Bazı migrenli hastalar baş ağrısı ataklarının nedensiz bir şekilde başladığını ifade ederler ancak çoğunlukla hormonal değişimler gibi içsel ya da hava değişimi, bazı
kokular vb. gibi bir dışsal tetikleyici ya da tetikleyiciler birlikteliği ağrıyı başlatır. Her migreni olan kişi tetikleyici bu etkenlere aynı duyarlılıkta olmayabilir. Bazılarında tek bir tetikleyici faktör ağrıyı başlatabilirken bazılarında da birkaç tanesinin birlikte olması ancak ağrıyı başlatabilir. Örneğin tek başına bilgisayar başında çok çalışmak ağrıyı başlatmazken, çalışma sonrasında alkol alımı, geç yatmak ve sabah da kahvaltıyı geciktirmek atağı başlatabilir.
Migreni en sık olarak tetikleyenler stres, menstruasyon, az uyumak, fazla uyumak, öğün atlamak, yorgunluk, hava değişimleri (nem, basınç, rüzgar), alkol (özellikle şarap, bira), koku (parfüm ya da keskin kokulu kimyasallar), parlak ışık, sigara dumanı, yüksek rakım, öksürük, bazı gıdalardır. Bu tetikleyicilerin çoğu migren dışı baş ağrılarında da tetikleyici özelliğe sahiptirler. Koku, sigara dumanı, hava değişikliği ve parlak ışık diğerlerine göre daha çok migrene özgü tetikleyicilerdir. Gıdalar içinde de peynir, alkol (özellikle kırmızı şarap), nitratlı besinler sayılabilir. Az sayıda hastaya özgü başka gıdalar da bildirilmiştir [25].
BÖLÜM 4. ANKET VE VERİ MADENCİLİĞİ UYGULAMASI
Bu tez çalışmasında gerçekleştirilen uygulama, Sakarya Üniversitesi akademik ve idari personeline uygulanan anket verilerinden yararlanılarak gerçekleştirilmiştir. Rastgele seçilen 170 personele uygulanan olası migren teşhisine yönelik anket sonuçlarında apriori algoritması kullanılarak birliktelik kuralları çıkarılmaya çalışılmıştır. Toplanan ham veriler SQL Server 2007 yardımıyla veri önişleme teknikleri kullanılarak analiz yapmaya uygun hale getirilmiştir. Kayıp değerli alanlara, o niteliğe ait diğer değerlerin ortalaması atanmıştır. Böylece veri dağılımı çok fazla değiştirilmeden kayıp değerli alanların kullanılabilir hale getirilmesi sağlanmıştır. Veri toplanmasında anket yöntemi kullanıldığından dolayı veritabanında anlamsız / niteliksiz verilere rastlanmamıştır. Veri toplama yöntemi olarak anket uygulamasının seçilmesi sonucunda veri kaybının en aza indirgenilmesi sağlanmıştır.
Çalışmada kullanılan anket Tablo 4.1’de sorularıyla birlikte sunulmuştur.
Birliktelik kuralarının oluşturulmasında yararlanılan algoritma son derece yaygın olarak kullanılan apriori algoritması olarak seçilmiş, öncelikle destek ve güven ölçütlerini karşılaştırmak için eşik değerler belirlenmiştir.
Destekeşik = % 60 Güveneşik = % 80
Burada eşik destek sayısı 0,60 * 170 =102 olarak belirlenmiştir.
Her bir alan için destek sayıları hesaplanmıştır. Eşik değeri ile karşılaştırılan destek değerlerinin içinden eşik değerinden düşük olanlar çıkarılmıştır. 102 eşik değerinden büyük olan alanlara ait veriler Tablo 4.2’de sunulmuştur.
