Emin Farzaliyev, Qusay Saihood, Emrullah Sonuç

Çocuklarda Anemi Hastalığının Teşhisinde Topluluk Öğrenme Yöntemlerinin Kullanılması

Introduction

Çocuklarda anemi hastalığının teşhisinde topluluk Öğrenme yöntemlerinin kullanılması. Çocuklarda anemi hastalığının teşhisinde topluluk öğrenme teknikleri kullanıldı. Makine öğrenmesi algoritmalarıyla %91 doğrulukta tahmin modelleri geliştirildi.

Abstract

Okul öncesi çocukların en yaygın hastalığı, özellikle gelişmekte olan ülkelerde, anemi olarak bilinmektedir. Anemi genellikle kötü beslenme ile ilişkili olup, demografik ve sosyal faktörlerle de yakından ilişkilidir. Önceki çalışmalarda, çocuklardaki anemi hastalığını tahmin etmek ve ilişkili faktörleri belirlemek için istatistiksel yöntemler kullanılmıştır. Ancak, bu yöntemlerin yetersiz olduğu sonucuna varılmıştır. Bu çalışmada, çocuklarda anemi hastalığını tahmin etmek için topluluk öğrenme (ensemble learning) tekniklerinin kullanımı araştırılmıştır. Anemi hastalığını tahmin etmek için Karar Ağacı, Destek Vektör Makineleri, Rastgele Orman, Lojistik Regresyon, En Yakın Komşu gibi çeşitli makine öğrenmesi algoritmaları test edilmiştir. Daha sonra bu sınıflandırıcılar, torbalama (bagging), artırma (boosting), istifleme (stacking) gibi öğrenme teknikleri ile modellenerek daha doğru ve güçlü bir tahmin modelinin oluşturulması amaçlanmıştır. Bu çalışmada kullanılan veri seti, Irak'ın Haditha Genel Hastanesi ve kliniklerinden toplanan 600 örneği içermektedir. Bu örneklerden 429'u anemi hastası iken, 171'i anemi hastası değildir. İlgili veri setinde her bir örneğe ait 31 özellik bulunmaktadır. Veri seti üzerinde farklı topluluk tekniklerinin performansları değerlendirilmiştir. Sonuçlara göre topluluk öğrenme teknikleri bireysel sınıflandırıcılara göre daha az doğrulukla tahminde bulunmuştur. Ayrıca, topluluk öğrenme teknikleri arasında artırma yönteminin en yüksek doğruluğa (%91) eriştiği görülmüştür. Çalışma, topluluk öğrenme tekniklerinin çocuklarda anemi hastalığını tahmin etmek için farklı bir yöntem olabileceğini göstermektedir. Ancak, gelecekteki araştırmalarda veri önişleme, özellik seçimi gibi yöntemlerin kullanılmasının topluluk öğrenme modellerinin performansını artırmada etkili olabileceği öngörülmektedir.

Review

Anemia in preschool children remains a significant public health challenge, particularly prevalent in developing countries and often linked to poor nutrition and socio-demographic factors. Recognizing the limitations of previous statistical methods in predicting this condition and identifying its associated factors, this study embarks on a timely exploration of ensemble learning techniques. The core objective is to leverage these advanced machine learning approaches to develop more accurate and robust models for diagnosing anemia in young children, thereby addressing a critical gap in current diagnostic methodologies. The methodological approach of the study is comprehensive, involving the evaluation of several foundational machine learning algorithms, including Decision Tree, Support Vector Machines, Random Forest, Logistic Regression, and K-Nearest Neighbor classifiers. These individual models were subsequently integrated and enhanced using established ensemble techniques such as bagging, boosting, and stacking, with the explicit goal of creating a more powerful predictive framework. The research utilized a dataset consisting of 600 samples collected from Haditha General Hospital and clinics in Iraq, meticulously detailing 31 features for each case, with a distribution of 429 anemic and 171 non-anemic individuals, providing a focused context for the model development and evaluation. Intriguingly, the results indicate that ensemble learning techniques generally performed with lower accuracy when compared to individual classifiers, a finding that merits deeper consideration given the typical performance benefits of ensemble methods. Nevertheless, among the ensemble techniques tested, boosting demonstrated the highest accuracy, achieving a notable 91%. While the study concludes that ensemble learning presents a novel avenue for predicting childhood anemia, it prudently suggests that future research should concentrate on critical preparatory steps like data preprocessing and feature selection. These recommendations are crucial, as they could unlock the full potential of ensemble models and further refine their predictive capabilities in addressing this widespread health issue.

Full Text

Comments

You need to be logged in to post a comment.