Tıpta Data Mining (Veri Madenciliği) Uygulamaları

Tıpta Veri Ambarları Oluşturma ve Veri Madenciliği Uygulamaları
Ersin Kaya (ersinkaya@selcuk.edu.tr )*
Mustafa Bulun (mbulun@selcuk.edu.tr) **
Ahmet Arslan (ahmetarslan@selcuk.edu.tr) *
* Selçuk Üniversitesi, Bilgisayar Mühendisliği Bölümü
** Selçuk Üniversitesi, Selçuklu Tıp Fakültesi
ÖZET
Bu bildiride veri madenciliğini ve tıp alanındaki uygulamalarını inceleyeceğiz. Verilerin
dijital ortamda saklanmaya başlanması ile birlikte, yeryüzündeki bilgi miktarının her 20 ayda bir
iki katına çıktığı günümüzde, veri tabanlarının sayısı da benzer, hatta daha yüksek bir oranda
artmaktadır1.
Akıllı
veri işleme metodu olan veri madenciliği, dünya üzerinde artan veri
miktarının etkili bir biçimde kullanılmasının neredeyse tek çözümü olarak görünmektedir. Bu
gelişme diğer alanlarda olduğu gibi tıp alanında da ilgi odağı haline gelmiştir. Özellikle tıp
alanındaki verinin büyüklüğü ve hayati önem taşıması bu alandaki uygulamaları daha da önemli
kılmaktadır.
Anahtar Kelimeler: Data Mining (Veri Madenciliği), Data Warehouse (Veri Ambarı,
Tıp Bilişimi (Medical Informatics), Tıpta Data Mining
1
Alper Vahaplar, Dr. Mustafa Murat İnceoğlu : Veri Madenciliği ve Elektronik Ticaret , VII.
Türkiye’de İnternet Konferansı, 1-3 Kasım 2001
1.GİRİŞ
Dünya üzerinde uydu verileri, tıbbi veriler, alışveriş verileri, otomasyon verileri v.b.
alanlarda hızla artan veri miktarları bu verilerin toplanması ve saklanması gibi problemleri
gündeme getirmiştir. Bu problemlere veri tabanları ve dosya sistemlerindeki gelişmelerle çözüm
aranmıştır. Özellikle donanımların ucuzlaması ile veri tabanları alanındaki büyük gelişmeler
insanlık için bu bilgilerden yararlanmayı kolaylaştırmıştır. Toplanan veriler kısa bir zamanda
büyük miktarlara ulaşmış ve her geçen gün de olağanüstü bir hızla artmaya devam etmektedir.
Veri tabanlarındaki bu veriler üzerinde analiz yapmak ve karar destek aşamasında
faydalanmak, her hangi bir araç kullanmaksızın imkansız hale gelmiştir. Çoğu zaman iyi
kullanılmamaları durumunda veri tabanlarında tutulan veri insanlar için külfet haline de
gelebilmektedir. Bu noktada karşımıza “Veri Madenciliği” (Data Mining) bir çözüm olarak
çıkmaktadır. Fakat madenciliği yapılacak olan verinin de bazı vasıflara sahip olması
gerekmektedir. Bu vasıflar veri ambarı (Data Warehouse) ile sağlanmaktadır. Veri ambarları
basit olarak veri madenciliği işleminin yapılacağı verilerin oluşturulduğu özel veri tabanlarıdır.
Veri ambarlarının oluşturulması işlemi verinin çeşitli kaynaklardan toplanarak, veriler
içerisindeki uyuşmazlıklar ve hatalardan arındırılmasından ibarettir.
Veri madenciliği belirli bir alanda ve belirli bir amaç için toplanan veriler arasındaki gizli
kalmış ilişkilerin ortaya konulmasıdır.2 Bunun yanında, geleceğe dönük kararlar almamızda bize
fikir de verir. Veri madenciliği, disiplinler arası doğasından dolayı istatistik, veri tabanları,
makine öğrenmesi, bilgi toplama, görselleştirme, paralel ve dağıtık hesaplama gibi birçok
disiplinden yardım alır.3 Aynı zamanda veri madenciliği birçok farklı alanda da kullanılmaktadır.
Bu bildiride sunulacak
çalışma
ise tıp alanında veri madenciliği ve bunun
uygulanabilmesi için tıbbi verilerden veri ambarları oluşturma konusunda bir derleme olacaktır.
