Sosyal Medya Araçları Türkiye deki Grip Benzeri Hastalıkları Saptayabilmek için kullanılabilir mi?

Transkript

1 Sosyl Medy Arçlrı Türkiye deki Grip Benzeri Hstlıklrı Sptybilmek için kullnılbilir mi? Bşk OĞUZ YOLCULAR, Selen BOZKURT, Uğur BİLGE, Deniz ÖZEL, 1. Giriş Biyoisttistik ve Tıbbi Bilişim AD, Akdeniz Üniversitesi, Antly Cn Socil Web Help To Detect Influenz Relted Illnesses in Turkey? Abstrct: In this pper, we present content nlysis of the lrge microblog Twitter to determine the frequency of content contined in Twitter users sttus updtes mentioning influenz like illness (swine flu, cold etc.) nd compre these results with news rticles, Google serch trends nd ntionl helth sttistics for Turkey. Between Jnury 1, 2009 nd December 31, 2010, we rchived over influenz-relted Turkish posts on Twitter nd news in leded three Turkish newsppers contining influenz relted keywords. No strong correltion ws discovered between influenz relted online dt nd rel world records. Although there is no significnt reltionship between rel world influenz dt nd online dt, this study shows tht vluble mount of dt cn be hrvested from the socil web pplictions. Key Words: Socil networks, Twitter, Influenz like illness Özet: Bu çlışmd, mikro-blog servislerinden biri oln Twitter dki kullnıcılrının grip benzeri hstlıklrl ilgili içeriğe ship oln durum güncellemeleri incelenmiş ve freknslr belirlenerek içerik nlizi ypılmıştır. Elde edilen bulgulr, gzete hberleri, Google rm trendleri ve Türkiye ye it ulusl sğlık isttistikleri ile krşılştırılmıştır. Çlışmd, 1 Ock Arlık 2010 trihleri rsınd Twitter d girilmiş oln 4165 den fzl griple ilişkili ileti ve önde gelen üç Türk gzetesinde yyınlnn grip benzeri hstlıkl ilgili hber incelenmiştir. Gerçek düny verileri ve griple ilgili çevrim içi bulgulr rsınd isttistiksel olrk nlmlı bir ilişki bulunmmıştır. Bu çlışmd, sosyl ğlr kullnılrk, bu kynklrdn çok fzl syıd veri elde edilebileceği görülmüştür. Anhtr Kelimeler: Sosyl ğlr; Twitter; Grip benzeri hstlıklr Son yıllrd sosyl ğlr ve mikro-blog servisleri, bilginin dğılımı ve pylşımını sğlyn ve kişiler rsı iletişim ğını oluşturn bir seçim rcı olmuştur [1-2]. Politik konuşmlr, spor müsbklrı, ulusl slgınlr ve diğer büyük çpt olylrd kişilerin 62

