Makine Öğrenmesi ve Topluluk Öğrenme Yöntemleriyle Romatoid Artrit Tahmin Modeli Üzerinde Çalışma ve Bu Hastaların Demografik, Klinik ve Laboratuvar Özellikleri
Düzce Üniversitesi Bilim ve Teknoloji Dergisi, cilt.14, sa.3, ss.695-704, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 14 Sayı: 3
- Basım Tarihi: 2026
- Doi Numarası: 10.29130/dubited.1768590
- Dergi Adı: Düzce Üniversitesi Bilim ve Teknoloji Dergisi
- Derginin Tarandığı İndeksler: Central & Eastern European Academic Source (CEEAS), Directory of Open Access Journals, TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.695-704
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Yozgat Bozok Üniversitesi Adresli: Evet
Özet
Bu çalışmanın amacı, el eklemlerinde ağrı şikayetiyle romatoloji polikliniğine başvuran hastalardan alınan veriler kullanılarak, makine öğrenmesi ve topluluk öğrenmesi yöntemleriyle romatoid artrit (RA) için tanı ve tahmin modeli geliştirmek ve bu RA hastalarının demografik, klinik ve laboratuvar sonuçlarını incelemektir. Bu çalışma, 260 RA'lı ve 161 RA olmayan olmak üzere toplam 421 hastanın demografik özellikleri, klinik bulguları ve laboratuvar test sonuçları üzerinde yürütülmüştür. Tahmin için makine öğrenmesi ve topluluk öğrenme algoritmaları kullanılmıştır. Bu çalışmada, topluluk öğrenme algoritmaları, makine öğrenmesi algoritmalarına göre daha iyi performans göstermiştir. Yığınlama modeli ile %92 doğruluk (%95 güven aralığı (GA), %89-%95), %94 duyarlılık (%95 GA, %91-%97), %88 özgüllük (%95 GA, %84-%91), %92 pozitif tahmin değeri (PPV) (%95 GA, %89-%95), %91 F1 skoru (%95 GA, %88-%94) ve 0,95 AUC (eğri altında kalan alan) sonuçları elde edilmiştir. En iyi performans, yığınlama topluluk öğrenme modeli ile elde edilmiştir. Önerilen bu model, daha fazla hasta içeren yeni çok merkezli çalışmalarla geliştirilebilir, böylece geliştirilen model günlük pratikte kullanılabilir.
The aim of this study is to develop a diagnostic and predictive model for rheumatoid arthritis (RA) with machine learning and ensemble learning methods using data from patients who applied to the rheumatology outpatient clinic with complaints of pain in the hand joints and to review the demographic, clinical and laboratory results of these RA patients. This study was conducted on demographic properties, clinical findings, and laboratory test results of a total of 421 patients, 260 with RA and 161 non-RA. Machine learning and ensemble learning algorithms were used for prediction. In this study, ensemble learning algorithms showed better performance than machine learning algorithms. With the Random Forest Classifier model 88% accuracy (95% confidence interval (CI), 81% - 94% ), 94% sensitivity (95% CI, 88% - 99%), 78% specificity (95% CI, 69% - 86%), 87% positive predictive value (PPV) (95% CI, 79% - 94%), 90% F1 score (95% CI, 84% - 96%), and 0.92 AUC (area under the curve) results were obtained. All three developed ensemble learning models showed similar performance in statistical metrics. These developed models can be improved with new multicenter studies with more patients and can be used in daily practice.