Behçet Üveti Hastalığının erken teşhı̇sı̇ ı̇çı̇n semptom tabanlı bı̇r klı̇nı̇k karar destek sı̇stem tasarımı

Behçet hastalığı, ağız ülserleri, genital ülserler ve göz iltihapları (üveit) gibi çeşitli semptomlarla kendini gösteren, kronik ve tekrarlayıcı bir sistemik inflamatuar hastalıktır. Özellikle gözde gelişen üveit türü, retina ve damarları etkileyerek kalıcı görme kaybına neden olabilmektedir. Bu nedenle, hastalığın erken teşhisi ve doğru tedavi yöntemlerinin belirlenmesi hayati önem taşımaktadır. Ancak, bu hastalığın tanısında spesifik bir laboratuvar testinin olmaması ve semptomlarının diğer hastalıklarla benzerlik göstermesi, tanı sürecini karmaşık hale getirmektedir. Bu bağlamda, gerçekleştirilen bu çalışmada, üveit tanısı almış hastaların Behçet üveiti olup olmadığını belirlemek amacıyla makine öğrenmesine (MÖ) dayalı bir karar destek sistemi önerilmiştir. Önerilen sistemde beş farklı makine öğrenme (MÖ) algoritmasının sınıflandırma başarımları on farklı örnekleme tekniği kullanılarak kıyaslanmıştır. Sınıflandırma işleminde eğitim ve test aşamasında kullanılacak olan veriler 80:20, 70:30, 60:40 ve 50:50 olmak üzere farklı oranlarda bölünmüştür. Algoritmaların başarımlarının karşılaştırılmasında veri setindeki tüm özellikleri kullanılarak doğruluk, duyarlılık, kesinlik ve F1 skoru başarı ölçütleri hesaplanmıştır. Yapılan analizlerde veri setinin bölünme oranının sınıflandırma başarısını etkilediği görülmüştür. En yüksek başarım %87 ile veri setinin 70/30 oranında bölünmesi durumunda Near Miss az örnekleme tekniği uygulanan Bagging sınıflandırma algoritması için elde edilmiştir. Yapılan analizler sonucunda, veri setinin bölünme oranı, kullanılan sınıflandırma algoritması ve örnekleme tekniklerinin uygulanmasının model başarımını önemli ölçüde etkilediği gösterilmiştir. Bu çalışma, Behçet hastalığının üveit tanısında MÖ tabanlı yaklaşımların etkinliğini ve bu tekniklerin klinik uygulamalarda potansiyelini vurgulamaktadır. Gelecekteki çalışmalar, daha büyük ve çeşitli veri setleri üzerinde yapılarak bu bulguların genelleştirilmesi üzerinde durulması planlanmaktadır.

Behçet's disease is a chronic and recurrent systemic inflammatory disease that manifests itself with various symptoms such as mouth ulcers, genital ulcers and eye inflammation (uveitis). Especially the type of uveitis that develops in the eye can affect the retina and blood vessels and cause permanent vision loss. Therefore, early diagnosis of the disease and determination of the correct treatment methods are of vital importance. However, the lack of a specific laboratory test for the diagnosis of this disease and the similarity of its symptoms to other diseases complicate the diagnostic process. In this context, in this study, a decision support system based on machine learning (ML) was proposed to determine whether patients diagnosed with uveitis have Behçet's uveitis. In the proposed system, the classification performances of five different machine learning (ML) algorithms were compared using ten different sampling techniques. The data to be used in the training and testing stages of the classification process were divided in different ratios as 80:20, 70:30, 60:40 and 50:50. In the comparison of the algorithms' performance, accuracy, sensitivity, precision and F1 score success criteria were calculated using all the features in the data set. In the analyses, it was seen that the data set's split ratio affected the classification success. The highest success rate was obtained with 87% for the Bagging classification algorithm, which applied the Near Miss undersampling technique when the data set was split 70/30. As a result of the analyses, it was shown that the data set's split ratio, the classification algorithm used and the application of sampling techniques significantly affected the model performance. This study emphasizes the effectiveness of ME-based approaches in the diagnosis of uveitis in Behçet's disease and the potential of these techniques in clinical applications. Future studies are planned to be conducted on larger and more diverse data sets and to focus on the generalization of these findings.