2 yorum ve izlenimlerini pylştıklrı dijitl bir iletişim rcı olrk sıklıkl kullnılmktdır [3-4]. Twitter ( gibi mikro-blog servisleri ve Fcebook ( benzeri sosyl pylşım siteleri, kişilerin kendi hikye ve görüşlerini, ürün tnıtımlrını ve kendi bulunduklrı konuml ilgili uyrı ve rporlrı pylşmlrını sğlmktdır. Özellikle 2009 yılındn sonr sosyl pylşım sitelerinin kullnımınd bir ptlm yşnmıştır yılı sonund Türkiye, Fcebook kullnımınd tüm dünyd dördüncü sıry yerleşmiştir. Elde edilen isttistik bulgulrın göre hlkın üçte biri bir Fcebook hesbın shiptir [5] yılı sonund Türkiye de Twitter kullnımı sdece % 0,8 civrındyken, son zmnlrd kullnım trfiği büyük bir ornd rtmıştır. Sosyl pylşım sitelerinin kişilere sğldığı kullnım kolylığı ve erişim hkkıyl birlikte bu sitelerin kullnımı milyonlr ulşmıştır. Kişilerin bu siteleri ktif bir şekilde kullnmlrıyl birlikte veri mdenciliği rştırmlrı için de bu siteler yeni bir veri kynğı olmuştur. Özellikle hstlık slgınlrının internet üzerinden tkip edilmesi ile ilgili çlışmlr ilgi odğı hline gelmiştir [7]. Dh önceki çlışmlrd veri mdenciliği teknikleri, gzete hberleri, bloglr, rm motoru kyıtlrı ve internet tryıcısı örüntülerine uygulnmıştır [7-10]. Bu rçlr frklı kynklrdn toplnn verileri yeni, bütünleşik veri kynklrın vey servislerine ktrmktdır. Örnek olrk, Globl Public Helth Intelligence Network (GPHIN), HelthMp sistemi ve EpiSPIDER projesi sosyl internet kynklrını nliz etmekte ve özellikle slgın hstlıklr gibi hlk sğlığı ile ilişkili bilgileri toplmktdır [11-12]. Mevsimsel grip benzeri slgınlrın, internette sosyl medylr rcılığı ile izlenmesi veri mdenciliğinin önemli konulrındn biridir [5]. Çoğu internet kullnıcısının bloglrd ve trtışm forumlrınd bilgi pylşımı vey öneri lmk mcıyl grip benzeri konulrl ilgili rm yptıklrı vey ileti gönderdikleri bildirilmiştir [4, 7, 13]. Bşk bir çlışmd ise, 2009 yılınd orty çıkn H1N1 slgınınd internetin en sık kullnıln bilgi kynğı olduğu belirtilmiştir [14]. Bu nedenle, sosyl medy pltformlrı tüm dünyd, grip benzeri hstlıklrl ilgili bilgi ve veri kynğı olrk hizmet sunmd güçlü bir potnsiyele shiptir. Grip virüsünün izlenmesi, özellikle slgın tipinin ve dirençli lt tiplerinin belirlenmesinde önemli bir yere shiptir. Türkiye, Asy ve Avrup rsınd bir köprü görevi görmekte ve bu yüzden Türkiye deki grip ktivitesi ile ilgili bilgi, grip virüsünün yyılımının nlşılmsınd ktkı sğlmktdır [15]. Yukrıd nltılnlrın ışığınd bu çlışmnın mcı, mikro-blog servislerinden yygın kullnım ship oln Twitter dki kullnıcılrın grip benzeri hstlıklrl (soğuk lgınlığı, domuz gribi vb.) ilgili durum güncelleştirmelerini nliz ederek freknslrı hesplmk ve sonuçlrı gzete ve Google rm kyıtlrındn elde edilen sonuçlrl ve Türkiye sğlık isttistikleri ile krşılştırmktır. 63

3 2. Gereç ve Yöntem Veri Toplm 1 Ock Arlık 2010 trihleri rsınd Twitter d girilen 4165 ten fzl Türkçe ileti ve üç lider Türk gzetesindeki [16] (Zmn, Milliyet, Hürriyet) hber üç rştırmcı trfındn rşivlenmiştir. Arştırmcılr trfındn, griple ilgili beş det nhtr kelime (domuz gribi, soğuk lgınlığı, kuş gribi, grip, nezle) kullnılrk rmlr ypılmış ve elde edilen bütün kyıtlr zmn göre sırlnmıştır. Twitter, kullnıcılr mesj, bşk bir deyişle twit gönderme ve iletme imknı sğlyn bir mikro-blog servisidir. Her twit 140 krkterle sınırlndırılmkt ve kullnıcılrın profilinde görüntülenebilmektedir. Kişiler tkip ettikleri kişilere it en son twitleri kendi syflrınd görebilmektedirler. Kullnıcılr diğer kullnıcılrı hiçbir kısıtlm olmdn tkip edebilmekte ve bu imknı sosyl, iş ve kdemik ktiviteleri destekleme mçlı olrk kullnbilmektedirler. Bu çlışmd Twitter iletileri, sosyl ğlr için geliştirilmiş ücretsiz olrk kullnılbilen gerçek zmnlı bir rm motoru uygulmsı kullnılrk elde edilmiştir [17]. Gzete hberleri ise yzrlrdn bir tnesi trfındn geliştirilen bir Jv uygulmsı ile toplnmıştır. Toplnn hberlerin geçerliliği, gzetelerin çevrim içi rşivleri gözden geçirilerek sğlnmıştır. Elde edilen verilerden ilişkisiz girdiler çıkrtıldıktn sonr, twitler ve hberler zmn göre bir ry getirilmiş ve belirlenen vklrın zmnsl dğılımlrı Google rm trendleri [18-19] ve Düny Sğlık Örgütü nün (DSÖ) isttistikleri [20] ile krşılştırılmıştır. İsttistiksel Anlizler Freknslr, syı ve yüzdeleri ile sunulmuştur. Öncelikle, her gruptki verilere it trendler (rtışlr, zlışlr vb.) sptnmış ve elde edilen bulgulr tnımlyıcı zmn serisi grfiği ile gösterilmiştir [21]. Frklı web kynklrı rsındki ilişkiyi nliz etmek için normlize çprz korelsyon ornlrı hesplnmıştır. Çprz korelsyon, iki seri (genellikle zmn) rsındki korelsyon derecesini belirlemede kullnıln popüler isttistik yöntemlerinden biridir. Çprz korelsyon fonksiyonu, iki zmn serisi rsındki ilişkinin yönünü belirlemek vey bir değişkenin diğer bir değişkendeki değişimi ne kdr thminleyebildiğini bulmk için kullnılmktdır [22]. Bu yöntem, rştırıln zmn serilerinin durğn olduğu durumlr için uygundur. Bu nedenle, durğn olmyn zmn serileri frk lm yöntemiyle durğn hle getirilmiştir [23]. İki zmn serisi veri setine it çprz korelsyon testi, bir veri setinin bşk bir veri setine göre zmn kymsını gösteren bir çok Person s Product Moment korelsyon ktsyısı (r) içerir [24]. Her kym gecikme olrk dlndırılır ve bu gecikme zmnı iki zmn serisi periyodunun örneklemidir. (r) -1 ve 1 syı rlığınd herhngi bir değeri lbilir. Korelsyon ktsyısı ne kdr yüksekse ilişki o kdr güçlüdür. Tipik bir çprz-korelsyon grfiği, iki veri setinin döngüsel ilişkisini göstermek için negtif ve 64

