Machine Learning In Healthcare And Medicine Applications


Önder E., Gözübol Z. İ. , Sevim E.

3rd International Health and Hospital Administration Congress, Sakarya, Türkiye, 10 - 13 Ekim 2019, cilt.1, sa.1, ss.1-5

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Cilt numarası: 1
  • Basıldığı Şehir: Sakarya
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.1-5

Özet

Amaç: Çalışmanın amacı; sağlık hizmetleri ve tıp alanında yazılmış olan akademik çalışmalarda yapay zekânın bir alt kümesi olan makine öğreniminin kullanım alanlarını ve uygulamaları incelemektir. 

Yöntem: Belirlenen amaca ulaşabilmek için akademik veritabanlarından ve indekslerden “makine öğrenimi”, “sağlık hizmetleri”, “sağlık”, “sağlık yönetimi” arama kelimeleri kullanılarak 311 adet makale indirilmiş ve bunlardan bu çalışmaya uygun olan 159 tanesi detaylı incelenmiştir. Akademik çalışmaların yılları, hangi ülke yazarları tarafından hazırlandıkları, hangi sağlık konusunu işledikleri, hangi akademik dergilerde yayınlandıkları, hangi anahtar kelimeleri kullandıkları ve hangi makine öğrenimi algoritmalarından yararlandıkları gibi kategorilerde frekans grafikleri çizilmiştir.

Bulgular: Çalışmaların yayınlandığı yıllar incelendiğinde en fazla çalışma 2014 (24), 2015 (30) ve 2016 (27) yıllarında yapılmıştır. Akademik çalışmaların yayınladığı dergi ve konferanslar incelendiğinde sağlık alanında makine öğreniminin kullanıldığı araştırmalara JAMA (9), PLOS ONE (7), “Computational and Structural Biotechnology Journal” (3), “Health Affairs” (3), “American Journal of Preventive Medicine” (2) ve “Expert Systems with Applications” (2) dergilerinde ve IEEE’nin düzenlediği kongrelerde sunulan bildirilerde (16) sıklıkla rastlanmıştır. Akademik çalışmaların yazarlarının (her çalışmanın ilk üç yazarı) ülkeleri incelendiğince ABD (103), İngiltere (24) ve Çin (22) ülkeleri en üst sırada çıkan ülkeler olmuştur. Bu ülkeleri Yunanistan (11), Singapur (9), Hindistan (8), Fransa (6), Almanya (6), Fransa (6), İran (5), Kanada (5), Danimarka (4) ve Slovenya (4)  takip etmiştir. Kullanım sıklığına göre sıralandığında “Makine öğrenimi”, “veri madenciliği”, “sağlık hizmetleri”, “büyük veri”, “elektronik sağlık kayıtları”, “öngörü modelleri”, “giyilebilir cihazlar”, “sağlık enformatiği”, “sınıflandırma”, “nesnelerin interneti”, “tıbbi enformatik”, “yapay zeka”, “mobil sağlık hizmetleri”, “derin öğrenme”, “doğal dil işleme”, “bulut bilişim”, “insan hareket analizi / algılama”, “kalp yetmezliği”, “sağlık yönetimi”, “sensör”, “kanser” ve “sağlık yönetimi” anahtar kelimeleri çalışmalarda sıklıkla kullanılmıştır. Makine öğreniminin sıklıkla kullanıldığı veri analizi yöntemleri regresyon, sınıflandırma, kümeleme ve boyut indirgemedir. Bu çalışma kapsamında incelenen akademik çalışmalarda en sık sınıflandırma analizine yer verilmiştir. Çalışmalarda en sık kullanılan makine öğrenimi algoritmaları sırasıyla derin öğrenme (39), destek vektör makineleri (25), karar ağaçları (21), yapay sinir ağları (16), naif bayes (14), lojistik regresyon (8), rassal orman algoritması (4), J48 algoritması (4), bayes ağları (3) ve k-en yakın komşuluk algoritmasıdır (2). Makine öğrenimi yöntemlerinin performansları genellikle %70 ile %100 arasında değişmektedir. “Accuracy” ve “F Score” sıklıkla kullanılan performans parametreleridir. Uç değerler atıldığında veri setlerine ait satır sayısı ortalaması (birim sayısı) 333, sütun sayısı (değişken sayısı) ortalaması ise 15 olarak bulunmuştur.

