Tıp Bilişimi, uygulama alanı hayal gücü ile sınırlı bir alandır. Bu anlamda tıp bilişimi çalışmalarını birden çok alanı kapsayan bir çalışma olarak düşünebiliriz. J.H. Thrall 2000‘li yıllarda tıp bilimlerine üç ayrı alanın etki edeceğini belirtmiştir. Bu alanlar: Moleküler biyoloji ve moleküler genetik, Nörobiyoloji ve beyin-algı-davranış ilişkisini inceleyen dallar ve son olarak elektronik-bilgisayar bilimleridir. Ayrıca J.H. Thrall tıp bilimlerinin teknik alanlarla ve davranışsal bilimlerle ilişki içinde olması gerektiğini de vurgulamaktadır (Thrall, 1998). Nitekim modern bilim pek çok alanda disiplinlerarası olmaya yönelmiştir; problemlerin etkili ve kapsamlı çözümüne ancak ekip çalışması ile varılabileceği gerçeği pek çok bilim çevresinde kabul görmektedir. Bu anlamda tıp bilimi ile makine öğrenmesi gibi iki popüler konu bir araya getirilerek aritmi hastalarının tedavi süreçlerine yardımcı bir çözüm metodu geliştirilmiştir. Bu konuda yapılan çalışmalar ileriki dönemlerde daha iyi sistemlerin geliştirilmesine öncülük ederek aritmi hastalarının tedavilerinde yardımcı olacaktır. Bunun göstergesi de yapılan tedavi sonrasında tedavinin sonucunun uzaktan dahi izlenebilir olması ile birlikte ne kadar başarılı olduğunun takibinin yapılabilmesi şeklinde olabilir.
Bu tez çalışması için geliştirilen sistemin bileşenleri elektronik, bilgisayar ve tıp konularını içermektedir. Elektronik kısım, hastanın metabolik parametrelerini alarak uzaktaki sunucuya iletme görevini üstlenmektedir. Bu kısımda kullanılan cihazlar sağlık kuruluşlarında da oldukça sık kullanılmaktadır. Bu açıdan ölçüm değerlerini değerlendirme doktorlar açısından bir sorun oluşturmamaktadır. Hasta verilerinin iletiminde ise projenin ilk aşamalarında dial-up bağlantı kullanılmıştır. Daha sonra hasta açısından kullanımı esnek olmayacağından, maliyetinin yüksek olmasından ve bağlantının yavaş (56 kbps) olmasından dolayı bu bağlantı türü değiştirilmiştir. Bu bağlantı türünün yerine GPRS teknolojisi kullanılmıştır. Böylelikle yukarıda sıraladığımız maddeler birer avantaja dönüştürülmüştür. Bilgisayar bilimleri alanında ise toplanan verinin öğrenilmesi için ML algoritmalarından kNN algoritması kullanılmıştır. Daniel Tunkelang‘ın (Tunkelang, 2002) ―Making the Nearest Neighbor
Meaningful‖ ve Kevin Beyer‘in ―When Is ‗Nearest Neighbor‘ Meaningful?‖ isimli çalışmalarında kNN algoritmasının kullanımının hangi durumlarda uygun olacağı anlatılmaktadır. Bu iki çalışmanın ortak sonucu olarak kNN algoritması, sınıf sayısı çok fazla olmayan ve sınıfları birbirinden oldukça ayrık olan veri kümelerinde oldukça iyi başarı sağlamaktadır. Yapılan çalışmada da sınıf sayısı üç olarak belirlenmiştir. Ayrıca veriler incelendiğinde sınıfların birbirinden ayrık oldukları görülmektedir. Bu durum kNN‘in başarımını arttırmaktadır. Bunun dışında kNN algoritması veri kümeleri üzerinde genellikle düşük bias‘a sahiptir. Bu durum da kNN‘in diğer sınıflandırıcılara göre biraz daha fazla tercih edilmesine sebep olmaktadır.