4 pozitif yöndeki yeterli gecikmeleri gösterir. Bu çlışmd, zmn serileri 5 gecikme zmnın bölünmüştür. İki grup rsındki korelsyon ornlrı Mnn-Whitney U testiyle krşılştırılmıştır. Anlizler MedClc (Version MedClc Softwre) yzılımı ile ypılmış ve p değeri 0,05 den küçük olnlr isttistiksel olrk nlmlı syılmıştır. 3. Bulgulr Tblo 1 de, grip benzeri nhtr kelimeleri içeren tüm twit ve hberlere it freknslr özetlenmiştir. Tblo 1- Grip benzeri nhtr kelimeleri içeren twit ve hberlerin freknslrı Twit Hber Toplm n % n % n % n % n % Anhtr Kelimeler Domuz Gribi , , , , ,1 Kuş Gribi 69 5, , , , ,6 Grip 38 3, , , , ,2 Soğuk lgınlığı , , , , ,1 Nezle 35 2, , , , ,2 Toplm Şekil 1 de trihleri rsındki tüm kyıtlı twit ve hberleri içeren zmn serisi grfiği gösterilmektedir. Grfikte griple ilgili nhtr kelimeleri içeren tüm twit ve hberler yer lmktdır. Şekil 1- Grip benzeri hstlıklrl ilgili nhtr kelimeleri içeren twit ve hberleri gösteren zmn serisi Twitlerin zmn serisi grfiğine bkıldığınd, gzete hberlerininkine benzer olrk, 2009 yılının 15. (09-15 Nisn 2009) ve 44. (29 Ock-04Ksım 2009), 2010 yılının 34. (26-31 Ağustos 2010) hftlrınd belirgin bir rtış yşndığı görülmüştür. Diğer trftn, twitlerin freknsının hberlerinkinden frklı olrk 22 Arlık 2010 trihinden itibren rttığı gözlemlenmiştir. Bu durumun, özellikle 2010 yılındn sonr Türkiye deki Twitter kullnıcısı syısındki rtıştn kynklndığı söylenebilir. 65

5 Gzete hberleri ve twitlerin zmn serileri durğn bir dğılım ship olmdığı ve günlük freknslr rsındki frklılıklrı belirlemede yetersiz olduğu için, günlük frklr lınrk dönüşüm uygulnmıştır. Bu frklr, DSÖ nün günlük grip frekns kyıtlrıyl krşılştırılmış ve Şekil 2 ve 3 te gösterilmiştir. Şekil 2 deki grfiğe göre DSÖ grip isttistikleri ve twit freknslrının, frklı zmnsl frekns dğılımın ship olduğu görülmüştür. Diğer trftn, DSÖ isttistikleri ile gzetelerdeki griple ilgili hber freknslrının zmnsl olrk benzer bir dğılım gösterdiği sptnmıştır. Şekil 2- Türkiye deki griple ilgili tüm twit ve DSÖ isttistiklerinin krşılştırılmsını gösteren zmn serisi grfiği Şekil 3- Türkiye deki griple ilgili tüm hber ve DSÖ isttistiklerinin krşılştırılmsını gösteren zmn serisi grfiği Grip isttistiklerinin elde edildiği kynklr rsındki ilişkinin doğruluğunu (ccurcy) test etmek için çprz korelsyon ornı hesplnmıştır. Bu orn (r), griple ilgili tüm twitler, hberler, Google ve DSÖ grip verileri için hesplnmış ve Şekil 4 te -5 ve 5 gecikme rlığı için hesplnn frklı r değerleri gösterilmiştir. Griple ilişkili hberler ve Google ve DSÖ isttistikleri rsınd griple ilişkili twitlere göre dh güçlü bir ilişki bulunmuştur. Bütün ornlr incelendiğinde, gecikme rlığı 3 te en güçlü ilişkinin hberler ve DSÖ isttistikleri rsınd olduğu görülmüştür (r=0.270). Fkt iki değişken rsındki ilişki çok zyıf olduğu için hstlık trendlerinin thmininde iyi bir knıt olduğu söylenemez. Google grip verileri ve DSÖ isttistikleri rsınd isttistiksel olrk nlmlı bir ilişki bulunmmıştır. Şekil 5 te ornlr rsındki çprz korelsyon grfiği gösterilmiştir. 66