Burada karşımıza
“Müşteri İlişkileri Yönetimi”, “Hastane Yönetiminde Karar Destek”,
“Görüntüsel Bilgilerin Temsili” gibi birçok kullanım alanı çıkabilir. Ancak bizim araştırmamız
bu yönlerde olmayıp, tıbbi kullanım yönünde olacaktır.
Yukarda belirttiğimiz birçok alanda aşırı veri birikmesinin en yoğun yaşandığı alanlardan
birisi de tıbbi verilerdir. Özellikle günümüzde artık neredeyse tüm tıbbi cihazların dijital hale
2
Doron Shalvi and NicholasDeClaris : An Supervised Neural Network Approach to Medical Data Mining
Techniques
3
Zhi-Hua Zhou, Three Perspectives of Data Mining, Artificial Intelligence, 143(2003), p:139-146
gelmesi bu sonucu doğal hale getirmiştir. Kağıt üzerinde veri toplanan klasik hastane bilgi
sistemlerinden farklı olarak buradaki verilerden yararlanmak her ne kadar çok daha kolay gibi
görünse de, aslında diğer alanlardaki veriler gibi bunların da bireysel çalışmalarla işlenmesi ve
yorumlanması imkansız hale gelmiştir.
Bu aşamada
yardımımıza veri madenciliği teknikleri yetişmektedir. Bu sayede aşırı
miktardaki verinin zekî olarak işlenip yorumlanması mümkün hale gelmiştir. Sadece bunun
mümkün olması değil belki de klasik yöntemlerle bulunması çok zor veya imkansız olan bazı
ilişkilerin de bu sayede ortaya çıkartılması imkanı oluşmuştur. Bu nedenle tıbbi araştırmaların
neredeyse vazgeçilmez bir araçlarından biri haline gelmiştir. Tıpta veri madenciliği; tıp alanında
uzmanlar, veri madenciliği uzmanları ve data işleyicilerinin sıkı bir şekilde birleştiği bir
olgudur4.
Tıp alanında veri madenciliği uygulamalarına örnek olarak; antipsikotik ilaçların kalp
kası hastalıkları üzerine etkisi5, solunum fonksiyon testlerinin analizi6, genetik bozuklukların
tespiti7, ilaç yan etkilerinin tanımlanması8 gibi çeşitli çalışmaları sayabiliriz.
2. VERİ MADENCİLİĞİ
Veri madenciliği nedir? Öncelikle bu soruyu cevaplamaya çalışalım. Veri madenciliği,
büyük veri yığınları arasında gizli kalmış anlamlı kuralların zekî olarak ortaya çıkarılmasıdır. Bu
çıkarım işlemi tek başına basit bir işlem değildir. Çok yoğun işleyen alt işlemlerden
oluşmaktadır. Şekil-1’de gösterilen bu alt işlemler şunlardır:
4
Wolf Stühlinger, Oliver Hogl, Herbert Stoyan and Michel Müller : Intelligent Data Mining for Medical
Quality Management
5
David M Coulter, Andrew Bate, Ronald H B Meyboom, Marie Lindquist, I Ralph Edwards, Antipsychotic
drugs and heart muscle disorder in international pharmacovigilance: data mining study, BMJ, 322, 19 MAY 2001,
p:1207-1209
6
Steven Ganzert, Josef Guttmann, Kristian Kersting, Ralf Kuhlen, Christian Putensen, Michael Sydow,
Stefan Kramer, Analysis of Respiratory Pressure-Volume Curves in Intensive Care Medicine Using Inductive
Machine Learning, Artificial Intelligence in Medicine, 26(2002), s.69-86
7
Julia Ponomarenko, Tatyana Merkulova, Galina Orlova, Oleg Fokin, Elena Gorshkov, Mikhail
Ponomarenko, Mining DNA sequences to predict sites which mutations cause genetic diseases, Knowledge-Based
Systems, 15(2002) 225-233
8
Benjamin Honigman, Partice Light, Russel M. Pulling, Dawid W. Bates, A computerized method for
identifying incidents associated with adverse drug events in outpatients, International Journal of Medical
Informatics, 61(2001), s. 21-32

