Pnömokonyoz Tanısında Klinik Verilerle Öngörü: Random Forest ve Lojistik Regresyonun Performans Analizi

Pnömokonyoz, özellikle inorganik tozlara mesleki maruziyet sonucu gelişen, önlenebilir ancak geri dönüşümsüz özellikte seyreden kronik bir akciğer hastalığıdır. Pnömokonyoz tanısı mesleki maruziyet öyküsü, klinik değerlendirme ve radyolojik bulgulara dayanarak konulmakta, patolojik doğrulama nadiren gerekmektedir. Günümüzde, erken tanı ve risk tahmini amacıyla veri temelli yaklaşımlar giderek daha fazla önem kazanmaktadır. Amaç: Pnömokonyoz tanısını öngörmeye yönelik olarak klinik ve mesleki verilere dayalı makine öğrenmesi tabanlı modeller geliştirmek ve bu modellerin sınıflandırma performanslarını karşılaştırmaktır. Yöntem: Çalışma kapsamında yaş, sektörde çalışma yılı, sigara kullanımı, radyolojik görüntüleme sonuçları ve önceki hastalık öyküsü gibi çeşitli değişkenlerin yer aldığı veri seti kullanılmıştır. Lojistik regresyon ve rastgele orman (RF) algoritmaları ile sınıflandırma modelleri kurulmuş ve performansları ROC eğrisi altındaki alan (AUC), duyarlılık, özgüllük ve F1 skoru gibi metriklerle değerlendirilmiştir. Bulgular: Elde edilen sonuçlara göre, rastgele orman modeli %77,7 test doğruluğu, 0,868 AUC ve 0,816 F1 skoru ile daha yüksek performans sergilemiştir. Lojistik regresyon modeli ise %75 doğruluk, 0,811 AUC ve 0,80 F1 skoru ile daha düşük ancak yorumlanabilirliği yüksek sonuçlar üretmiştir. Değişken önem katsayılarına göre HRCT bulguları, yaş ve sektörel çalışma süresi, sigara paket yıl, silika dâhil toz, dispne, öksürük, cinsiyet, balgam değişkenleri hastalığın öngörülmesinde en etkili belirteçler olarak öne çıkmıştır. Sonuç: Makine öğrenmesi algoritmaları, Pnömokonyoz gibi mesleki akciğer hastalıklarının erken tanısı ve risk değerlendirmesi için alternatif araçlar sunmakta; özellikle rastgele orman modeli sınıflandırma açısından yüksek başarı göstermektedir.