Geliştirilen uygulama da öğrenme yöntemi olarak Gözetimli öğrenme kullanılmıştır. Gözetimli öğrenmede eğitim verilerinin etiketlenmiş olması gerekmektedir. Verilerin etiketlenmesi işlemini bir uzman gerçekleştirmektedir. Öğrenme işlemi ise ML algoritması tarafından gerçekleştirilmektedir. Böyle bir yöntemi Peter Szolovits büyük bir meydan okuma olarak nitelendirmektedir (Vimla vd., 2009). Bu tür sistemler uzman kişinin geçmişten gelen deneyiminden de faydalanarak veri üzerinde öğrenme gerçekleştirirler. ML, veri kümesi üzerinde genel bir hipotez oluşturmaya dayanan yöntemler içerir. Bu yöntemlerin bir uzmanın deneyimiyle birleştirilmesi ile indaktif bir uzman sistem tasarımına gidilmiştir. Böyle bir sistem, bir uzmanın yer almadığı bir sistemden daha fazla tercih edilmekte ve literatürde en çok vurgulanan yöntemler arasında olmaktadır. Bu durum hibrit sistemlerin daha çok tercih edilmesine sebep olmaktadır.
Geliştirilen sistem için gerekli olan cihaz ve yazılımlar farklı zamanlarda birçok defa test edilmiştir. Yapılan uzun süreli testlerde sistem bileşenlerinin birbirleriyle sorunsuz bir biçimde çalıştığı görülmüştür.
Geliştirilen sistemde elde edilen sonuçlar maddeler halinde aşağıda belirtilmektedir. Buna göre:
Hasta verilerinin toplanmasında dial-up bağlantı yerine GPRS teknolojisinin kullanılması sisteme esneklik, maliyet ve zaman açısından olumlu etkiler sağlamıştır.
Gelen verinin filtrelenmesi ve sorunsuz verilerin veritabanına kaydedilmesi eğitim verisi içerisindeki gürültülü veri sayısını azaltmaktadır. Bu da gürültüden kaynaklanan hata oranını düşürmektedir. Özellik seçimi için ilk olarak aritmi hastalığının belirtisi olabilecek niteliklerin seçilmesi daha sonra öğrenme işlemi sonrasında doğruluk oranını arttıran niteliklerin seçilmesi aritmi hastaları üzerinde geliştirilen sistemin uygulanabilirliğini arttırmaktadır.
―Sinyal kalitesi‖ niteliği üzerinde min-max normalizasyon işleminin yapılması bu niteliğin diğer niteliklerin etkisinin önüne geçmesini engelemekte bu da sınıflandırıcının tahmin etmedeki doğrulunu arttırmaktadır.
Geliştirilen sistemde eğitim verilerinin etiketlenmesi ve toplanan verinin eğitim verisi için yeterli olup olmadığına karar verilmesi işlemlerini bir insan uzman gerçekleştirmektedir. Bu durum ML‘ye dayanan sistemin bir insan uzmanın tecrübesi ile birleştirilmesinin mümkün olabileceğini göstermektedir.
WEKA gibi bir veri madenciliği yazılımı kullanılarak hesaplamasal hatalardan kaçınılmış olması ve matematiksel işlemler açısından iş yükünün geliştirilen uygulamaların üzerinden alınması sistemin performansını arttırmaktadır.
Veri kümesi için belirlenen sınıf sayısının üç olması kNN sınıflandırıcının tahmin etmedeki doğruluk oranını arttırmaktadır. Bu durum k değerinin esnekliğini bir nebzede olsa azaltmaktadır.
Veri toplama işlemi asenkron olarak yapılmaktadır. Bu da aynı anda birden fazla hastanın sisteme bağlanabilmesine olanak sağlamaktadır.
Bu çalışma projesinden elde edilen sonuçlardan sonra sistemin daha fazla geliştirilmesi düşünülmektedir. Buna göre sistem bileşenlerinin birbirlerinden ayrık olması yerine tümleşik bir sistemin geliştirilmesi gerekmektedir. Buna göre bilginin iletildiği ve depolandığı bilgisayar sunucusunun kaldırılıp yerine gömülü sistemlerin kullanılması uygun olmaktadır. Çünkü gömülü sistemler özelleştirilmiş sistemler olmalarının yanı sıra bir bilgisayarın yapabildiği birçok görevi de icra
edebilmektedirler. Buna göre bu teze konu olan çalışma gelecekte de farklı teknoloji ve tekniklerin kullanılmasıyla birlikte geliştirilmeye devam edilecektir.