasgele Orman, Yapay Sinir Ağları, Naive Bayes, k-En Yakın Komşu Algoritması ve Lojistik Regresyon kullanılarak farklı sınıflandırma modelleri oluşturulmuştur. Oluşturulan modellerden elde edilen sonuçlar karşılaştırılarak en iyi performans gösteren sınıflandırma yöntemi önerilmiştir. En iyi performansın tespit edildiği Destek Vekör Makinesi algoritması için arayüz oluşturularak hekimlerin karar verme mekanizmasına katkı sunabilecek Karar Destek Sistemi uygulaması geliştirilmiş ve Alvarado skorlarına yeni bir bakış açısı önerilmiştir.
The difficult diagnosis of acute appendicits of patients appealing to the hospital with abdominal pain often leads to unnecessary acute appendicits operations. Accordingly, the aim of this study is to be able to provide the correct diagnosis whether the existing case indeed neccesiates operation or not through machine learning algorithms based on classification. To that purpose, SMOTE, Random Oversampling and Random Undersampling methods were proposed to reduce the negative effects of common imbalanced data set problem on classification and it was benefitted from the risk factors in relation to Alvarado Score to predict the diagnosis of acute appendicits. Therefore, the result of histopatologic report which is accepted as a gold standart for the diagnosis acute appendicits was also compared with Alvarado Score. Additionally, different classification models were generated by using classification algorithms like Support Vektor Machine, Random Forest, Artificial Neural Network, Naive Bayes, k-Nearest Neighbor and Logistic Regression. Consequently, a decision support system was developed that could contribute to the decision making mechanism by generating interface for the Support Vektor Machine algorithm in which the best performance was obtained and a different perspective was provided with the Alvarado Score.