Diyabet akıllı destek sistemi: Bilgi erişim teknikleri ile kan şekeri seviyesinin tahmini

Abstract

Diyabet hastalığı tedavisi olmayan ve hayat boyu kontrol altında tutulması gereken bir hastalıktır. Bu tez çalışmasında diyabet hastalarının kan şekeri değerlerinin tahmin edilmesi ve hasta sağlığı üzerinde olumsuz bir durum oluşmaması için hastaların önceden bilinçlendirilmesine katkıda bulunmak amaçlanmıştır. Eğitim ve tahmin işlemleri diyabet hastalarının kullandıkları insülin dozu değerleri, yemek porsiyon değerleri, aktivite değerleri ve kan şekeri ölçüm değerleri kullanılarak yapılmıştır. Bu amaçla her hastanın kan şekeri değerinin doğru tahminini ve tam olarak ifade edilmesini sağlayacak öznitelik (feature) veri setleri oluşturulmuştur. Oluşturulan veri setleri kullanılarak bir veri madenciliği modeli oluşturulmuştur. Kan şekeri değeri tahmini için uygun olan makine öğrenme metotları seçilmiş ve yapılan üç test ile metotlar denenmiştir. Tüm hastalar için test verileri ve farklı boyutlarda eğitim verileri oluşturulmuştur. İlk testte, tüm metotlar her hastanın en büyük boyutlu eğitim verisi ile eğitilerek kan şekeri tahminleri yapılmıştır. Böylelikle tahminin kişiselliği ve metotlar arasındaki farklar incelenmiştir. İkinci testte, tüm hastaların farklı boyutlardaki eğitim verileri ile tüm metotlar eğitilerek kan şekeri tahmini yapılmıştır. Böylelikle tahminin kişiselliği, eğitim verisi boyutunun tahmin üzerindeki etkisi ve metot sonuçları incelenmiştir. Üçüncü testte, her hastanın verisi test verisi olarak kullanılmış ve diğer hastaların verileri birleştirilerek metotlar eğitilmiştir. Böylelikle kan şekeri tahmininin kişisellikten çıkarılarak tüm hastalar için genelleme yapılıp yapılamayacağı incelenmiştir.Bu çalışmalar sonucunda diyabet hastalarının kan şekeri tahminlerinin genellenebilir özeliğinin olduğu fakat başarı oranının yeterince yüksek olmadığı, hastaya özel tahminlerde ise başarı oranın daha yüksek olduğu görülmüştür. Ayrıca metot sonuçları karşılaştırılmış, hastaların kan şekeri değerlerini öngörebilmek için hangi özniteliklerin etkili olduğu saptanmış, dolayısı ile kan şekeri tahmininde insülin dozu, yemek değeri, aktivite değeri ve kan şekeri ölçüm değerlerinin etkinliği belirlenmiştir.

Diabetes is an incurable disease and should be kept under control throug a patient's life. The aim of this work is to raise patient's awareness by estimating the blood sugar levels in order to avoid miscalculations/misinterpretations of blood sugar measurements due to human error.In order make a prediction on the patient's blood sugar levels, the medication levels, food consumption and post blood sugar measurements of several patients are used as the dataset. An extensive set of features is extracted from this dataset in order to create a blood sugar level corpus, which is used to train a machine learning model for predicting the future blood sugar measurements. These models are then tested on the same patient set, for evaluating the performance of the proposed technique. In order to evaluate the effectiveness of the proposed technique, three test settings are constructed. In the first test, the patient's timeline is divided into two: past and future. The past data for each patient is used to train a seperate machine learning model for each patient; and then the established model is evaluated using the future blood sugar measurements of the same patient. The aim of the first set is threefold: To establish whether there are individual factors that dictate a person's blood sugar levels or not, to establish what those factors are if they exist, and to create a baseline for the upcoming tests. In the second test, we limit the size of the training set by leaving out the oldest measurements in the corpus. The aim of this test is to determine the shortest training time where our technique can be useful. In the third test, the training sets for the whole patient database is combined in order to create a single large training data for training a single machine learning model which will be used to predict each patient's blood sugar levels. The aim of this last test is to determine whether the factors that define the blood sugar levels are in fact personal or not. The results of our studies show that it is possible to find and use a generalized model for predicting blood sugar levels of the diabetes patients; though the prediction rates are not high enough for practical use. However, our tests prove that the blood sugar level prediction rates with personalized models are rather high. In this work, a wide range of new contributions is also provided such as comparison of different machine learning algorithms with respect to their prediction quality and analysis on a large range of attributes for predicting blood sugar levels such as insulin dose, food consumption and activity rates.