Demir eksikliği anemisi dünyada en sık görülen anemi türüdür. Ortaya çıkma sebebi olarak vücudun ihtiyaç duyduğu demir oranının, yiyeceklerden alımının ve bağırsaklardan emiliminin az olması sonucu ortaya çıkar. Dünya nüfusu içerisinde orta düzeyde demir eksikliği anemisine sahip 610 milyona yakın kişinin olduğu bilinmektedir. Bu oran dünya nüfusunun yaklaşık %8.8'dir. Kadınlarda görülme oranı (%9.9), erkeklerde görülme oranından (%7.8) daha fazladır. Hafif derecede demir eksikliği anemisine sahip ise 375 milyon kişi olduğu bilinmektedir. Bu oran yaklaşık olarak %5.41'dir. Anemi hastalığının tespiti için kan testlerinin bir doktorun incelemesi gereklidir. Bu çalışmada amaç, alınan kan testlerinin bir doktorun kontrolü yerine, bir sınıflandırma algoritması ile hızlıca yapılması sağlamaktadır. Bu çalışmada, MATLAB üzerinde RBC, HGB, HCT, MCV, MCH, MCHC gibi kan değerleri ile hastalık teşhisi yapılmıştır. 1800 hasta verisinden 359 u test aşamasında, 1441 i ise eğitim aşamasında kullanılmıştır. Problemin çözümünde ileri beslemeli yapay sinir ağı, destek vektör makinesi, Naive Bayes algoritması, k-ortalama algoritması ve regresyon ağaçları yöntemleri kullanılmıştır. Sınıflandırma algoritmaları MATLAB ortamında kullanılmıştır. Son aşamada, kullandığımız algoritmaların sonuçları arasında ROC eğrisi yöntemi kullanılarak başarım analizi yapılmıştır. Gerçekleştirilen deneyde elde edilen sonuçlara göre, en yüksek başarım oranı %99.53 olarak ileri beslemeli yapay sinir ağı tarafından elde edilmiştir.
Iron-deficiency anemia is the most common anemia disease in the world. It is caused by insufficient dietary intake and absorption of iron or iron loss from bleeding. A moderate degree of iron-deficiency anemia affects about 610 million people. This rate is %8.8 of world population. Iron-deficiency anemia is more common in female (%9.9) than males (%7.8). A mild of iron-deficiency anemia affects another 375 million people. This rate is about %5.41. In diagnosis of iron-deficiency anemia, a physician analyzes subject's complete blood test. In the implemented network model was automated for the detection of iron-deficiency anemia disease by using feedforward backpropagation neural network. In this study, subject's disease condition was decided by using RBC, HGB, HCT, MCV, MCH, MCHC values of subjects' complete blood test on MATLAB. 359 subjects' data were used for test and 1441 subjects' data were used for training within 1800 iron-deficiency anemia samples. In this study, feedforward neural network, support vector machine, Naive Bayes algorithm, k-means algorithm and regression trees methods were used for problem solving. Classification algorithms were used on MATLAB. In the last step, ROC curve method was used for performance analysis of used algorithms' results. The best success rate of performed tests have been achieved %99.53 by feedforward neural network.