1 Yaş 20’den az 20-40 40-60
2 Boy 155’ten az 155-175 175’ten fazla
3 Kilo 40’dan az 40-60 60-80 80’den fazla
4 Cinsiyet Erkek Kadın
5 Kan Grubunuz 0 Rh+ 0 Rh- A Rh+ A Rh- B Rh+ B Rh- AB Rh+ AB Rh-
6 Medeni Haliniz Evli Bekar Dul
7 Kadro Durumu Akademik İdari 8 Adapazarı’nda sanayi bölgesine
yakın bir yerde mi oturuyorsunuz? Evet Hayır 9 Ailenizde baş ağrısı rahatsızlığı
olan var mı? Evet Hayır
10 Alkol kullanıyor musunuz? Evet Hayır 11 Sigara kullanıyor musunuz? Evet Hayır 12 Son bir yıl içinde baş ağrınız oldu
mu? Evet Hayır
13 Ne kadar sıklıkta baş ağrısı
yaşıyorsunuz? Her gün
Haftada
2-3 kez Ayda 1-2 kez
Birkaç ayda bir kez 14 Baş ağrınızın şekli?
Sürekli Atak şeklinde (ani gidiş-geliş) 15 Baş ağrınız ortalama ne kadar
sürüyor?
30dk-4saat 4-8 saat 24 saatten fazla 72 saatten fazla 16 Ağrı başınızın hangi bölgesinde
oluşuyor? Başınızın sağında Başınızın solunda Başınızın herhangi bir yerinde
Her iki tarafta
Başınızın tamamın
da 17 Zonklayıcı baş ağrınız oluyor mu? Evet Hayır
18 Başınızı hareket ettirdiğinizde
ağrınız artıyor mu? Evet Hayır 19 Evet ise baş ağrınızın derecesi?
1-Çok az 2- Fazla ama dayanılır
3-Hastaneye gitmeniz gerekiyor
20 Genel olarak baş ağrınızın derecesi 1-3 Hafif şiddet 4-6 Rahatsız edici fakat günlük işlere devam edilebiliyor 7-9 Yaptığınız işi bırakmaya sebep oluyor 10-Hastaneye gitmeniz gerekiyor 21 Baş ağrısı sırasında bulantı kusma
oluyor mu? Bulantı Kusma Her ikisi Hiçbiri
22 Başınız ağrırken ışıktan rahatsız
oluyor musunuz? Evet Hayır
23 Başınız ağrırken sesten rahatsız
oluyor musunuz? Evet Hayır
24 Kaç saat bilgisayar başında
No 1 YAS 20-40 143 2 BOY 155-175 103 3 CINSIYET Erkek 104 4 KADRO İdari 111 5 A_S_B_O Hayır 143 6 A_K Hayır 144 7 S_K Hayır 121 8 S_B_Y_I_B_A_O Evet 149
9 B_A_S_Y_A_S Atak şeklinde 116
10 B_A_O_N_K_S 30dk-4saat 114
11 Z_B_A_O Evet 108
12 B_A_S_B_V_K_O Hiçbiri 129
13 B_A_S_R_O Evet 118
Kalan alanlar ikişerli gruplanarak, grup destek sayıları hesaplanmıştır. Tekrar eşik değeri ile karşılaştırılan destek değerlerinden, eşik değerinin altında kalan alanlar iptal edilmiştir. İkişerli gruplardan destek değerleri eşik değerine eşit olan ve eşik değerinin üzerinde kalan alanlar Tablo 4.3’te sunulmuştur.
Tablo 4.3. İkili gruplardan eşik değerine eşit ve üzerindeki destek değerli olanlar Sıra
No
Alan1 Değer1 Alan2 Değer2 Destek
Değeri
1 YAS 20-40 A_S_B_O Hayır 121
2 YAS 20-40 A_K Hayır 119
3 YAS 20-40 S_K Hayır 103
4 YAS 20-40 S_B_Y_I_B_A_O Evet 127
5 YAS 20-40 B_A_S_B_V_K_O Hiçbiri 107
6 A_S_B_O Hayır A_K Hayır 121
7 A_S_B_O Hayır S_B_Y_I_B_A_O Evet 126
8 A_S_B_O Hayır B_A_S_B_V_K_O Hiçbiri 108
9 A_K Hayır S_K Hayır 107
10 A_K Hayır S_B_Y_I_B_A_O Evet 124
11 A_K Hayır B_A_S_B_V_K_O Hiçbiri 110
12 S_K Hayır S_B_Y_I_B_A_O Evet 104
13 S_B_Y_I_B_A_O Evet B_A_S_B_V_K_O Hiçbiri 109
Son olarak üçerli gruplar için aynı karşılaştırma ve eleme işlemi yapılmış, eşik değerinin üzerinde destek değere sahip olan dörderli gruplar ise araştırılmasına karşın bulunamamıştır.
