https://jaihs.com/index.php/jaihs/issue/feedSağlık Bilimlerinde Yapay Zeka Dergisi (Journal of Artificial Intelligence in Health Sciences) ISSN:2757-96462022-12-31T12:43:40+03:00Ali Murat Koçinfo@jaihs.comOpen Journal Systems<p><strong>Sağlık Bilimlerinde Yapay Zekâ Dergisi (Journal of Artificial Intelligence in Health Sciences)</strong> yayın dili Türkçe ve İngilizce olan, yılda üç kez (Nisan, Ağustos ve Aralık aylarında) yayımlanan uluslararası, hakemli bir bilimsel dergidir. Yapay zeka uygulamalarının sağlık bilimlerinde kullanımını konu alan orjinal araştırma, derleme ve olgu sunumları yayınlamaktadır.</p> <p><em>Dergimizin herhangi bir kurum/kuruluş ile doğrudan ilişkisi bulunmamaktadır.</em></p>https://jaihs.com/index.php/jaihs/article/view/i3y2org1Sağlık Ekosisteminde Yapay Zeka Kaygı Düzeyi: Hemşire Örneklemi2022-12-15T16:09:02+03:00Emel Gümüşemellgumus@gmail.comEce Uysal Kasapeceuysalkasap@gmail.com<p>Amaç: Bu araştırma, Türkiye’de çalışan hemşirelerin sağlık ekosisteminde yapay zeka kaygı<br>düzeylerini belirlemek amacıyla yapılmıştır.<br>Gereç ve Yöntem: Tanımlayıcı tasarımda olan araştırmanın evreni, Türkiye’de çalışan<br>hemşireler, örneklemini ise araştırmayı kabul eden 215 hemşire oluşturmuştur. Araştırma<br>verileri, demografik ve mesleki özellikler formu ve Yapay Zeka Kaygı ölçeği ile toplanmıştır.<br>Araştırma verileri, tanımlayıcı istatistikler ve çoklu lineer regresyon analizi ile<br>değerlendirilmiştir.<br>Bulgular: Çalışmaya katılan hemşirelerin Yapay zeka kaygı düzeyi ortalama puanı 2,64<br>(SS=0,79) olduğu belirlenmiştir. Pozisyonu yönetici hemşire olanların yapay zeka kaygı<br>düzeyleri daha düşük, diğer çalışanların ise daha yüksek olduğu görülmüştür. Çalışma şekli<br>vardiya olanların diğer çalışanlara kıyasla yapay zeka kaygı düzeyleri daha düşük<br>bulunmuştur. Yapay zeka kaygı düzeyi en çok sürekli gece çalışanlarda görülmüştür.<br>Sonuçlar: Çalışma sonucunda, hemşirelerin anksiyetelerinin yüksek, sağlıkla ilgili aşırı<br>duyarlılık ve kaygılarının düşük olduğu saptandı. Araştırmada yaşın, gelir durumunun ve<br>hastalık sürecindeki hissedilen duygunun sağlık anksiyetesini etkilediği görülmüştür. Elde<br>edilen sonuçların daha büyük örneklemlerde ve daha farklı boyutlar eklenerek çalışılması ve<br>anksiyeteye sebep olan durumların tespiti için nitel çalışmaların da yapılması önerilmektedir.</p>2022-12-31T00:00:00+03:00Telif Hakkı (c) 2022 Sağlık Bilimlerinde Yapay Zeka Dergisi (Journal of Artificial Intelligence in Health Sciences) ISSN:2757-9646https://jaihs.com/index.php/jaihs/article/view/i3y2org2CPV Tahmininde Makine Öğrenme Yöntemlerinin Performanslarının Değerlendirilmesi: Farklı Bölgeler ve Parametreler ile Büyük Veri Uygulaması2022-12-15T16:07:30+03:00Gözde Zabzungzabzun@gmail.comMeltem Sevinçsevincmeltem2007@gmail.comÇınar Dalkılıçcinar.dalkilic@gamil.comKıvanç Ege çamkivanccam2@gmail.com<p>Kapsamı: Projede sağlık verilerinin yorumlanabileceği makine öğrenme yöntemleri, Canine parvovirüsü enfeksiyonun özelinde uygulanmıştır. CPV klinik bulgulara dayanılarak teşhis konulabilirken; diğer enfeksiyonlardan ayırt edilebilmesi için ise laboratuvar bulguları ile desteklenmesi gerekir. CPV, yavru köpeklerde ölümle sonuçlanabilen, kanlı ishalle seyreden diğer enfeksiyonlardan ayırt edilebilmesi için doğru teşhis hayati önem taşır. Bu sebeple, virüsün etkilenebileceği diğer verilerle beraber incelenmesi yapılarak, en doğru kararın alma yöntemleri karşılaştırılarak değerlendirilmiştir.