Development of a Machine Learning Based Clinical Decision Support System for Classification of Migraine Types: A Preliminary Study

Creative Commons License

Orhan Bulucu F., Latifoğlu F.

International Journal of Advanced Natural Sciences and Engineering Researches, cilt.2, sa.8, ss.323-332, 2024 (Hakemli Dergi)

Özet

Migren, günlük yaşamı ciddi şekilde etkileyen ve farklı semptomlarla ilişkilendirilen nörolojik bir baş ağrısı türüdür . Migren hastalığının erken tanısı tedavi sürecinin başlaması açısından önemlidir. Bu süreçte uzman hekimlere her zaman ihtiyaç duyulmaktadır ancak yapay zeka tabanlı klinik sistemler migren ve diğer baş ağrısı türlerinin teşhisinde zaman tasarrufu sağlayabilir ve
pratisyen hekimlere destek sağlayarak doğru tedavi yöntemlerinin belirlenmesine yardımcı olabilir. Bu çalışmada en sık görülen migren türleri olan auralı migren ve aurasız migren ile diğer migren türlerinin sınıflandırılması yapılmıştır. Sınıflandırma sürecinde demografik ve klinik anketlerden elde edilen veriler kullanılmış ve beş farklı makine öğrenmesi modeli uygulanmıştır. Bu araştırmada, sınıflandırıcı değerlendirme kriterlerine göre en başarılı performansı Rotasyon Ormanı algoritması göstermiştir. Bu algoritma sonucunda doğruluk (%95,14), doğru pozitif (%95,10), yanlış pozitif (%2,40), kappa istatistiği (%92,71) ve ortalama mutlak hata (%6,50) oranları elde edilmiştir.

Migraine is a type of neurological headache that seriously affects daily life and is associated with different symptoms. Early diagnosis of migraine disease is important for the start of the treatment process. In this process, specialized physicians are always needed, but artificial intelligence-based clinical systems can save time in the diagnosis of migraine and other headache types and can help determine the right treatment methods by providing support to general practitioners. In this study, the classification of migraine typical with aura and migraine without aura, which are the most common types of migraine, and other types of migraine were performed. In the classification process, data from demographic and clinical questionnaires were used and five different machine learning models were applied. In this research, the Rotation Forest algorithm showed the most successful performance according to the classifier evaluation criteria. As a result of this algorithm, accuracy (95.14%), true positive (95.10%), false positive (2.40%), kappa statistics (92.71%) and mean absolute error (6.50%) rates were obtained.