Tablo 4.4. Üçlü gruplardan eşik değerine eşit ve üzerindeki destek değerli olanlar Sıra
No
Alan1 Değer1 Alan2 Değer2 Alan3 Değer3 Destek Değeri
1 YAS 20-40 A_S_B_O Hayır S_B_Y_I_B_A_O Evet 109 2 YAS 20-40 A_K Hayır S_B_Y_I_B_A_O Evet 104 3 A_S_B_O Hayır A_K Hayır S_B_Y_I_B_A_O Evet 105
Bu tablodan yararlanılarak, ankete katılanlar ile ilgili olarak, üç farklı yoruma ulaşılmıştır;
Yaşları 20 ile 40 arasında olan ve Adapazarı’nda sanayi bölgesinde oturmayan 109 kişi son bir yıl içinde baş ağrısı şikâyeti yaşamıştır,
Yaşları 20 ile 40 arasında olan ve alkol kullanmayan 104 kişi son bir yıl içinde baş ağrısı şikâyeti yaşamıştır,
Adapazarı’nda sanayi bölgesinde oturmayan ve alkol kullanmayan 105 kişi son bir yıl içinde baş ağrısı şikâyeti yaşamıştır.
Belirlenen alanların destek ölçülerine bakarak birliktelik kuralları türetilmiş ve bu kuralların her biri için güven ölçüleri belirlenmiştir.
YAS, A_S_B_O ve S_B_Y_I_B_A_O için birliktelik kurallarının alt kümeleri aşağıdaki gibi olacaktır;
{ YAS, A_S_B_O } , { YAS, S_B_Y_I_B_A_O }, { A_S_B_O, S_B_Y_I_B_A_O }, { YAS }, { A_S_B_O }, { S_B_Y_I_B_A_O }.
Tablo 4.5. Birliktelik kuralları için güven ölçüleri
Birliktelik Açıklama Güven
YAS & A_S_B_O
S_B_Y_I_B_A_O
Yaşları 20-40 arasında olup sanayi bölgesinde oturmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı
109/121 = % 90
YAS &
S_B_Y_I_B_A_O
A_S_B_O
Son bir yıl içinde baş ağrısı şikayeti olan ve yaşları 20-40 arasında olan kişilerin sanayi bölgesinde oturmama olasılığı
109/127 = % 86
A_S_B_O &
S_B_Y_I_B_A_O
YAS
Son bir yıl içinde baş ağrısı şikayeti olup sanayi bölgesinde oturmayanların yaşlarının 20–40 arasında olma olasılığı
109/126 = % 87
YAS
S_B_Y_I_B_A_O &
A_S_B_O
Yaşları 20–40 arasında olanların sanayi bölgesinde oturmayıp son bir yıl içinde baş ağrısı şikâyeti olma olasılığı
109/143 = % 76
A_S_B_O
S_B_Y_I_B_A_O &
YAS
Sanayi bölgesinde oturmayan kişilerin yaşlarının 20–40 arasında olup son bir yıl içinde baş ağrısı şikâyeti olma olasılığı
109/143 = % 76
S_B_Y_I_B_A_O
A_S_B_O & YAS
Son bir yıl içinde baş ağrısı şikayeti olanların yaşlarının 20–40 arasında olup sanayi bölgesinde oturmama olasılığı
109/149 = %73
YAS, A_K ve S_B_Y_I_B_A_O için birliktelik kurallarının alt kümeleri aşağıdaki gibi olacaktır; { YAS, A_K } , { YAS, S_B_Y_I_B_A_O }, { A_K, S_B_Y_I_B_A_O }, { YAS }, { A_K }, { S_B_Y_I_B_A_O }.
