Bu çalışma, makine öğrenmesi, veri madenciliği ve yapay zeka teknolojileri kullanılarak, hastaya tanı konulmasını kolaylaştırmayı hedeflemektedir. Doğal dil işleme süreçleri ile hasta anamnezleri değerlendirilerek, tanı koymada yardımcı bir sistem oluşturulmuştur. Oluşturulan sistem ile hastadan anamnez alınırken doğal dil işleme kullanılarak; her bir hastalık belirtisi içeren konu başlığı önce anlamlandırılır, sonra kategorize edilerek eğitim yapılır. Karar Ağaç (Decision Tree), Torbalama (Bagging), Arttırma (Boosting) kullanılarak öğrenme işlemleri gerçekleştirilmiştir. Öykü alma sırasında bilinen hastalıkların belirtileri değerlendirilerek doktorların yükünü hafifletmek amaçlanırken, pandemi gibi dönemlerde ya da yeni ortaya çıkan ve belirtileri/tedavi yöntemleri/hasta sayısı konularında az veriye sahip olunan dönemlerde, sağlık çalışanlarına ve sağlık sistemine yardımcı bir sistem geliştirilmesi hedeflenmiştir. Oluşturulmuş bu sistem; doktorların, hastaların rahatsızlıklarını daha yüksek doğruluk ve verimlilikle teşhis etmesine yardımcı olmuştur. Alınan bilgiler doğrultusunda Karar Ağaçları yöntemi ile bulunan doğruluk oranı %73, Random Forest algoritması ve Entropi ölçüsü kullanılarak ulaşılan doğruluk oranı %76, aynı algoritmanın Gini ölçüsü ile ulaşılan doğruluk oranı %82’dir. Adaboost algoritması kullanıldığında, öğrenme sabiti 1.0 olduğu durumda %64 sonucu elde edilirken, öğrenme sabiti 0.5 alındığında doğruluk oranı %67 olarak bulunmuştur. Hastanın anamnez verilerini değerlendiren sistem, hekime olası sonuçların listesini sunarak hekimin işini kolaylaştırmıştır. Yapay zekanın sonuçlarını değerlendirerek sonuçlara katılmak ya da katılmamak ise tamamen doktorun tercihine bırakılmıştır.
This article aims to facilitate the diagnosis of the patient by using machine learning, data mining and artificial intelligence technologies. With natural language processing processes, patient anamnesis was evaluated and an auxiliary system was created for diagnosis. By using natural language processing while taking anamnesis from the patient with the system created; The topic containing each disease symptom is first made meaningful, then categorized and training is carried out. Learning operations were carried out using Decision Tree, Bagging and Boosting. While it is aimed to alleviate the burden of doctors by evaluating the symptoms of known diseases during history taking, it is aimed to develop a system that helps healthcare professionals and the health system during periods such as pandemics or when there is little data on symptoms / treatment methods / number of patients. This system created; helped doctors diagnose patients' ailments with higher accuracy and efficiency. In line with the information received, the accuracy rate found with the Decision Trees method is 73%, the accuracy rate achieved by using the Random Forest algorithm and the Entropy measure is 76%, and the accuracy rate achieved with the Gini measure of the same algorithm is 82%. When the Adaboost algorithm was used, when the learning constant was 1.0, the result was 64%, and when the learning constant was 0.5, the accuracy rate was found to be 67%. The system, which evaluates the patient's anamnesis data, has facilitated the physician's work by presenting a list of possible results to the physician. Evaluating the results of artificial intelligence, whether or not to agree with the results is entirely up to the doctor's choice.