</p> <p>Amaç: Çalışmada, halk arasında delibaş hastalığı olarak bilinen, köpeklerin en önemli enfeksiyöz etkenlerinden birisi olarak kabul edilen CPV farklı parametreleri açısından En Yakın komşu Algoritması (KNN), Rastgele Orman (RF), Lojistik Regresyon ve NaiveBayes sınıflandırma algoritmaları kullanarak yorumlamayı hedeflemiştir.</p> <p>Sonuç/Bulgular: Toplam doğruluk değerleri incelendiğinde anlamsız değişken modelde çıkarıldığında lojistik regresyon ve RF yöntemlerinde doğruluk oranları düşmüştür. RF yöntemi Platelets,Trombosit (PLT) değişkeni modelde iken en iyi tahminleri yapmıştır. Bu değişkeni modelden çıkarmak istemediğimiz durumlarda bize çok verimli sonuçlar verebilmektedir. KNN yöntemi değişken sayısı azaldığında daha iyi sonuçlar vermektedir. Özellikle veri boyutu arttığında makine öğrenmesi yöntemi daha iyi performans ile daha verimli sonuçlar verdiği gözlemlenmiştir.</p> <p><strong>Anahtar kelimeler:</strong> Büyük Veri, Veri Madenciliği, Sağlıkta Büyük Veri, Tahmin Algoritmaları, Canine parvovirüsü (CPV)</p>2022-12-31T00:00:00+03:00Telif Hakkı (c) 2022 Sağlık Bilimlerinde Yapay Zeka Dergisi (Journal of Artificial Intelligence in Health Sciences) ISSN:2757-9646https://jaihs.com/index.php/jaihs/article/view/i3y2org3A New Paradigm For Predicting Past And Future Out of Control Events In Internal Quality Control: Gaussian Process For Machine Learning2022-12-10T10:45:48+03:00Suleyman Sevincsuleysevinc@gmail.comAli Riza Sismanaliriza.sisman35@gmail.comBanu İşbilen Başokdrisbilen@yahoo.comMurat Aksitmurataksit3545@gmail.comPinar Bilgipinartombaklarbilgi@gmail.comOktay Yildirimoktay@labenko.comEminullah Yasareminullah.yasar@gmail.comAyfer Colakayfercolak@gmail.comCan Dumancanduman71@hotmail.comGokhan Akbulutgnakbulut@gmail.com<p>İç Kalite Kontrol (İKK), hasta numunelerini çalıştırmadan önce bir laboratuvar testinin güvenilirliğini değerlendirme ve kontrol etme sürecidir. Mevcut İKK süreci, kural tabanlı yaklaşımlar kullanarak Toplam Analitik Hatanın (TAE) yönetimine odaklanmaktadır. Toplam İzin Verilebilir Hata (TEa) ihlallerinin zamanlamasını tam olarak tahmin edemez. Çalışmada, Tahmine Dayalı Kalite Kontrol Algoritması (PQCA) için Gaussian Process for Machine Learning (GPML) yöntemini kullanarak İKK sürecini değerlendirmede tahmine dayalı bir hesaplama yaklaşımı önerildi. Python ve Scikit-learn kütüphanesinde yürütülen yazılım uygulaması, Windows tabanlı standart bir PC üzerinde çalıştırıldı. PQCA'ya dayalı bir dijital kontrol tablosu oluşturuldu. Gözlemlerin, PQCA tarafından üretilen karşılık gelen tahminlerinin %95 güven aralığı içinde kaldığı gösterildi. Ayrıca, klasik formül kullanılarak hesaplanan TAE'nin tüm TEa ihlallerini yakalayamadığı da ortaya konuldu. PQCA, ham kontrol verilerini doğrudan kalite hedefleriyle ilişkilendirebilen basit bir prosedür olup, yüksek derecede doğrulukla tahmine dayalı bir yaklaşım sağlamıştır. Klasik TAE hesaplama modeli, tek değişkenli bir Gauss modeline dayanır. PQCA'nın temel aldığı GPML, çok değişkenli bir Gaussian modeldir. Bu nedenle PQCA, klasik IQC modelinin bir genellemesi olarak görülebilir. Laboratuvarlar, PQCA'yı kullanarak analitik kalitenin kontrolüne proaktif bir yaklaşım getirebilir, düzenleyici kurumların gereksinimlerini karşılayabilir ve dolayısıyla daha doğru ve güvenilir hasta sonuçları sağlayabilir. PQCA tabanlı İKK, geleneksel yöntemlerin eksikliklerinin üstesinden gelen tek bir algoritma kullanarak analitik değişkenliğin kontrolünü sağlayabilir. Gelecekte, yeni kullanılabilir hesaplama modelleri, İKK için daha karmaşık, tahmine dayalı matematiksel çerçeveleri mümkün kılacaktır.</p>2023-01-02T00:00:00+03:00Telif Hakkı (c) 2022 Sağlık Bilimlerinde Yapay Zeka Dergisi (Journal of Artificial Intelligence in Health Sciences) ISSN:2757-9646