Tablo 4.6. Birliktelik kuralları için güven ölçüleri
Birliktelik Açıklama Güven
YAS & A_K
S_B_Y_I_B_A_O
Yaşları 20-40 arasında olup alkol kullanmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı
104/119 = %87
YAS &
S_B_Y_I_B_A_O
A_K
Son bir yıl içinde baş ağrısı şikayeti olan 20-40 yaşları arasındaki kişilerin alkol kullanmama olasılığı
104/127 = %82
A_K &
S_B_Y_I_B_A_O
YAS
Son bir yıl içinde baş ağrısı şikayeti olup alkol kullanmayanların yaşlarının 20–40 arasında olma olasılığı
104/124 = %84
YAS
S_B_Y_I_B_A_O &
A_K
Yaşları 20–40 arasında olanların alkol kullanmama ve son bir yıl içinde baş ağrısı şikâyeti olma olasılığı
104/143 = %73
A_K
S_B_Y_I_B_A_O &
YAS
Alkol kullanmayanların yaşlarının 20– 40 arasında olup son bir yıl içinde baş ağrısı şikâyeti olma olasılığı
104/144 = %72
S_B_Y_I_B_A_O
A_K & YAS
Son bir yıl içinde baş ağrısı şikayeti olanların yaşlarının 20–40 arasında olup alkol kullanmama olasılığı
104/149 = %70
A_S_B_O, A_K ve S_B_Y_I_B_A_O için birliktelik kurallarının alt kümeleri aşağıdaki gibi olacaktır; { A_S_B_O, A_K } , { A_S_B_O, S_B_Y_I_B_A_O }, { A_K, S_B_Y_I_B_A_O }, { A_S_B_O }, { A_K }, { S_B_Y_I_B_A_O }.
Tablo 4.7. Birliktelik kuralları için güven ölçüleri
Birliktelik Açıklama Güven
A_S_B_O & A_K
S_B_Y_I_B_A_O
Sanayi bölgesinde oturmayan ve alkol kullanmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı
105/121 = %87
A_S_B_O &
S_B_Y_I_B_A_O
A_K
Son bir yıl içinde baş ağrısı şikayeti olan ve sanayi bölgesinde oturmayan kişilerin alkol kullanmama olasılığı
105/126 = %83
A_K &
S_B_Y_I_B_A_O
A_S_B_O
Son bir yıl içinde baş ağrısı şikayeti olup alkol kullanmayanların sanayi bölgesinde oturmama olasılığı
105/124 = %85
A_S_B_O
S_B_Y_I_B_A_O &
A_K
Sanayi bölgesinde oturmayanların alkol kullanmama ve son bir yıl içinde baş ağrısı şikâyeti olma olasılığı
105/143 = %73
A_K
S_B_Y_I_B_A_O &
A_S_B_O
Alkol kullanmayanların sanayi bölgesinde oturmayıp son bir yıl içinde baş ağrısı şikâyeti olma olasılığı
105/144 = %73
S_B_Y_I_B_A_O
A_K & A_S_B_O
Son bir yıl içinde baş ağrısı şikayeti olanların sanayi bölgesinde oturmayıp alkol kullanmama olasılığı
105/149 = %70
Bu birliktelik kurallarında Güveneşik = % 80 değeri dikkate alınarak düzenleme yapılırsa;
Tablo 4.8. Güveneşik değeri % 80’nin üzerinde olan durumlar
YAS & A_S_B_O
S_B_Y_I_B_A_O
Yaşları 20–40 arasında olup sanayi bölgesinde oturmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı
109/121 = % 90
YAS &
S_B_Y_I_B_A_O
A_S_B_O
Son bir yıl içinde baş ağrısı şikayeti olan ve yaşları 20–40 arasında olan kişilerin sanayi bölgesinde oturmama olasılığı
109/127 = % 86
A_S_B_O &
S_B_Y_I_B_A_O
YAS
Son bir yıl içinde baş ağrısı şikayeti olup sanayi bölgesinde oturmayanların yaşlarının 20–40 arasında olma olasılığı
109/126 = % 87
YAS & A_K
S_B_Y_I_B_A_O
Yaşları 20-40 arasında olup alkol kullanmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı
104/119 = %87
YAS &
S_B_Y_I_B_A_O
A_K
Son bir yıl içinde baş ağrısı şikayeti olan 20-40 yaşları arasındaki kişilerin alkol kullanmama olasılığı
A_K &
S_B_Y_I_B_A_O
YAS
Son bir yıl içinde baş ağrısı şikayeti olup alkol kullanmayanların yaşlarının 20–40 arasında olma olasılığı
104/124 = %84
A_S_B_O & A_K
S_B_Y_I_B_A_O
Sanayi bölgesinde oturmayan ve alkol kullanmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı
105/121 = %87
A_S_B_O &
S_B_Y_I_B_A_O
A_K
Son bir yıl içinde baş ağrısı şikayeti olan, sanayi bölgesinde oturmayan kişilerin alkol kullanmama olasılığı
105/126 = %83
A_K &
S_B_Y_I_B_A_O
A_S_B_O
Son bir yıl içinde baş ağrısı şikayeti olup alkol kullanmayanların sanayi bölgesinde oturmama olasılığı
105/124 = %85
Tablo 4.8.’e göre veri madenciliği çalışmasının sonucunda aşağıdaki sonuçlara ulaşılmıştır:
Yaşları 20 – 40 arasında olup sanayi bölgesinde oturmayan kişilerin son bir yıl içinde baş ağrısı şikâyeti olma olasılığı % 90’dır.