Sonuç: Çalışma sonuçlarına göre daha sık olarak tıp alanında çalışma var iken sağlık yönetimi alanında çalışmaya daha az rastlanmıştır. Büyük veri (%9,82), elektronik sağlık kayıtlarının analizi (%8,59), kalp yetmezliğinin değerlendirilmesi (%6,13), klinik görüntüleme (%4,91), genomik (%4,29), kanser nüks tahmini (%3,68), kanserde hayatta kalma tahmini (%3,68), diyabet hastalığı tanısı (%3,07), mobil sağlık uygulamaları (%3,07), kalp hastalığı tanısı (%2,45), giyilebilir teknoloji ve bulut bilişim ile bütünleşme (%1,84), hepatit hastalığı tanısı (%1,84), karaciğer hastalığı tanısı (%1,84), aktivite izleme (%1,84), dang humması hastalığı tespiti (%1,23), doğal dil işleme (%1,23) ve radyoloji (%1,23) en çok rastlanan uygulama alanları olarak tespit edilmiştir. Sağlık yönetimi kapsamında hastaneye giriş yapan hastalar için hasta kalış süresi ve maliyetlerinin tahmini daha sık çalışmalar yapılabilir konular olarak öngörülmektedir. Türkiye’de sağlık yönetimi ve tıp alanında makine öğrenimin kullanıldığı akademik çalışmaların artmasında fayda vardır.

Anahtar Kelimeler: Sağlık Hizmetleri, Tıp, Sağlık Yönetimi, Yapay Zekâ, Makine Öğrenimi, Derin Öğrenme

Aim: The aim of this study is to examine the content and applications of machine learning, subset of artificial intelligence, in academic studies written in the field of health services and medicine.

Method: In order to achieve this aim, 311 academic paper were reached by entering relevant keywords namely “machine learning”, “health services”, “health”, “health management” using academic databases and indexes and 159 of them were analyzed in detail for a comprehensive literature review. Frequency graphs were drawn in categories such as the years of academic studies, authors' countries, health subject, academic journals, keywords and machine learning algorithms.

Findings: When the years in which the studies were published were examined, the most studies were conducted in 2014 (24), 2015 (30) and 2016 (27). “JAMA” (9), “PLOS ONE” (7), “Journal Computational and Structural Biotechnology Journal” (3) ,“Health Affairs” (3), “American Journal of Preventive Medicine” (2) and “Expert Systems with Applications” (2) journals  and proceedings of IEEE (16) congresses were frequently seen. When the countries of the authors of the academic studies (the first three authors of each study) were examined, the countries of USA (103), England (24) and China (22) were the top countries. These countries were followed by Greece (11), Singapore (9), India (8), France (6), Germany (6), France (6), Iran (5), Canada (5), Denmark (4) and Slovenia (4). “Machine learning”, “data mining”, “health services”, “big data”, “electronic health records”, “forecasting models”, “wearable devices”, “health informatics”, “classification”, “Internet of Things”, “Medical Informatics”, “Artificial Intelligence”, “Mobile Health Services”, “Deep Learning”, “Natural Language Processing”, “Cloud Computing”,“ Human-Motion Analysis/Activity Recognition”, “Heart Failure”, “Healthcare“, “Sensor”, “Cancer” and “Health Management” keywords are frequently used in the studies. Regression, classification, clustering and dimension reduction are the methods of data analysis that frequently use in machine learning. In this study, “classification” analysis is the most frequent one in the academic studies examined. The most commonly used machine learning algorithms are deep learning (39), support vector machines (25), decision trees (21), artificial neural networks (16),  naive bayes(14), logistic regression (8), random forest algorithm (4), J48 algorithm (4), bayesian networks (3) and k-nearest neighborhood algorithm (2). The performance of machine learning methods generally ranges from 70% to 100%. “Accuracy” and “F Score” are frequently used as performance parameters. When the outliers are discarded, the average number of rows (number of units) of the data sets is 333 and the average number of columns (number of variables) is 15.

Results: According to the results of the study, while there are more studies in the field of medicine, it is less common to work in the field of health management. Big data (%9,82), analysis of electronic health records (%8,59), assessment of heart failure (%6,13), clinical imaging (%4,91), genomic (%4,29), cancer recurrence prediction (%3,68), cancer survival prediction (%3,68), diagnosis of diabetes disease (%3,07), mobile health care applications (%3,07), diagnosis of heart disease (%2,45), integration with wearable technology and cloud computing (%1,84), diagnosis of hepatitis (%1,84), diagnosis of liver disease (%1,84), activity monitoring (%1,84), dengue fever disease detection (%1,23), natural language processing (%1,23) and radiology (%1,23) were the most common application areas. Within the scope of health management, estimation of the duration of patient stay and costs for patients entering hospital are considered as more workable subjects. It is useful to increase the number of academic studies using machine learning methods in the field of healthcare management and medicine in Turkey.

Keywords: Healthcare Services, Medicine, Healthcare Management, Artificial Intelligence, Machine Learning, Deep Learning