Akademik Veri Yönetim Sistemi
5. Uluslararası Türk Dünyası Mühendislik ve Fen Bilimleri Kongresi, Antalya, Türkiye, 4 - 07 Aralık 2025, cilt.1, ss.292, (Özet Bildiri)
At sağlığı ile ilgili karmaşık klinik veriler üzerinde makine öğrenimi algoritmalarının etkinliği kapsamlı bir şekilde araştırılarak ve veteriner hekimlikte hızlı ve doğru tanı koymanın kritik önemi göz önünde bulundurularak, at veri kümesi kullanılarak çeşitli sınıflandırma modelleri geliştirilmiştir. MATLAB Classification Learner uygulaması kullanılarak; Karar Ağaçları, Destek Vektör Makineleri (SVM), Yapay Sinir Ağları ve farklı Topluluk yöntemlerini içeren 24 farklı makine öğrenimi algoritması karşılaştırmalı performans analizi ile incelenmiştir. Modellerin performansı doğruluk ve F1 puanı gibi standart metriklerle değerlendirilmiştir. Karşılaştırmalı analiz sonucunda, Torbalı Ağaçlar tabanlı Topluluk modelinin diğer tüm yöntemlerle karşılaştırıldığında üstün tahmin performansı sergilediği belirlenmiştir. En iyi sonuçları veren bu model için ROC eğrisi, saçılım grafiği ve karmaşıklık matrisi gibi detaylı değerlendirme araçları kullanılmıştır. Sınıflandırma, 3 saniyeden uzun kılcal dolum süresi ve 3 saniyeden kısa kılcal dolum süresi olarak sınıflandırılmıştır. Sınıf bazında F1 puanlarına bakıldığında birinci sınıf için 90,4 gibi yüksek bir değer elde edilirken, ikinci sınıf için bu değer 77,8 olarak kaydedilmiştir. Bu çalışmada, özellikle şoktaki atlarda; bitkinlik, periferik soğuma (distal kulaklar, ekstremiteler, nazolabial bölge, deri ve kuyruk), mukozada mavi- kırmızıdan gri-kırmızıya doğru renk değişimi, kılcal dolum zamanında değişiklik, yüksek kalp hızı ve zayıf nabız, solunum hızında artış, kas titremeleri ve laminitis görülebilmektedir. Hipovolemik şok veya endotoksemi semptomlarının dikkate alınması olası ciddi sorunlar hakkında önemli ipuçları verebilir. Atlarda dolaşım bozuklukları veya ağrıların muayenesi veteriner hekimler için önemli bir mesleki deneyim olarak kabul edilmekte ve birçok olguda uygulanacak tedavi yönteminin doğru kararı hızlı muayene kriteri ile verilebilmektedir. Bazı durumlarda, bu kriterlere ek olarak yardımcı faktörlerin kullanılması, kısa sürede karar verilmesi gereken durumlar için bağlayıcıdır ve bu karar doğrultusunda uygulanacak tıbbi veya cerrahi müdahale yöntemlerinin, hasta atların hayatta kalma şanslarını doğrudan etkileyeceği düşünülmektedir. Bu çalışmanın temeli, makine öğrenmesinin at sağlığı tahmin sistemlerinin geliştirilmesindeki potansiyelini vurgulamakta ve özellikle topluluk yöntemlerinin klinik uygulamalar için değerli çıkarımlar sağlayabileceğini ortaya koymaktadır.