Son bir yıl içinde baş ağrısı şikâyeti olan, yaşları 20 – 40 arasında olan kişilerin sanayi bölgesinde oturmama olasılığı % 86’dır.
Son bir yıl içinde baş ağrısı şikâyeti olup sanayi bölgesinde oturmayanların yaşlarının 20 – 40 arasında olma olasılığı % 87’dir.
Yaşları 20-40 arasında olup alkol kullanmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı % 87’dir.
Son bir yıl içinde baş ağrısı şikayeti olan, sanayi bölgesinde oturmayan kişilerin alkol kullanmama olasılığı % 82’dir.
Son bir yıl içinde baş ağrısı şikayeti olup alkol kullanmayanların yaşlarının 20–40 arasında olma olasılığı % 84’tür.
Sanayi bölgesinde oturmayan ve alkol kullanmayan kişilerin son bir yıl içinde baş ağrısı şikayeti olma olasılığı % 87’dir.
Son bir yıl içinde baş ağrısı şikayeti olan, sanayi bölgesinde oturmayan kişilerin alkol kullanmama olasılığı % 83’tür.
Son bir yıl içinde baş ağrısı şikayeti olup alkol kullanmayanların sanayi bölgesinde oturmama olasılığı % 85’tir.
BÖLÜM 5. SONUÇ VE ÖNERİLER
Bu tez çalışması veri madenciliğinin kullanıldığı birçok sektörde sağlamış olduğu faydalar ve getirdiği farklı bakış açılarından hareketle, daha önce yapılmış benzer uygulamalarda eksik olarak saptanmış ya da üzerinde fazlasıyla durulmadığı görülmüş olan klinik/medikal veri madenciliğinde birliktelik kurallarının çıkarımının yapılarak, veri madenciliği uygulamasının tıp alanında kullanımını amaçlamaktadır. Tıp alanında biyolojik / medikal, klinik ve yönetsel anlamda veri madenciliğinden faydalanmak olasıdır. Ulaşılmak istenen sonuçların kullanım hedeflerine göre bu üç aşamadan birinde uygulanacak bir veri madenciliği algoritması ile gerek birliktelik kurallarının saptanması gerekse veri madenciliği sonucu yapılacak veri analizleri ile güvenilir bilgilere ulaşılması mümkün olacaktır.
Veri madenciliği uygulaması yapılırken sıklıkla kullanılan algoritmalardan biri olan Apriori algoritması bu tez çalışmasında yapılan anket çalışması sonucunda elde edilen verilerin değerlendirilmesi ve birliktelik kurallarının oluşturulup anlamlandırılmasında kullanılan algoritma olmuştur. 24 sorudan oluşan ve Sakarya Üniversitesi’nde rastgele olarak seçilmiş toplamda 170 akademik ve idari çalışana uygulanan ankette elde edilen verilerin tekli, ikili ve üçlü birliktelik durumları incelenmiş, daha fazla sayılı gruplandırmalarda bir birlikteliğe, destek eşik değeri üzerinde kalan bir değer bulunamaması nedeniyle, rastlanmamıştır. Destek eşik değeri örneklem grubu için 102 yani % 60 olarak seçilmiştir. Dolayısıyla 102 üzerinde destek değerine ulaşan gruplandırmaların birliktelik kuralları incelendiğinde migren ve migrene bağlı gelişen baş ağrısı rahtsızlığına ilişkin 9 adet birliktelik kuralına ulaşılmıştır.
