Giriş ve Amaç: Altta yatan nedenlerin çeşitliliği, baş dönmesinin ayırıcı tanısında tıbbi bir zorluk oluşturmaktadır. Birçok hasta için tanıya ulaşma süresi oldukça uzundur ve birkaç test içerir. Bu, bazı nörolojik acil durumların tanınmasını ve tedavisini geciktirirken sağlık sistemine önemli bir mali yük getirir. Bu makalede, zamanında yönetim gerektiren baş dönmesinin vasküler nedenlerinin erken tanınmasına yardımcı olmak için makine öğrenimi tabanlı bir yöntem sunuyoruz.Yöntem: Yaş, cinsiyet, eşlik eden semptomlar, komorbiditeler ve yaygın olarak bilinen kan parametreleri gibi veriler kullanılarak, hasta için en uygun grubu tahmin etmek üzere makine öğrenimi tabanlı bir ön değerlendirme yöntemi tasarlandı. İstatistiksel yöntemler kullanılarak etkili özellikler belirlendikten sonra, baş dönmesi gruplarını belirlemek için çeşitli makine öğrenimi yöntemleri (karar ağacı, lojistik regresyon, destek vektör makineleri, k-en yakın komşu, çok katmanlı algılayıcı ve topluluk öğrenme yöntemleri) kullanıldı.
Bulgular: Deneysel sonuçlar, yaş, serum albümini, baş ağrısı, hipertansiyon ve diyabetin varlığının vasküler vertigo hastalarını sınıflandırmak için önemli özellikler olduğunu göstermektedir. Doğruluklar %81,7 ile %86 arasında değişmektedir ve en iyi sonuç lojistik regresyon yöntemi ile elde edilmektedir. Karar ağacı, destek vektör makineleri, k-en yakın komşu, çok katmanlı algılayıcı ve topluluk yöntemleri sırasıyla %83, %85,5, %84, %81,7 ve %82,8 doğruluklara ulaşmıştır.
Sonuç: Çalışmamız, makine öğrenimi modellerinin hastaneye başvurudan önce vasküler vertigo vakalarını tahmin etmede yararlı olabileceğini öne süren makul kanıtlar sunmaktadır. Modelin doğruluğunu arttıracak daha kapsamlı benzer çalışmalara ihtiyaç vardır. Modelimiz, ambulans personeli, pratisyen hekimler ve atipik ve zor baş dönmesi vakalarıyla karşılaşan uzmanlar için faydalı olabilir.
Anahtar Sözcükler: Baş dönmesi, inme, makine öğrenimi, vertigo, yapay