Uygulama Alanın Ortaya Konulması

Veri Ambarının Oluşturulması

Modelin Kurulması ve Değerlendirilmesi

Şablonların ve İlişkilerin Yorumlanması
Şekil-1 : Veri Madenciliği aşamaları
Bir veri madenciliği sisteminde yukarıdaki adımlar titizlikle işlenmelidir. Bu adımları
daha ayrıntılı bir şekilde açıklayalım.
2.1 Uygulama Alanının Ortaya Konulması
Bu adım veri madenciliğinin hangi yönde ve hangi amaçlar için yapılacağının belirlendiği
adımdır. Bu aşamada belirlenen alan ile ilgili uzmanlar ile görüşmeler yapılarak bundan sonraki
aşamalar için stratejilerin ortaya konulması gerekir. Örneğin kullanılacak olan model için bu
aşamadan faydalanılmaktadır.
2.2 Veri Ambarının Oluşturulması
Veri ambarı aşaması veri madenciliği sürecinde önemli bir aşamadır. Bu süreç toplam
maliyet ve zamanın önemli bir kısmını almaktadır. Madenciliğini yapacağımız veri tek bir yapı
içerisinde bulunmayabilir. Bu nedenle bilginin tek bir çatı altında toplanması gerekir. Fakat veri
ambarı oluşturma aşamasında sadece verinin tek bir çatı altında toplanması değildir. Aynı
zamanda toplanan veriler içerisinde var olan hataların ve belirsizliklerinde temizlenmesi
aşamasıdır. Bu aşamada veri bazı alt işlemlere tabi tutulmaktadır. Bu işlemler Veri Toplama,
Uyumlandırma, Birleştirme ve Temizlenme, Seçme ve Dönüştürmedir.
2.2.1 Toplama : Bilginin keşfi için gerekli veriler faklı kaynaklarda olabilir. Toplama
işlemi; verinin farklı kaynaklardan alınarak bir kaynakta birleştirilmesidir. Hastanın tıbbi verileri
yanında yaşadığı yer veya gelir düzeyi gibi bilgilere de ihtiyaç duyulabilir. Bu bilgilerin farklı
kaynaklarda bulunması durumunda toplama işlemi gerekmektedir.
2.2.2 Uyumlandırma : Veri ambarındaki verilerin farklı kaynaklardan toplanabileceğini
söylemiştik. Fakat bu durumda karşımıza uyumsuz veri tipleri çıkacaktır. Bunun en yaygın
örneği cinsiyette görülmektedir. Çok fazla tipte tutulabilen bir veri olup, bir veri tabanında 0/1
olarak tutulurken diğer veri tabanında E/K veya Erkek/Kadın şeklinde tutulabilir. Bilginin
keşfinde başarı verinin uyumuna da bağlı olmaktadır. Özellikle tıp alanında ki verilerin çeşitliliği
oldukça fazladır. Bu nedenle uyumlandırma aşaması tıbbi verilerde daha da önem
kazanmaktadır.
2.2.3 Birleştirme ve Temizleme : Yukarıda bahsedilen Uyumlandırma işlemi sırasında,
farklı veri kaynaklarından gelen verilerin birleştirilmesi veya fazlalıkların temizlenmesi de
gerekmektedir.
2.2.4 Seçme : Bu adım bizim ilerde kuracağımız model için uygun verinin seçilmesi
işlemidir. Bir sınıflandırma işleminde öznitelikleri içine alan bir verinin seçilmesi anlamını
taşımaktadır. Veri tabanlarındaki işlem hızları artmasına rağmen büyük veritabanları üzerinde
birden fazla modellin denenmesi oldukça zaman ve maliyet gerektirmektedir. Bunun yerine
verinin bütününü temsil edecek şekilde bir parça üzerinde işlemler yapılabilir. Fakat seçilecek
parçanın verinin tamamını temsil etmesi açısından önemi büyüktür.
2.2.5 Dönüştürme : Verinin kullanılacak modele göre içeriğini koruyarak şeklinin
dönüştürülmesi işlemidir. Dönüştürme işlemi kullanılacak modele uygun biçimde yapılmalıdır.
Çünkü verinin gösterilmesinde kullanılacak model ve algoritma önemli bir rol oynamaktadır.