Anlatıldığı üzere gerçekleştirilen anket uygulaması hastalık teşhisine yönelik değil, birliktelik kurallarının bulunması amacıyla yapılmış bir çalışmadır. Mühendislik ve bilgi işlem mantığı kullanılarak geliştirilen yazılım ve ulaşılan sonuçların, uzman bir
hekim kontrolünde daha da geliştirilirse hastalık teşhisine yönelik kullanılma ihtimali çok yüksek olacaktır. 2. Bölüm’de sunulan literatür örneklerinde anlatılan veri biriktirme uygulamalarında hangi verilerin anlamlı olup hastalıkların teşhisi ve terapisine dönük sonuçlar verebileceği ancak uzman hekimler tarafından bilinebilecek ve saptanabilecek bir gerçektir. Bu tez çalışmasında geliştirilen yazılım anlatılan amaçlar doğrultusunda değişikliklere açık olup farklı türde veriler için de Apriori algoritması kullanılarak birliktelik kurallarının çıkarılmasında ve sonrasında veri analizi ve anlamlandırılmasında teşhis, terapi ve prognoz aşamalarında detaylandırılarak kullanılabilir.
Bundan sonraki benzer çalışmalarda yaklaşımın bir proje niteliği taşıması ve yazılım olduğu kadar tıp alanından uzmanları da içerecek şekilde planlanıp, veri madenciliğinin birçok farklı açıdan bakılarak yapılması son derece faydalı olacaktır.
KAYNAKLAR
[1] ALPAYDIN, E., “Zeki Veri Madenciliği: Ham Veriden Altın Bilgiye Ulaşma Yöntemleri”, Bilişim 2000 Eğitim Semineri, 1-10, 2000.
[2] http://www.verimadenciligi.gen.tr , erişim tarihi, Mart 2010.
[3] Veri Madenciliğinde Market Sepet Analizi Ve Birliktelik Kurallarının Belirlenmesi, YTÜ FBE, İstanbul 2008.
[4] TANTUĞ, A., C., “Veri Madenciliği ve Demetleme”, Yüksek Lisans Tezi, İTÜ FBE, Bilgisayar Müh. Böl., İstanbul, 2002.
[5] INMON, W., “What is a Data Warehouse?”, Prism Solutions Inc.,
http://www.cait.wustl.edu/cait/papers/prism/vol1_no1/ , 1995.
[6] AKPINAR, H., (2000), “Veri Tabanlarında Bilgi Keşfi ve Veri Madenciliği”, İstanbul Üniversitesi İşletme Fakültesi Dergisi, C: 29, Nisan 2000.
[7]
http://www.gurunlu.com/post/Veri-Madenciligi-Projelerinin-Yasam-Döngüsü-1.aspx , erişim tarihi, Nisan 2010.
[8] ARGÜDEN, Y., ERŞAHİN, B., Veri Madenciliği Veriden Bilgiye, Masraftan Değere, ARGE Danışmanlık Hizmetleri, 1. Basım, İstanbul, Kasım 2008.
[9] YURTAY, N., Veri Madenciliği Ders Notları, Sakarya, 2010.
[10] AGRAWAL, R., IMIELINSKI, T., SWAMI, A., "Mining Associations between Sets of Items in Large Databases", ACM SIGMOD Int'l Conf. on Management of Data, Washington D.C., May 1993.
[11] GIANNOPOULOU, E., G., Data Mining in Medical and Biological Research, In-Teh Basımevi, Avusturya, 2008.
[12] ABDEL-AAL, R. E., GMDH-based feature ranking and selection for improved classification of medical data, Journal of Biomedical Informatics, v.38 n.6, p.456-468, December 2005.
[13] GUYON, I., ELISSEEFF, A., “An Introduction to Variable and Feature Selection”, Journal of Machine Learning Research, Vol. 3, pp. 1157-1182, 2003.
[14] JIA, L., XU, Y,. Guan Xing Bing De Zhen Duan Yu Zhi Liao, Jun Shi Yi Xue Ke Xue Chu Ban She, 2001.
