Yenidoğan yoğun bakım ünitesinde idrar yolu enfeksiyonunu tanımlama için yapay sinir ağı tabanlı bir karar destek sisteminin geliştirilmesi

Abstract

Dünyada her gün yüzlerce yenidoğan bebek idrar yolu enfeksiyonundan etkileniyor. İdrar yolu enfeksiyonu uzun vadede ciddi hastalıklara sebep olabiliyor. Bu nedenle erken tanılamak hastalığın tedavisinde ve yenidoğan bebeğin sağlığı açısından hayati önem taşımaktadır. Erken tanılama için bir hastanenin yenidoğan yoğun bakım ünitesinden alınan bir veri setiyle çalışma yapılmıştır. Bu çalışmada yapay sinir ağları destek vektör makineleri ve karşılaştırma amaçlı KNN, LDA, QDA, Naive Bayes algoritmaları ile bir karar destek sistemi oluşturulması amaçlanmıştır. Yapay sinir ağlarında 1 fold ve 3 fold olarak iki ayrı çalışma yapılmıştır. Gerçekleştirilen testler sonucunda; 3 fold için uygulanan PNN yönteminin 91.4251 oranıyla test için en iyi sonuç verdiği görülmüştür. Eğitimde ise yine 3 fold için MLNN-2 yönteminin 98.9130 oranıyla en iyi sonuç verdiği görülmüştür. Sonuç olarak idrar yolu enfeksiyonunun teşhisinde esnek hesaplama ve biyobilişim tekniklerinin kullanılmasında önemli sayılabilecek doğruluk oranı ile sınıflandırma işleminin başarılı olduğu görülmüştür.

Nowadys in the world hundreds of infants are effected by Urinary Track Infection which causes seriously disorders in the long term. Thus early stage diagnosis is very important in terms of newborn's healthy and treatment. Therefore in this thesis studied on a data set obtained from a hospital newborn intensive care unit. With artificial neural networks and support vector machines in this study it is intended to create a decision support system. Within this study, It is aimed to create a decision support system by using artificial neural networks support vector machines and a few algorithm for correlation. There are two studies carried out within the artificial neural networks which are 1 fold and 3 fold. As a result of conducted tests it is seen that PNN method which is applied for 3 fold with 91.4251 ratio gives the best result for the test. As for education, it is seen that MLNN-2 method which is applied for 3 fold with 98.9130 ratio gives the best result. The study of neural networks and support vector machines with no appreciable accuracy of the classification process was concluded to be successful.