Yukarıdaki bilgiler ışığında veri tabanları ile veri ambarları arasındaki bazı farklar göze
çarpmaktadır. İçerik olarak veri tabanları bütün detayları kapsamakta, veri ambarlarında ise daha
çok özet ve ilgili bilgileri tutulmaktadır. Veri tabanı işlemleri, bir kısım veri üzerinde yapılırken
veri ambarları, daha fazla veri üzerinde işlem yapmaktadır. Veri tabanlarında veriler iki boyutlu
tutulurken veri ambarları çok boyutlu veri saklama imkanı sunmaktadır. Bu sebeple verinin
analizi kolaylaşmaktadır. Veri tabanları sürekli güncellenirken veri ambarları belirli periyotlar ile
güncellenirler.
2.4 Modelin Kurulması ve Değerlendirilmesi
Bilginin keşfi sürecinde hazırlanan verilerin ortaya konulan probleme uygun modelin
ortaya konulması ve bu modele ait algoritmanın seçilmesidir. Genel olarak Sınıflama ve Tahmin
(Classification and Prediction), Küme Analizi (Cluster Analysis), Birliktelik Kuralları
(Associaton Rules) şeklinde modelleri sınıflandırabiliriz.
Sınıflama ve Tahmin : Bu iki model aslında birbirlerinden farklı amaçları olsa da aynı
tekniklerle kullanıldığı için tek başlık içerisinde alabiliriz. Bu iki model arasındaki bağlantı
tahmin edilen değerlerin sınıflanmış bir yapıya sahip olmasıdır. Sınıflanma modeli iki adımdan
oluşmaktadır. İlk adımda gözlenmiş veriler sınıflandırma algoritması kullanılarak sınıflandırma
kuralları oluşturulur. İkinci adımda ise oluşturulan sınıflandırma kuralları kullanılarak veriler
sınıflandırılır. Tahmin modelinde sürekli veriler alınarak oluşturulan kurallara göre
sonuçlandırılır. Bu modellerde kullanılan algoritmalar dan bazıları Karar Ağaçları (Decision
Tree), Hatayı Geri Yayma (Backpropagation), Bayes Sınıflandırması (Bayesian Classification)
dır.
Küme Analizi : Kümeleme işlemi birbirine benzeyen nesnelerin aynı grupta
toplanmasıdır. Bu modelde en büyük etken hangi kriterlere göre kümeleme yapılacağıdır. Bu
işlem konu ile ilgili uzman tarafından tahmin edilir. Veriler kümeleme işleminde aynı sınıfta yer
almalarına rağmen farklı gruplarda da yer alabilir. Nüfus bilimi ve astronomi alanında
kullanımları yaygındır.
Birliktelik Kuralları : Bu model veri nesneleri arasındaki ilginç ilişkileri araştırır. Bu
gerek birbirini izleyen gerekse eş zamanlı durumlarda araştırma yapar. Bu model yaygın olarak
Market Sepet Analizi uygulamalarında kullanılmaktadır. Bunun yanında finans ve tıp alanında
da kullanılmaktadır.
Bilgi keşfi için modelin kurulması çok zahmetli bir işlemdir. Çünkü hangi model ve
algoritmanın bize daha iyi performans vereceğini önceden kestirmemiz imkansız olmasa da çok
zordur. Bu nedenle mevcut olan bütün modelleri kurarak bunlar arasında mukayese edilmelidir.
Modelin öğrenmesi Deneticili (Supervised) ve Deneticisiz (Unsupervised) olmak üzere ikiye
ayrılır. Deneticili yöntemde verini bir kısmı seçilen algoritmanın eğitimi için diğer kısmı da
eğitimin testi için kullanılmaktadır. Test işlemindeki başarı o modelin kalitesini ortaya
koymaktadır. Öğreticisiz yöntemde ise ilgili özellikler arasındaki benzerlikten ortaya çıkarak
eğitim yapılmaktadır. Veri tabanı işlemlerindeki hızlanmaya rağmen verilerin çok fazla olması
eğitim ve test süresini olumsuz yönde etkilemektedir. Bu nedenle verinin tamamı yerine onu en
iyi şekilde temsil edecek daha küçük bir veri topluluğu üzerinde modelin seçilmesi ve sonra tüm
