K-ortalamalar kümeleme yöntemi ile hipotirodizm tanısı konmuş olguların büyük veri kullanılarak incelenmesi

Abstract

Büyük veriyi açıklanabilir hale getirmek geçmişte güç olmasından dolayı ve yakın geçmişte ise zaman ve maliyet bakımından kısıtlarının olması nedeniyle, büyük veri çalışmaları yaygın değildi. Günümüzde ise büyük veriyi analiz etmek hem donanımsal hem de yazılımsal gelişmeler ve her gün genişleyen veri havuzuna karşın mümkün hale gelmiştir. Tez çalışmasında; konjenital hipotiroidizm, hipotroidizm, akut tiroidit tanısı almış olguların laboratuvar ve sosyo-demografik özelliklerine göre büyük veri kullanımı ile analizi yapılması amaçlanmıştır. Tez çalışmasında, Bursa Uludağ Üniversitesi Sağlık Uygulama ve Araştırma Merkezi Hastanesi'nde, bilgi işlem veri tabanından tarama yapılarak ulaşılabilir olan 2005-2018 yılları arasında belirtilen tanıları olan hastaların, ilk tanıda aldığı değerler dikkate alınarak 21125 hasta analize dahil edilmiştir. Veri setinde bulunan laboratuvar ölçüm ve demografik değişkenlere göre k-ortalamalar kümeleme metodu iki kümede şekillenecek şekilde analizler yapılmıştır. Büyük veri kullanımına ek olarak Cliff's Delta etki büyüklüğü katsayısı ile kümeler analiz edilmiştir. Tanı koymada referans alınan Serbest T3 ve Serbest T4 laboratuvar değerleri çalışmamızdaki büyük veri analiz sonuçlarıyla uyumlu çıkarken, TSH laboratuvar ölçüm değerleri uyumsuz çıkmıştır. Büyük veri analizinin sonrasında ortaya çıkan bu farklılıklar, kontrollü çalışmalar ile planlanarak farklılıkların değerlendirilmesi ve araştırılması gerektiğini düşündürmektedir.

In the past, it was difficult to make big data explainable. Until recently, it was not commonly used to cause huge costs and long-term period. Nowadays, it is possible to analyze big data with hardware and software developments and despite the expanding data repository. Aim of this thesis is to analyze congenital hypothyroidism, hypothyroidism and acute thyroiditis diagnosed cases' laboratory measurements and socio-demographic characteristics using big data. In this thesis, were included 21125 patients to the study by taking into consideration the first diagnosis' laboratory measurement values which were between 2005 and 2018 accessible defined as above diagnosed cases from the database of Bursa Uludag University Health Application and Research Center. The data were divided into two clusters according to laboratory measurement and demographic variables. In addition to the usage of big data, clusters were analyzed with the Effect Size of Cliff's Delta. Reference values to diagnose for laboratory measurements which are Free T3 and Free T4 were compatible with results of the big data analysis in our study, although TSH laboratory values were incompatible. The differences after analyzing big data should be considered to evaluate and investigate with planned and controlled studies.