Erken ve doğru teşhis ile en verimli tedavi uygulamalarına karar destek noktasında kullanılmaya başlanan bilgi teknolojileri, sağlık hizmeti sunucuları ve hastaları için hız, zaman, doğruluk ve kaliteli sağlık hizmeti sunmaya destek olmaktadır. Yine bu alanda, ortaya çıkan hastaya özgü verileri farklı algoritma ve bilgi teknolojileri kullanan modeller geliştirerek, tıpta daha verimli bir şekilde uygulama alanı oluşturabiliriz. Bu çalışmada, tıbbi bilgi sistemleri veri tabanlarında toplanan yapılandırılmış elektronik tıbbi kayıtlara dayanarak polinöropati hastalığı riskini belirlemek için makine öğrenmesi yöntemleri uygulamaktır. EMG(Elektromiyogram) analizine dayalı polinöropati tespiti için, 100 kişiye (72 sağlıklı, 28 polinöropati) ait toplam 2200 gerçek veri seti kullanılmış olup, özellik arz eden veriler yaygın olarak kullanılan Makine Öğrenmesi algoritmalarına uygun olacak şekilde tekrar yapılandırılmıştır. EMG verileri, sınıflandırılmadan önce veri ön işleme, veri gruplandırma ve öznitelik çıkarma aşamalarından geçirilmiştir. Bu aşamada profesyonel sağlık hizmeti sunucularından destek alınarak verimliliğin en üst seviyeye çıkarılması amaçlanmıştır. Bir sonraki aşamada ise Karar Ağaçları, Naif Bayes, K-NN Algoritması, Destek Vektör Makineleri (SVM) Algoritması ve Rastsal Orman sınıflandırma algoritmaları ile veriler sınıflandırılmıştır. Çoklu öznitelik vektörlerinin kullanılması durumunda Naif Bayes algoritması sınıflandırıcıları, diğer sınıflandırıcılara göre EMG verilerini daha yüksek doğrulukla sınıflandırmış olup toplam doğruluk %80 olarak tespit edilmiştir. Ortaya çıkan sonuçlar sağlık hizmeti sunucuları ile paylaşılarak verimliliğin memnun edici seviyede olduğu teyit edilmiştir. Tahmine dayalı modellerin sağlık alanında daha fazla uygulama alanı bulması sağlık hizmeti veren ve alan açısından önemli faydalar sağlayacağı tespit edilmiştir.
Information technologies, which are used at the decision support point for the most efficient treatment applications with early and accurate diagnosis, support to provide speed, time, accuracy and quality health care for healthcare servers and patients. Again, in this field, we can create a more efficient application area in medicine by developing models that use different algorithms and information technologies. The aim of this study is to implement machine learning methods to determine the risk of polyneuropathy based on structured electronic medical records collected in medical information systems databases. A total of 22,000 actual data sets belonging to 1,000 people (720 healthy, 280 polyneuropathies) were used for polyneuropathy detection based on EMG analysis and the featured data was reconfigured to match commonly used Machine Learning algorithms. In this study, EMG(Electromyogram) data was passed through the data preprocessing, data grouping and attribute extraction stages before being classified. At this stage, it is aimed to maximize efficiency by getting support from professional healthcare providers. In the next stage, data is classified with Decision Tree, Naïve Bayes, K-NN Algorithm, Support Vector Machine (SVM) Algorithm and Random Forest classification algorithms. In the case of multiple attribute vectors, Naive Bayes algorithm classifiers classified EMG data with higher accuracy than other classifiers, with total accuracy at 80%. The resulting results were shared with health care providers and the efficiency was confirmed to be satisfactory. It has been determined that predictive models will find more applications in the field of health, providing health care and providing undeniable benefits in terms of the field.