veriye uygulanması iyi bir çözüm olmaktadır.
2.4 Şablonların ve İlişkilerin Yorumlanması
Yapılan çalışmalar sonuçunda elde edilen ilişkilerin ve kuralların uzman tarafından
incelenerek
yorumlanması
aşamasıdır.
Bu
aşamada
modelin
bize
sunduğu
ilişkiler
incelenmektedir. Biz model üzerinde verinin bir kısmını kullandığımız için karşımıza gelen
bütün ilişkiler anlamlı olmaya bilir. Bu nedenle uzmanların bu aşamada yaptığı inceleme ve
yorumlar ışığında model üzerinde değişiklikler yapılarak işlemlere faydalı yeni boyutlar
kazandırılabilir.
3. TIBBİ VERİ ve TIPTA VERİ MADENCİLİĞİ
Tıp alanında bilginin kullanım şeklinde meydana gelen değişiklikler sağlık bakım
hizmetini verenleri etkilemiştir, sağlık bakım hizmetinin verilmesinde bilgisayar kullanımı,
bilginin paylaşım-ekip yaklaşımını, veri ve bilgi temelli uygulama gibi kavramlar yaygınlaşmaya
başlamıştır. Bilgisayarlar hasta bakım hizmetlerinin destekleme, sağlık bakım hizmetlerinin
kalitesinin değerlendirilmesi gibi doğrudan sağlık bakım hizmetlerinin sunulmasında
kullanılmasının yanı sıra, karar verme, yönetim, planlama ve tıbbi araştırmalar gibi yönetsel ve
akademik fonksiyonların yerine getirilmesinde daha fazla kullanılmaya başlanılmıştır.
Tıp alanında bulunan mevcut veri oldukça fazla ve hayati öneme sahiptir. Hastane bilgi
sistemleri sayesinde bu veriler düzenli olarak tutulmaktadır. Hayati öneme sahip olan bu
verilerden daha fazla yaralanmak mümkündür. Hastane Bilgi sistemlerinden veya diğer tıbbi veri
toplayan sistemlerden alınan veriler üzerinde yapılan veri madenciliği çalışmaları hem uzmanlar
için hem hastane yönetimi için hem de hastaların daha kaliteli bir hizmet almalarında etkin rol
alabilir.
3.1 Tıbbi Verinin ve Veri Ambarının Oluşturulması
Tıbbi veriler üzerinde çalışma yapmak bu verileri iyi tanımakla mümkündür.
Tıbbi verilerin yorumlanmasında uzmanların önemli bir rolü vardır. Bu nedenle uzman görüşleri
ile işlemler arasındaki bağlantı iyi kurulmalıdır. Tıp alanında belirli bir standardın olmayışı ve
varolan standartlar arasında tam bir uyumun olmaması nedeniyle, bu alanında bir veri ambarının
oluşturulması oldukça zor bir işlemdir. Tablo-1 de görüldüğü üzerine çeşitli standartlar arasında
faklı kodlama sistemleri mevcut olmaktadır. Bu nedenle veri ambarı oluştururken farklı
kaynaklardan toplanan veriler arasındaki standart uyumu da göz önüne alınmalıdır.
Level
1
2
3
4
5
Term
Infectious/parasitic diseases
Viral disease with exanthem
Rubella
Rubella + neurological complications
Rubella + encephalomyelitis
RCC
A
A5
A56
A560
A5601
ICD-9-CM
001-139
050-057
056
0560
056.01
Tablo-1 : RCC ve ICD-9-CM standartları arasındaki ilişki. 9
9
http://www.mihandbook.stanford.edu/tables/tables.htm
Bunu yanı sıra tıp alanındaki terimlerin hem karışık hem de birbirine yaklaşık olması da
veri ambarı oluşumunu negatif yönde etkilemektedir.
Tıp alanındaki veri genellikle farklı
kaynaklarda toplanmaktadır. Örneğin hastanın laboratuar ile ilgili verileri ile hastanın teşhis
bilgileri farklı kaynaklarda ve farklı şekillerde tutulmaktadır.
3.2 Tıpta Veri Madenciliği Uygulama Alanları
Tıp alanında veri madenciliği uygulamaları çeşitli konularda yapılmıştır. Bunlardan bir
kaçını açıklayalım.
