Günümüzde gelişen teknoloji her alanda olduğu gibi sağlık alanında da kullanılmaktadır. Özellikle derin öğrenme uygulamalarının kullanılması ile oldukça başarılı sonuçlar alındığı görülmektedir. Derin öğrenme yaklaşımı ile birçok probleme çözüm üretilmektedir. Bu çalışmada, kronik böbrek hastalığının teşhisi için derin öğrenme yöntemlerinden Uzun Kısa Süreli Bellek (LSTM) ağları kullanılarak sınıflandırma işlemi gerçekleştirilmiştir. LSTM ağları genellikle zaman serileri içeren veriler için tercih edilmekle birlikte seri veriler için de kullanılabilirler. Bu çalışmada, verilerin zamansal bağımlılığı yoktur. Bu nedenle model, sabit vektörlerin ardışık işlenmesiyle eğitilir. Veriler, kronik böbrek hastalığı verilerini içerir. Veri seti, 14 özellik içeren 400 örnek içerir. Veri madenciliği çalışmalarında sıklıkla tercih edilen ve herkese açık olarak paylaşılan verilerin yer aldığı veri seti https://www.kaggle.com/ web adresinden elde edilmiştir. Veriler %70 eğitim ve %30 test olarak ikiye ayrılarak eğitilen modelin performansı incelenmiştir. Performansı değerlendirmek için accuracy değerinin yanı sıra precision, recall ve f1 değerleri hesaplanmıştır. Sonuçlar incelendiğinde doğruluğun eğitim verilerinde 95.70, test verilerinde ise 94.16 olduğu görülmektedir. Verilerin gerçek veriler olduğu düşünüldüğünde bu sonuçların oldukça başarılı olduğunu söylemek mümkün olacaktır. Dolayısıyla bu çalışma kapsamında kronik böbrek hastalığı verilerinin sınıflandırılmasında LSTM ağlarının kullanılabileceği sonucuna varmak mümkündür.

Today, developing technology is used in the field of health as well as in every field. It is seen that very successful results are obtained especially with the use of deep learning applications. With the deep learning approach, solutions for many problems are produced. In this study, classification process was carried out using Long Short-Term Memory (LSTM) networks, which is among the deep learning methods, in order to diagnose chronic kidney disease. LSTM networks are generally preferred for data containing time series, but they can also be used for series data. In this study, there is no temporal dependence of the data. For this reason, the model is trained by sequential processing of constant vectors. Data include chronic kidney disease. The dataset contains 400 samples with 14 features. The dataset was obtained from the https://www.kaggle.com/ web address, which contains publicly shared data that is frequently preferred in data mining studies. The performance of the trained model was examined by dividing the data into two as 70% training and 30% testing. In order to evaluate the performance, precision, recall and f1 values were calculated as well as the accuracy value. When the results are examined, it is seen that the accuracy is 95.70 in the training data and 94.16 in the test data. Considering that the data are real data, it will be possible to say that these results are quite successful. Therefore, it is possible to conclude that LSTM networks can be used for classification of chronic kidney disease data within the scope of this study.