Ailevi Akdeniz Ateşi'nde kolşisin tedavisinin makine öğrenmesi analizi

Abstract

Bu çalışmada Ailevi Akdeniz Ateşi hastalığı tespiti oldukça zor işlemler ve süreçler sonrası elde edilebilmektedir. Birçok hasta uzun bir süre boyunca hastalığın belirtileri taşımasına rağmen hastalık teşhisi yapılamamaktadır. Bunun asıl sebebi de birçok Dahiliye doktoru, hastalık belirtileri ile gelen hastalardan farklı hastalıklardan şüphe duymasıdır. Çünkü Ailevi Akdeniz Ateşi hastalığı günümüze kadar sık rastlanan hastalıklar arasında yer almamıştır. Bu çalışmada Ailevi Akdeniz Ateşi (FMF) hastalığının tespit edilmesi için yapılabilecek çalışmalar ve bu çalışmaların uygulama yöntemleri ile ilgili çalışmalar yer almaktadır. Makine Öğrenmesi yöntemleri ile ilk olarak hastalıkta yer alan önemli kriterlerinin belirlenmesi ve ardından kişinin Ailevi Akdeniz Ateşi hastası olup olmama ihtimali hakkında doktora bilgi vermesi sağlanacağı düşünülmüştür. Fakat veri setinin böyle bir sınıflandırma problemini ele almak için yetersiz olması nedeniyle çalışma hastalık tedavisinde kullanılan en önemli ilaçlardan biri olan kolşisin tedavisine hastaların yanıt vermesi veya vermemesi durumlarını incelemek olarak araştırmaya yeni bir yön verilmiştir. Bu bağlamda, Ailevi Akdeniz Ateşi (AAA) hastalığına ait demografik bilgiler, klinik semptomlar ve genetik varyantlar gibi çeşitli özellikler içeren özelleştirilmiş bir veri seti üzerinde çalışma gerçekleştirilmiştir. Özellik seçimi sürecinde, chi2-değerine dayalı SelectKBest algoritması kullanılarak 8 kritik özellik belirlenmiştir. Bu özellikler üzerinde gerçekleştirilen analizde, Logistic Regression modeli dikkate değer sonuçlar elde etmiştir. Bu model, ortalama doğruluk oranı %85.42, ortalama hassasiyet %85.81, ortalama geri çağırma %99.17 ve ortalama F1 skoru %92.00 olarak belirlenmiştir. Bu sonuçlar, Ailevi Akdeniz Ateşi hastalığının teşhisinde yüksek doğruluk ve hassasiyetle çalışan bir modelin geliştirilmesine olanak tanımaktadır. Bu bulgular, Ailevi Akdeniz Ateşi hastalığının erken teşhisinde ve kişiselleştirilmiş tedavi stratejilerinin geliştirilmesinde önemli bir katkı sağlayabilir. Çalışma, bu alandaki daha geniş kapsamlı araştırmalar için sağlam bir temel oluşturmaktadır ve alanında önemli bir adım olarak değerlendirilebilir.In this study, the detection of Familial Mediterranean Fever (FMF) disease is challenging and can be achieved after complex processes and procedures. Many patients, despite exhibiting symptoms of the disease for an extended period, cannot receive a diagnosis. The main reason for this is that many internal medicine doctors harbor suspicions of different diseases when presented with patients showing symptoms of the disease. This is because Familial Mediterranean Fever has not been commonly encountered among diseases until today. This study encompasses research on the methods and application techniques that can be employed for the detection of Familial Mediterranean Fever disease. The learning method is utilized, and machine learning methods are employed initially to identify the crucial criteria present in the disease. Subsequently, it is envisioned that the patient will provide information to the doctor about the likelihood of having Familial Mediterranean Fever. However, due to the inadequacy of the dataset, the study has been revised to investigate the response or lack of response of patients to colchicine, one of the most important drugs used in the treatment of the disease. In this context, a customized dataset containing demographic information, clinical symptoms, and genetic variants related to Familial Mediterranean Fever was analyzed. In the feature selection process, 8 critical features were identified using the SelectKBest algorithm based on ANOVA F-value. In the analysis conducted on these features, the Logistic Regression model yielded noteworthy results. This model determined an average accuracy rate of 85.42%, average precision of 85.81%, average recall of 99.17%, and an average F1 score of 92.00. These results provide the opportunity to develop a model that operates with high accuracy and precision in the diagnosis of Familial Mediterranean Fever. These findings can contribute significantly to the early diagnosis of FMF and the development of personalized treatment strategies. The study establishes a robust foundation for broader research in this field and can be considered a significant step in the field.