Pnömokonyoz Tanısında Klinik Verilerle Öngörü: Random Forest ve Lojistik Regresyonun Performans Analizi

Read full text Summarise with VIRAT
Authors: Deniz BOZ ERAVCI, Mehmet Erdem Alagüney
Cited by: 0
References: 17

Summary

No summary yet. VIRAT can read this paper and write a plain-language summary of its aim, methods, key findings and limitations.

Summarise with VIRAT Free to try with your Science Catalogs account.

Abstract

Pnömokonyoz, özellikle inorganik tozlara mesleki maruziyet sonucu gelişen, önlenebilir ancak geri dönüşümsüz özellikte seyreden kronik bir akciğer hastalığıdır. Pnömokonyoz tanısı mesleki maruziyet öyküsü, klinik değerlendirme ve radyolojik bulgulara dayanarak konulmakta, patolojik doğrulama nadiren gerekmektedir. Günümüzde, erken tanı ve risk tahmini amacıyla veri temelli yaklaşımlar giderek daha fazla önem kazanmaktadır. Amaç: Pnömokonyoz tanısını öngörmeye yönelik olarak klinik ve mesleki verilere dayalı makine öğrenmesi tabanlı modeller geliştirmek ve bu modellerin sınıflandırma performanslarını karşılaştırmaktır. Yöntem: Çalışma kapsamında yaş, sektörde çalışma yılı, sigara kullanımı, radyolojik görüntüleme sonuçları ve önceki hastalık öyküsü gibi çeşitli değişkenlerin yer aldığı veri seti kullanılmıştır. Lojistik regresyon ve rastgele orman (RF) algoritmaları ile sınıflandırma modelleri kurulmuş ve performansları ROC eğrisi altındaki alan (AUC), duyarlılık, özgüllük ve F1 skoru gibi metriklerle değerlendirilmiştir. Bulgular: Elde edilen sonuçlara göre, rastgele orman modeli %77,7 test doğruluğu, 0,868 AUC ve 0,816 F1 skoru ile daha yüksek performans sergilemiştir. Lojistik regresyon modeli ise %75 doğruluk, 0,811 AUC ve 0,80 F1 skoru ile daha düşük ancak yorumlanabilirliği yüksek sonuçlar üretmiştir. Değişken önem katsayılarına göre HRCT bulguları, yaş ve sektörel çalışma süresi, sigara paket yıl, silika dâhil toz, dispne, öksürük, cinsiyet, balgam değişkenleri hastalığın öngörülmesinde en etkili belirteçler olarak öne çıkmıştır. Sonuç: Makine öğrenmesi algoritmaları, Pnömokonyoz gibi mesleki akciğer hastalıklarının erken tanısı ve risk değerlendirmesi için alternatif araçlar sunmakta; özellikle rastgele orman modeli sınıflandırma açısından yüksek başarı göstermektedir.

Fields of Study & Subjects

Occupational and environmental lung diseases Artificial Intelligence in Healthcare Radiomics and Machine Learning in Medical Imaging

Publication details

Journal / source
Medical Research Reports
Volume
9
Issue
1
Pages
12–25
Publication date
31 March 2026
Language
TR