Covid-19 Aşılama Sürecinin Tahminine Yönelik Derin Öğrenme Tabanlı Bir Model

Covid-19 pandemisi, insanlığın son zamanlarda karşılaştığı en büyük zorluklardan biridir. Henüz tedavi edici bir ilaç geliştirilemediği için tüm dünyayı sosyal ve ekonomik anlamda olumsuz etkilemektedir. Covid-19’un etkilerini ve vücutta bıraktığı hasarı en aza indirmek için farklı aşı çalışmaları yapılmıştır. Dünya genelinde insanlar aşılanarak salgının seyri kontrol altına alınmaya çalışılmaktadır. Bu noktada kullanılacak günlük aşı miktarının belirlenmesi, ihtiyaç duyulacak aşı ve enjektör gibi malzemelerin miktarına ve bunlarla beraber sağlık hizmetlerinin planlanmasına kadar önemli birçok alanda belirleyici olacaktır. Bununla birlikte birçok araştırmacı, virüs yayılım modeli oluşturmak ve Covid-19'un gidişatını tahmin etmek için farklı tahmin yöntemleri önermiştir. Bunlar arasında yapay zekâya dayalı yöntemler en ilgi çekici ve yaygın olarak kullanılan yöntemlerdir. Bu çalışmada, dünyada en yüksek aşılama oranına sahip ilk 20 ülke için günlük yapılan aşı sayılarının tahmin edilmesi amaçlanmıştır. Bu amaçla DT, kNN, LR, RF, SVM, MLP, CNN, RNN ve geliştirilen LSTM tabanlı derin öğrenme modelinin karşılaştırmalı bir analizi sunulmuştur. Uygulanan modeller için RMSE, MAE ve R2 metriklerine göre elde edilen deneysel sonuçlar karşılaştırmalı olarak analiz edilmiştir. Deneysel sonuçlar, geliştirilen LSTM tabanlı modelin uygulanan ülkelerin tamamına yakınında 0.90’ın üzerinde R2 değerine sahip olduğunu göstermiştir