A.Kusiak ve arkadaşları tarafından akciğer deki tümörün iyi huylu olup olmadığına dair,
karar destek amaçlı bir çalışma yapılmıştır. İstatistiklere göre Amerika da 160.000 den fazla
akciğer kanseri vakasının olduğu ve bunların %90’ının öldüğü belirlenmiştir. Bu bağlamda bu
tümörün erken ve doğru olarak teşhisi önem kazanmaktadır. Noninvaziv testler ile elde edilen
bilgi sayesinde %40-60
oranında doğru teşhis konabilmektedir. İnsanlar kanser olup
olmadıklarından emin olmak için biyopsi yaptırmayı tercih etmektedirler. Biyopsi gibi invaziv
testler hem maliyeti yüksek hem çeşitli riskler taşımaktadır. Faklı yerlerde ve farklı zamanlarda
kliniklerde toplanan invaziv test verileri arasında yapılan veri madenciliği çalışmaları teşhiste
%100 oranında doğruluk sağlamıştır. 10
Başka bir çalışma ise Kore Tıbbi Sigorta Kurumu ( The Korea Medical Insurance
Corporatition) tarafından hazırlanan bir veri tabanı üzerinde yapılan yüksek tansiyon ile ilgili bir
çalışmadır. Bu çalışma 1998 yılına ait 127,886 kayıt üzerinde yapılmıştır. İlk aşamada yüksek
tansiyona sahip 9,103 kayıt üzerinde, daha sonra aynı sayıda yüksek tansiyonu olmayan kayıtlar
üzerinde çalışılmıştır. Bu örnek 13,689 kayıttan oluşan ögrenme ve 4,588 kayıttan oluşan test
setine bölünerek modelin eğitimi yapılmıştır. Öğrenim algoritmasında karar ağaçları
algoritmalarından CHAD, C4.5, C5.0 kullanılmıştır. Bu çalışmalar sonuçunda yüksek tansiyon
tahmininde etkili değerler BMI, idrar proteini (urinary protein), kan glikozu, kolestrol
değerleridir. Yaşam koşullarının (diyet, alınan tuz miktarı, alkol, tütün gibi) hiçbirinin tahminde
etkili olmadığı ayrıca grafiksel değerlerde de yalnızca yaşın etkili olduğu saptanmıştır. 11
10
A.Kusiak, K.H. Kernstine, J.A.Kern, K.A.McLaughlin and T.L.Tseng: Medical and
Engineering Case Studies May, 2000
11
Young Moon Chae, Seung Hee Ho, Kyoung Won Cho, Dong Ha Lee, Sun Ha Ji : Data Minig
approach to policy analysis in a healt insurance domain
Sonuç
Bilişim Teknolojilerin birçok alanda kullanımı ve uygulamaları her geçen yıl artmaktadır.
Bu alanlar içinde en önemlilerinden biriside Tıp olup bilişim teknolojileri ile Tıp alanlarının
kesişim noktasında “Tıp Bilişimi (Medical Informatics)” adlı bir disiplinin de oluşmasını
sağlamıştır. “Veri Madenciliği”nin de özellikle ticari alanlarda yoğun kullanımından sonra, tıbbi
kullanımı da gündeme gelmiştir. “Veri Madenciliği” tıbbi kullanımı ile daha önce belki de birçok
klinik araştırma gerektiren, hem ekonomik hem de insan (veya deney hayvanları) sağlığı
açısından sakıncaları olan tıbbi araştırmaların yerini kısmen de olsa doldurarak tıbbi araştırmalar
için yeni bir ufuk sağlayacaktır.
Bizim çalışmamızda da tıbbi kullanımı ile ilgili özel veya genel çalışma ve araştırmalar
gözden geçirilerek, bu alanda yapılabilecek çalışmalar için bir vizyon sağlamak amaçlanmıştır.
Bu sayede belki de hem bizim hem de bu çalışmayı inceleme fırsatı bulanların uygulamalı yeni
çalışmalar yapması için bir açılım sağlayacaktır.
Son olarak şunu söyleyebiliriz; “Veri Madenciliği” özellikle insan sağlığı ile ilgili olduğu
için tıbbi kullanımı ile oldukça önemli bir uygulama alanı bulacaktır. Bu konuda önemini son
yıllarda giderek artan çalışmalar ile de ortaya koymaya başlamıştır.
Kaynaklar:

