Apriori birliktelik kuralları madenciliği kullanılarak iç hastalıkları tetkiklerinin keşfedilmesi

Tıbbi verilerin analizi, hastalıkların teşhisi ve tedavisi için önemli bir rol oynar. Günümüzde, veri analizi teknolojileri hızla gelişmekte ve bu teknolojiler sağlık sektöründe de yaygın olarak kullanılmaktadır. Bu bağlamda, son yıllarda yapılan araştırmalar, hastaların tıbbi verilerinden yararlanarak tetkik önerme sistemleri geliştirmeyi amaçlamaktadır. Bu sistemler, hastalıkların tanısı ve tedavisi için gerekli olan tetkiklerin doğru bir şekilde önerilmesine yardımcı olur. Ülkemizde iç hastalıkları polikliniğine başvuru sebeplerinin çok geniş yelpazede olduğu görülmektedir. Bu nedenle birçok tetkikten en önemli tetkiklere indirgeme işlemi klinik uygulanabilirlik açısından oldukça önemlidir. Bu çalışma Apriori algoritması kullanılarak birliktelik kuralı tabanlı bir tetkik önerme sistemi geliştirme amacını taşımaktadır. Çalışmamız, özel bir hastanenin iç hastalık bölümüne başvuran 43,958 farklı hasta üzerinde gerçekleştirilmiştir. Apriori algoritmasıyla yapılan analizin sonucunda 2304 farklı tetkikten 27 farklı tetkike indirgenmiştir. Bu sayede Apriori algoritması, yüksek destek, güven ve kaldırma gücüne sahip olan en güçlü ilişkileri belirleyerek, karmaşıklığı azaltmış ve en bilgilendirici tetkiklere odaklanılmasını sağlamıştır. Analizin işlem süresini ve maliyetini azaltmak için tetkik sayısının azaltılması, verilerin daha etkili bir şekilde işlenmesini sağlar. 27 seçilen tetkik, klinik uygulanabilirlik açısından daha anlamlı olup belirli bir hastalığın teşhisi veya takibi için daha uygun olabilir ve klinik pratiğe daha iyi uyarlanabilir. Azaltılan tetkik sayısı, makine öğrenme ve derin öğrenme modellerinin daha iyi performans göstermesini sağlar. Daha az özellikle çalışmak, model eğitimini hızlandırmakta ve aşırı uyum sorunlarını azaltmaktadır. Önerilen yöntem, hastaların tetkik ve test önerilerini otomatik olarak çıkaracak ve bu sayede sağlık kuruluşlarında daha etkili ve kişiselleştirilmiş tedavi planları oluşturmaya yardımcı olacaktır.

Medical data analysis is crucial for accurate disease diagnosis and treatment, with data analysis technologies rapidly developing and gaining widespread use in the healthcare sector. Consequently, recent research has focused on developing test recommendation systems that utilize patient medical data to accurately suggest necessary diagnostic and treatment-related tests. Given the wide variety of reasons for patient visits to internal medicine outpatient clinics, reducing the complexity of test ordering to focus on the most essential tests is critical for clinical applicability. This study aims to develop an Apriori-algorithm-based association rule test recommendation system. Our study was conducted using data from 43,958 distinct patients admitted to the internal medicine department of a private hospital. The analysis successfully utilized the Apriori algorithm to reduce the number of diagnostic options from 2,304 to a focused set of 27 clinically relevant tests. By identifying the strongest relationships with high support, confidence, and leverage, the Apriori algorithm effectively reduced complexity and focused on the most informative studies. This significant reduction decreases analysis time and cost, enabling more efficient data processing and ensuring better adaptation to clinical practice. Furthermore, the focused set of 27 tests is more clinically relevant for diagnosing or monitoring specific diseases. Working with fewer features not only speeds up model training and mitigates overfitting but also enables better performance of subsequent machine learning and deep learning models. The proposed method will automatically generate personalized patient test recommendations, ultimately helping healthcare organizations create more effective and patient-centered treatment plans.