Sağlık Bilimlerinde Yapay Zeka Dergisi (Journal of Artificial Intelligence in Health Sciences) ISSN:2757-9646

Sağlık Ekosisteminde Yapay Zeka Kaygı Düzeyi: Hemşire Örneklemi

2022-12-15T16:09:02+03:00

Amaç: Bu araştırma, Türkiye’de çalışan hemşirelerin sağlık ekosisteminde yapay zeka kaygı
düzeylerini belirlemek amacıyla yapılmıştır.
Gereç ve Yöntem: Tanımlayıcı tasarımda olan araştırmanın evreni, Türkiye’de çalışan
hemşireler, örneklemini ise araştırmayı kabul eden 215 hemşire oluşturmuştur. Araştırma
verileri, demografik ve mesleki özellikler formu ve Yapay Zeka Kaygı ölçeği ile toplanmıştır.
Araştırma verileri, tanımlayıcı istatistikler ve çoklu lineer regresyon analizi ile
değerlendirilmiştir.
Bulgular: Çalışmaya katılan hemşirelerin Yapay zeka kaygı düzeyi ortalama puanı 2,64
(SS=0,79) olduğu belirlenmiştir. Pozisyonu yönetici hemşire olanların yapay zeka kaygı
düzeyleri daha düşük, diğer çalışanların ise daha yüksek olduğu görülmüştür. Çalışma şekli
vardiya olanların diğer çalışanlara kıyasla yapay zeka kaygı düzeyleri daha düşük
bulunmuştur. Yapay zeka kaygı düzeyi en çok sürekli gece çalışanlarda görülmüştür.
Sonuçlar: Çalışma sonucunda, hemşirelerin anksiyetelerinin yüksek, sağlıkla ilgili aşırı
duyarlılık ve kaygılarının düşük olduğu saptandı. Araştırmada yaşın, gelir durumunun ve
hastalık sürecindeki hissedilen duygunun sağlık anksiyetesini etkilediği görülmüştür. Elde
edilen sonuçların daha büyük örneklemlerde ve daha farklı boyutlar eklenerek çalışılması ve
anksiyeteye sebep olan durumların tespiti için nitel çalışmaların da yapılması önerilmektedir.

CPV Tahmininde Makine Öğrenme Yöntemlerinin Performanslarının Değerlendirilmesi: Farklı Bölgeler ve Parametreler ile Büyük Veri Uygulaması

2022-12-15T16:07:30+03:00

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.

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.

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.

Anahtar kelimeler: Büyük Veri, Veri Madenciliği, Sağlıkta Büyük Veri, Tahmin Algoritmaları, Canine parvovirüsü (CPV)

A New Paradigm For Predicting Past And Future Out of Control Events In Internal Quality Control: Gaussian Process For Machine Learning

2022-12-10T10:45:48+03:00

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.