[15] ÖZKAN, Ö., YILDIZ, M., BİLGİN, S., KÖKLÜKAYA, E., “Measuring the Sympathetic Skin Response on Body and Using as Diagnosis Purposed for Lung Cancer Patients by Artificial Neural Networks”, Journal of Medical Systems, Vol. 34, Number 3, p. 407-412, June 2010.
[16] VURAL, C., YILDIZ, M., “Determination of Sleep Stage Separation Ability of Features Extracted from EEG Signals Using Principle Component Analysis”, Journal of Medical Systems, Vol. 34, Number 1, p. 83-89, February, 2010.
[17] TSAI, J., H., Data Mining for DNA Viruses with Breast Cancer and its Limitation, Ju-Hsin Tsai, Data Mining in Medical and Biological Research, Chapter 3, In-Teh Basımevi, Avusturya, 2008.
[18] CHEN, R., MONGKOLWAT, P., CHANNIN, D., Radiology Data Mining Applications using Imaging Informatics, Data Mining in Medical and Biological Research, Chapter 6, In-Teh Basımevi, Avusturya, 2008.
[19] GHANNAD-REZAIE, M., SOLTANIAN-ZADEH, H., Interactive Knowledge Discovery for Temporal Lobe Epilepsy, Data Mining in Medical and Biological Research, Chapter 8, In-Teh Basımevi, Avusturya, 2008.
[20] DREYER, K., J., Partners HealthCare System Presentation, Massachusetts General Hospital School Harvard Medical School, 2004.
[21] GÜLTEN, A., DOĞAN, Ş., Genetik algoritmalar yönteminin biyomedikal verileri üzerindeki uygulamaları, Doğu Anadolu Araştırmaları Merkezi, 2008.
[22] Türkiye Klinikleri Dahili Tıp Bilimleri Nöroloji Dergisi Başağrsı Özel Sayısı Cilt:1, Sayı:2, Ağustos 2003.
[23] SILBERSTEIN, S., D., LIPTON R., B., Goadsby PJ. Headache in clinical practice. Isis Medical Media, 1–7, 1998.
[24] ROWLAND, L., P., “Merritt’s textbook of neurology” 9th ed. Philadelphia, Williams & Wilkins, 839 1995.
[25] ÇAKIR, A., Migrende Klinik Özellikler Ve Migrenin Temel Klinik Özelliklerinin Iq ile İlişkisi, Nöroloji Uzmanlık Tezi, İstanbul Eğitim Ve Araştırma Hastanesi NÖROLOJİ KLİNİĞİ, İstanbul, 2006.
[26] ADAMS, R., D., VICTOR, M.. “Principles of neurology”, 7th edition, Mc Graw Hill international editions, Chapter 10,175-204, 2001.
[27] Headache Classification Subcommittee of the International Headache Society. The International Classification of Headache Disorders. 2nd edition. Cephalalgia; 24 (Suppl 1) : 16-151, 2004.
.
[28] MORTIMER, M., J., KAY J., JARON, A., “Epidemiology of headache and childhood migraine in an urban general practice using Ad Hoc, Vahlquist and IHS criteria”, Dev Med Child Neurol 34: 1095-101, 1992. [29] Ad Hoc Committee on Classification of headache of NINDB. JAMA 1962;
179: 127-128.
[30] International Headache Society. Classification and diagnostic criteria for headache disorders, cranial neuralgia and facial pain. Cephalalgia 1988; 8: 1-96.
ÖZGEÇMİŞ
Burcu Çarklı, 29.06.1983’te Sakarya’da doğdu. Orta öğrenimini Yabancı Dil Ağırlıklı Maltepe Küçükyalı Kadir Has Lisesi’nde tamamladı. 2001 yılında burslu olarak girdiği İstanbul Kültür Üniversitesi Matematik – Bilgisayar Bölümünden 2005 yılında mezun oldu. Mezuniyetinin ardından bir süre özel bir eğitim kurumunda eğitimci olarak görev aldı. 2006 yılından bu yana kamu personeli olarak görev yapmaktadır. 2007 yılında Sakarya Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar ve Bilişim Mühendisliği Anabilim Dalında yüksek lisans eğitimine başladı. Çarklı halen bu bölümde yüksek lisans öğrencisidir.