Türkiye'de kolon kanserine bağlı ölümlerin makine öğrenmesiyle tahmini
Küçük Resim Yok
Tarih
2025
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Bu çalışmanın temel amacı, Türkiye'deki 2015-2024 yılları arasındaki kolon kanseri mortalite verilerini kullanarak, 2025-2030 dönemi için bölgesel bazlı ölüm sayılarını XGBoost makine öğrenmesi algoritması ile tahmin etmektir. Kolon kanseri, hem küresel ölçekte hem de Türkiye'de en sık görülen ve en yüksek mortalite oranlarına sahip kanser türlerinden biri olarak önemli bir halk sağlığı sorunudur. Gelecekteki mortalite yükünün doğru bir şekilde tahmin edilmesi, sağlık politikalarının geliştirilmesi, kaynakların etkin bir şekilde tahsis edilmesi ve önleyici stratejilerin hedeflenmesi açısından kritik bir öneme sahiptir. Bu tez kapsamında, olumtarihi, cinsiyet, yas_grup ve bolge_adi değişkenlerini içeren çok değişkenli bir veri seti kullanılmıştır. Geleneksel zaman serisi modellerinin karmaşık ve doğrusal olmayan ilişkileri modellemedeki sınırlılıkları göz önüne alınarak, bu çalışmada yüksek tahmin doğruluğu ve esnekliği ile bilinen eXtreme Gradient Boosting (XGBoost) algoritması tercih edilmiştir. Zaman serisi verisi, öznitelik mühendisliği teknikleri kullanılarak denetimli bir öğrenme problemine dönüştürülmüştür. Bu süreçte, modelin zamansal bağımlılıkları, mevsimselliği ve trendleri öğrenebilmesi için tarihsel verilerden gecikme (lag) özellikleri, hareketli pencere istatistikleri ve zaman bazlı (takvimsel) öznitelikler türetilmiştir. Kategorik değişkenler (cinsiyet, yas_grup, bolge_adi) ise One-Hot Encoding yöntemi ile sayısal formata dönüştürülmüştür. Çok adımlı tahmin problemini çözmek için özyinelemeli (recursive) bir tahmin stratejisi benimsenmiştir. Bu stratejide, tek adımlı tahminler yapmak üzere eğitilen model, kendi tahminlerini bir sonraki adım için girdi olarak kullanarak gelecekteki değerleri ardışık olarak üretmiştir. Modelin performansı, Ortalama Mutlak Hata (MAE), Kök Ortalama Kare Hata (RMSE) ve Ortalama Mutlak Yüzde Hata (MAPE) metrikleri kullanılarak zamana duyarlı çapraz doğrulama (time-series cross-validation) ile titizlikle değerlendirilmiştir. Elde edilen tahminler, Türkiye'nin farklı coğrafi bölgelerinde 2025-2030 yılları arasında beklenen kolon kanseri mortalite yükünü ortaya koymaktadır. Bu sonuçlar, bölgesel farklılıkları ve potansiyel risk artışlarını gözler önüne sererek, halk sağlığı planlamacıları ve politika yapıcılar için kanıta dayalı, stratejik öngörüler sunmaktadır.
The primary objective of this study is to forecast region-based colon cancer mortality figures for the period 2025-2030 by utilizing mortality data from 2015-2024 in Turkey with the XGBoost machine learning algorithm. Colon cancer stands as a significant public health issue, being one of the most common cancers with high mortality rates both globally and in Turkey. Accurate forecasting of the future mortality burden is critical for developing health policies, allocating resources effectively, and targeting preventive strategies. Within the scope of this thesis, a multivariate dataset including the variables olumtarihi (date of death), cinsiyet (gender), yas_grup (age group), and bolge_adi (region name) was used. Considering the limitations of traditional time series models in modeling complex and non-linear relationships, the eXtreme Gradient Boosting (XGBoost) algorithm, known for its high predictive accuracy and flexibility, was preferred in this study. The time series data were transformed into a supervised learning problem using feature engineering techniques. In this process, lag features, rolling window statistics, and time-based (calendar) features were derived from historical data to enable the model to learn temporal dependencies, seasonality, and trends. Categorical variables (cinsiyet, yas_grup, bolge_adi) were converted into a numerical format using the One-Hot Encoding method. A recursive forecasting strategy was adopted to solve the multi-step forecasting problem. In this strategy, the model, trained to make single-step predictions, sequentially generates future values by using its own predictions as input for the subsequent step. The model's performance was rigorously evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE) metrics with time-series cross-validation. The resulting forecasts reveal the expected colon cancer mortality burden in different geographical regions of Turkey between 2025 and 2030. These results, by highlighting regional differences and potential increases in risk, provide evidence-based, strategic insights for public health planners and policymakers.
The primary objective of this study is to forecast region-based colon cancer mortality figures for the period 2025-2030 by utilizing mortality data from 2015-2024 in Turkey with the XGBoost machine learning algorithm. Colon cancer stands as a significant public health issue, being one of the most common cancers with high mortality rates both globally and in Turkey. Accurate forecasting of the future mortality burden is critical for developing health policies, allocating resources effectively, and targeting preventive strategies. Within the scope of this thesis, a multivariate dataset including the variables olumtarihi (date of death), cinsiyet (gender), yas_grup (age group), and bolge_adi (region name) was used. Considering the limitations of traditional time series models in modeling complex and non-linear relationships, the eXtreme Gradient Boosting (XGBoost) algorithm, known for its high predictive accuracy and flexibility, was preferred in this study. The time series data were transformed into a supervised learning problem using feature engineering techniques. In this process, lag features, rolling window statistics, and time-based (calendar) features were derived from historical data to enable the model to learn temporal dependencies, seasonality, and trends. Categorical variables (cinsiyet, yas_grup, bolge_adi) were converted into a numerical format using the One-Hot Encoding method. A recursive forecasting strategy was adopted to solve the multi-step forecasting problem. In this strategy, the model, trained to make single-step predictions, sequentially generates future values by using its own predictions as input for the subsequent step. The model's performance was rigorously evaluated using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), and Mean Absolute Percentage Error (MAPE) metrics with time-series cross-validation. The resulting forecasts reveal the expected colon cancer mortality burden in different geographical regions of Turkey between 2025 and 2030. These results, by highlighting regional differences and potential increases in risk, provide evidence-based, strategic insights for public health planners and policymakers.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Onkoloji, Halk Sağlığı
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Erbay, M. (2025). Türkiye'de Kolon Kanserine Bağlı Ölümlerin Makine Öğrenmesiyle Tahmini (Tez No. 975279) [Yüksek Lisans Tezi, Düzce Üniversitesi].
