Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Ankara Üniversitesi, Fen Bilimleri Enstitüsü, Türkiye
Tezin Onay Tarihi: 2019
Tezin Dili: Türkçe
Öğrenci: ABDOUL AZIZ RAZIKOU DILWANI
Danışman: ÖMER ÖZGÜR TANRIÖVER
Özet:Acil hasta triyajı hastane acil servis bölümlerinde ve acil durum müdahalesi gereken alanlarda, yüksek riskli hastaları tanımlamak için gittikçe daha fazla kullanılan bir teknik olmuştur. Bu çalışma, hastaların hastaneye yatış gerekliliği ve aciliyet düzeylerini öngörmek için makine öğrenimi (ML) algoritmalarının performansını, iki farklı triyaj sistemi için sınırlı hasta verilerini kullanarak karşılaştırmayı amaçlamaktadır: Bu sistemler Manchester Triyajı Sistemi (MTS) ve Acil Durum Şiddeti Endeksi (ESI). Bu çalışmada, dört çocuk hastanesinde kaydedilen 60.735 hastanın MTS veri setini kullandık. ESI verileri, elektronik sağlık kayıtlarından elde edilen 352.999 erişkin hastayı içermektedir. Bu çalışma iki bölüm halinde alt bölümlere ayrılmıştır : Birinci bölümde, hastaneye yatışı tahmin ettik ve ikinci bölümde triyaj seviyelerini belirledik. Triyaj için, ilk iki seviye (seviye 1 ve 2) ve beş seviye öngördük. Tahmin için hasta yaşı, hayati belirtiler, hastanede kalma durumu, başlıca şikayetleri ve triyaj seviyeleri bilgileri kullanılmıştır. Modeller makine öğrenimi algoritmaları ve teknikleri kullanılarak eğitilmiştir : Lojistik Regresyon (LR), Rastgele Orman (RF), Gradyan Yükseltme (XGBoost), K-Komşular çapraz doğrulama (KNN), otomatik kodlayıcı ve Derin Sinir Ağı (DNN). Her bir modeli eğri altındaki alanı, doğruluk, f-skoru, hassasiyet ve hatırlama açısından karşılaştırdık. Makine öğrenme modellerinin kısıtlı hasta tanı ve şikâyet bilgileri kullanarak hastaneye yatış, triyaj seviye 1 ve 2 tahminin yüksek doğrulukla ve üç kategorili (çok acil, acil ve diğerleri) triyaj sınıfı tahminin kabul edilebilir şekilde öngörebildiği gösterildi. Emergency triage is a technique increasingly being used to identify patients with high risk, in on site emergency situtations and hospital's emergency departments. This study aims to compare the performance of machine learning (ML) algorithms to predict "Hospitalization" and "Triage Levels" by using a set of limited patient information using two different triage system's datasets : Manchester Triage System (MTS) and Emergency Severity Index (ESI). We used a MTS dataset of 60,735 patients recorded in four children hospital. ESI data included 352,999 adult patients recorded from electronic health records. This study is subdivided in two stages : in the first stage we predicted hospitalization and the second stage we predicted triage levels. For Triage levels, we predicted the first two levels which were emergent and very urgent and the rest as another class. Patient Age, Vital Signs, Hospitalization status, Chief Complaints, and triage levels information are used for the prediction. The predictions are done through using machine learning models such as: Logistic Regression(LR), Random Forest (RF), Gradient Boosting (XGBoost), K-Neighbors(KNN), autoencoder and Deep Neural Network (DNN). We evaluated each model by measuring the area under the curve, the accuracy, recall, precision and f-score of classification. Using a set of patient features which can possibly be collected through portable medical sensors, required hospitalization, triage level 1 and level 2 may be predicted with very high accuracy and the other levels can be predicted with acceptable accuracy.