Van İlinde Meme Kanseri Hastalığını Erken Teşhis Etme Yaklaşımı

Kına E., Karaca M., İnan M., Biçek E.

Van'ın Geleceği Sempozyumu, Van, Türkiye, 1 - 02 Aralık 2022, cilt.0, sa.0

  • Yayın Türü: Bildiri / Özet Bildiri
  • Cilt numarası: 0
  • Basıldığı Şehir: Van
  • Basıldığı Ülke: Türkiye
  • Van Yüzüncü Yıl Üniversitesi Adresli: Evet

Özet

Dünyanın dört bir yanındaki sağlık sistemleri, artan kronik hastalıklar, kaynak kıtlığı, yaşlanan nüfus nedenleriyle önemli zorluklarla karşı karşıyadır. Genel olarak, kronik hastalığın yükselişini önlemenin en iyi yolu, hastalık gelişmeden önce önlem almak ve tarama yapmaktır. Bununla birlikte, birinci basamakta çoğu doktor, kronik hastalıkları önlemek için zaman, kaynak ve araçlardan yoksundur. Araştırma çalışmamız, Van ilinde olası meme kanseri hastalıklarını erken bir aşamada tahmin etme yaklaşımlarını uyarlamayı amaçlamaktadır. Bu çalışmada Naive Bayes, Logistic Regresyon, k-Nearest Neighbors, Support Vector Machines, Decision Trees, Random Forests, Yapay Sinir Ağları, Adaboost, XGBoost ve Gradient Boosting gibi sınıflandırma modellerinin oluşturulması amaçlanmıştır. Çalışma için Wisconsin Breast Cancer (WDBC) veri seti kullanılarak geliştirilecek sistem Van ilindeki mevcut hastanelere önerilecektir. Mevcut halde en iyi sonuçlar oylama sınıflayıcısından elde edilmiş olup, %92 doğruluk değeri elde edilmiştir.


Healthcare systems around the world are facing significant challenges due to the increase in chronic diseases, resource scarcity, and an aging population. In general, the best way to prevent the escalation of chronic disease is to prevent and screen before the disease develops. However, most primary care physicians lack the time, resources, and tools to prevent chronic disease. Our research study aims to adapt approaches to predict probable early stage breast cancer in Van province. In this study, classification models such as Naive Bayes, Logistic Regression, k-nearest neighbors, Support Vector Machines, Decision Trees, Random Forests, Artificial Neural Networks, Adaboost, XGBoost and Gradient Boosting will be developed. The system to be developed using the Wisconsin Breast Cancer (WDBC) dataset for the study will be recommended to existing hospitals in Van. Currently, the best results are obtained with the Voting Classifier, which has an accuracy of 92%.