Predicting icu requirements of covid-19 patients using artificial neural network

---

Tezin Türü: Yüksek Lisans

Tezin Yürütüldüğü Kurum: Galatasaray Üniversitesi, Fen Bilimleri Enstitüsü, ENDÜSTRİ MÜHENDİSLİĞİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2022

Tezin Dili: İngilizce

Öğrenci: YELİZ ÇOTOY

Danışman: Tuncay Gürbüz

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

COVID -19'un neden olduğu ilk pnömoni vakasının Wuhan'da bulunmasından bu yana tüm dünyayı etkisi altına alan bu salgının etkisi ve sonuçları halen devam ediyor. Sağlık, bu salgından en çok etkilenen sektörlerden biridir. COVID-19 pandemisinin en zor zamanlarında, yoğun bakım ünitesi (YBÜ) genellikle bir tıbbi tesisin darboğazıydı. Aşırı çalışan sağlık hizmeti görevlileri, yoğun bakım ünitesine kabul oranları arttıkça hastalarının yaşamları hakkında kritik kararlarla karşı karşıya kaldı. Yoğun bakım ünitesine kabul, zamanla tıbbi bir karardan kaynak tahsisi sorununa dönüştü. Sağlıkta yaşanan en büyük zorluklardan biri de hastalığın yayılması nedeniyle hastane başvurularının artmasıydı. Karar desteğine duyulan ihtiyaç, sağlık hizmetlerinin tüm seviyelerinde ortaya çıkmaktaydı. Hastanın testinin pozitif çıkmasından bile daha erken bir zamanda ne tür bireysel ihtiyaçların ortaya çıkacağını tahmin etme yeteneği, yetkililerin kaynakları etkili bir şekilde planlaması için faydalı olacaktı. Bu çalışmada, Meksika Hükümeti'nin yayınladığı açık veri kaynaklarından yararlanılmış ve oradaki hastanelere başvuran hastaların COVID-19 sebebiyle yoğun bakıma ihtiyacının olup olmayacağı kuralcı analitik çerçevesinde incelenmiş ve yapay sinir ağları kullanılarak bir sınıflandırma modeli geliştirilmiştir. Aynı zamanda literatürdeki COVID-19 risk faktörleri araştırılmıştır. Model, toplam 120026 COVID-19 vakanın veri seti kullanılarak eğitilmiş, doğrulanmış ve test edilmiştir. Test aşamasında performansı ölçmek için, karışıklık matrisleri, eğitim ve doğrulama kaybı eğrileri ve doğruluk, kesinlik, geri çağırma ve F1 puanı gibi diğer performans ölçütleri kullanılmıştır. Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE), performansı artırmak için dengesiz veri kümelerine uygulanır ve bu tezde SMOTE kullanılarak veri seti dengelenmiştir. Sonuç olarak bir kişinin yoğun bakım ünitesine ihtiyacının olup olmadığı %79 doğruluk oranıyla tahmin edilmiştir.