İnme beyne giden kan akışının çeşitli nedenlerle azalması ya da kesilmesi sonucu, beyin dokusunun oksijen ve besinden yoksun kalması ile meydana gelen beyin krizleridir. Oksijen ve besin alamayan beyin hücreleri hızla ölmeye başlar ve beynin belirli bölgelerinde geçici ya da kalıcı olarak meydana gelen hasarlar sonucunda fonksiyon kayıpları oluşur. İnme küresel ölçekte ölümlerin ikinci önde gelen nedeni olup toplam ölüm vakalarının yaklaşık %11’ine sebep olmaktadır. Yanlış beslenme, aktivite yetersizliği, sigara ve alkol kullanımı, yüksek tansiyon ve kolestrol, diyabet, obezite gibi pek çok etken inmenin oluşmasına sebep olmaktadır. Ayrıca 60 yaş üzerinde risk daha da artmaktadır. Pek çok farklı etkene bağlı oluşu ve semptomlarının ayırt edilememesi gibi nedenlerle inmenin zamanında tespiti ya da erken tahminlenmesi her zaman mümkün olamamaktadır. Oysa erken belirlenmesi halinde ortaya çıkacak ölüm ya da hasarların %80’e varan oranda önlenmesi mümkündür. Sağlık alanında toplanan verilerin anlamlandırılması ve başarılı çıkarımların yapılabilmesi için çeşitli veri madenciliği tekniklerinden yararlanılmaktadır. Bunun yanında yapay zekâ teknolojisindeki ilerlemelerle birlikte, eldeki mevcut veriler arasındaki örüntüleri tespit ederek geleceğe dönük başarılı tahminler üretebilen makine öğrenmesi teknikleri medikal alanda da yaygın olarak kullanılmaktadır. Bu çalışmada inme hastalığının erken teşhisi ve tahminlenmesine yönelik olarak 11 özellik ve 5510 adet örnekten oluşan veri seti üzerinde bir sınıflama çalışması gerçekleştirilmiştir. Eldeki veri setinin dengesiz olmasından dolayı yeniden örnekleme tekniği kullanılmıştır. Rastgele Orman yöntemi ve aşırı örnekleme tekniği ile gerçekleştirilen sınıflamada %98.84 doğruluk elde edilmiştir. Sınıflama işlemi sonucunda inme durumunun tahminlenmesinde girdi özelliklerin etki değerleri ortaya konmuştur. En belirleyici özelliklerin yaş, vücut kitle indeksi ve kandaki ortalama glikoz seviyesi olduğu görülmüştür.
Anahtar Kelimeler: İnme (felç) risk tahminlemesi, makine öğrenmesi, yeniden örnekleme
|