A.Kusiak, K.H. Kernstine, J.A.Kern, K.A.McLaughlin and T.L.Tseng: Medical and
Engineering Case Studies May, 2000

Alper Vahaplar, Dr. Mustafa Murat İnceoğlu : Veri Madenciliği ve Elektronik
Ticaret, VII. Türkiye’de İnternet Konferansı, 1-3 Kasım 2001

Benjamin Honigman, Partice Light, Russel M. Pulling, Dawid W. Bates, A
computerized method for identifying incidents associated with adverse drug
events in outpatients, International Journal of Medical Informatics, 61(2001), s.
21-32

David M Coulter, Andrew Bate, Ronald H B Meyboom, Marie Lindquist, I Ralph
Edwards, Antipsychotic
drugs and heart muscle disorder in international
pharmacovigilance: data mining study, BMJ, 322, 19 MAY 2001, p:1207-1209

Doron Shalvi and NicholasDeClaris : An Supervised Neural Network Approach to
Medical Data Mining
Techniques

http://www.mihandbook.stanford.edu/tables/tables.htm

Julia Ponomarenko, Tatyana Merkulova, Galina Orlova, Oleg Fokin, Elena
Gorshkov, Mikhail Ponomarenko, Mining DNA sequences to predict sites which
mutations cause genetic diseases, Knowledge-Based Systems, 15(2002) 225-233

Steven Ganzert, Josef Guttmann, Kristian Kersting, Ralf Kuhlen, Christian Putensen,
Michael Sydow, Stefan Kramer, Analysis of Respiratory Pressure-Volume Curves
in Intensive Care Medicine Using Inductive Machine Learning, Artificial
Intelligence in Medicine, 26(2002), s.69-86

Wolf Stühlinger, Oliver Hogl, Herbert Stoyan and Michel Müller : Intelligent Data
Mining for Medical Quality Management

Young Moon Chae, Seung Hee Ho, Kyoung Won Cho, Dong Ha Lee, Sun Ha Ji :
Data Minig approach to policy analysis in a healt insurance domain

Zhi-Hua Zhou, Three Perspectives of Data Mining, Artificial Intelligence, 143(2003),
p:139-146