Alzheimer Hastalığının Tahmininde Makine Öğrenmesi Yaklaşımları

Alzheimer Hastalığı (AD), bir bireyin davranışını, hafızasını ve bilişsel işlevlerini önemli ölçüde etkileyen ve nihayetinde bağımsızlık kaybına yol açan bir hastalıktır. AD'nin erken ve doğru teşhisi, özellikle şu anda kesin bir tedavi bulunmadığından, ilerlemesini hafifletmek ve hasta sonuçlarını iyileştirmek için kritik öneme sahiptir. Bu çalışma, hasta semptomlarına ve klinik verilere dayanarak AD'yi tahmin etmek ve teşhis etmek için makine öğrenimi algoritmalarının uygulamasını araştırmaktadır. Bu araştırmada kullanılan veri seti, demografik, yaşam tarzı ve tıbbi faktörleri kapsayan 35 özellik ve eksik değer içermeyen 2.149 hastadan kapsamlı sağlık bilgilerini içerir. Hastalık tahminindeki etkinliklerini belirlemek için yaygın olarak tanınan yedi makine öğrenimi algoritması - KNN, GNB, SVM, DT, RF, AdaBoost ve XGBoost - değerlendirildi. Performans, her modelin sağlam bir değerlendirmesini sağlayan geri çağırma, kesinlik, doğruluk ve F1 puanı ölçümleri kullanılarak değerlendirildi. XGBoost, üstün tahmin yeteneğini vurgulayan %95,35'lik en yüksek doğruluk oranına ulaşırken, KNN %75,54 ile en düşük doğruluğu kaydetti. Sonuçlar, Alzheimer Hastalığının erken teşhisi için karmaşık klinik verileri analiz etmede makine öğrenimi algoritmalarının, özellikle XGBoost gibi topluluk yöntemlerinin gücünü göstermektedir. Bu bulgular, Alzheimer Hastalığı riski taşıyan bireylerin yaşam kalitesini iyileştirmek için gerekli olan tanı doğruluğunu artırma ve zamanında müdahaleleri mümkün kılmada makine öğreniminin kritik rolünü vurgulamaktadır.