6 Şekil 4-İkili gruplr rsı çprz korelsyon grfiği Şekil 5-Google grip verileri ve griple ilgili DSÖ isttistikleri rsındki çprz korelsyon grfiği Günlük Twitter grip ileti ve hberlerin günlük frekns ilişkileri ile DSÖ grip verileri 2009 ve 2010 yıllrı için rştırılmıştır. Şekil 6 ve 7 de bu ikili gruplrın yıllr göre korelsyon ornlrı gösterilmiştir ve 2010 yıllrınd DSÖ isttistikleri ile ileti ve hberler rsınd d herhngi bir nlmlı ilişki bulunmmıştır. Şekil 6- Yıllr göre griple ilgili twit ve DSÖ isttistiklerinin çprz korelsyon grfiği 67

7 Şekil 7- Yıllr göre griple ilgili hber ve DSÖ isttistiklerinin çprz korelsyon grfiği 4. Trtışm İnternet üzerindeki gerçek dünyyl ilgili vklr it bilgileri çıkrmnın en büyük motivsyon kynğı, verilerin büyük ve önemli bir kısmının internette yer lıyor olmsıdır. Son yıllrd ypıln çlışmlr dh çok blog vey internet sitelerindeki verilere odklnmış ve bu veri kynklrının, gerçek düny vklrının öngörülmesinde ortk kıl gibi görüldüğü belirtilmiştir [2, 25-31]. Mesel, Fukuhr ve rkdşlrı, sosyl düşünce örüntüleri ni bşrılı bir şekilde tnımlmış ve bloglr ve gerçek düny verileri rsınd korelsyon bulmuşlrdır [25]. Bu çlışmd, mevcut çlışmlrdn frklı olrk, klsik, büyük bloglrın yerine mikro-blog (Twitter, twit ) iletileri üzerinde durulmuştur. Anliz yöntemi olrk görselleştirme teknikleri ve isttistiksel yklşımlr benimsenmiştir [32]. Bun ek olrk, twitlerle birlikte gzete mkleleri de incelenmiş ve elde edilen sonuçlr DSÖ isttistikleri ve Google rm trendleriyle krşılştırılmıştır [18-20]. Ypıln son çlışmlr, web ve sosyl medynın grip benzeri hstlıklrın tespiti için iyi bir veri kynğı olduğunu göstermiştir [7, 31, 33-34]. Google d grip benzeri hstlıklrl ilgili rmlr incelenerek gerçek düny verileriyle krşılştırılmsı ile ilgili ypıln çlışmlrd nlmlı ilişkiler bulunmuştur [4, 31]. Bu çlışmd ise grip benzeri hstlıklrl ilgili Google sonuçlrı ve DSÖ isttistikleri rsınd nlmlı bir ilişki bulunmmıştır. Bunun sebebi, Türkiye deki griple ilgili bilgi kynklrının yetersiz vey eksik olmsı olbilir. Bşk bir çlışmd, bloglrdki griple ilgili iletilerin trendleri değerlendirilmiş ve iletilerin hftlık freknslrı ile Centers for Disese Control nd Prevention d (CDC) grip benzeri hstlıklrl ilgili tutuln kyıtlr rsınd güçlü bir ilişki olduğu belirtilmiştir [27]. Szomszor ve rkdşlrı, Twitter ın grip benzeri hstlıklrı, hekimler trfındn bildirilen grip verilerinden yklşık bir hft önce sptdığını belirmişlerdir [34]. Diğer trftn, bu çlışmd gerçek düny verileri ile griple ilgili çevrim içi veriler rsınd güçlü bir ilişki bulunmmıştır. Diğer ülkelerde sosyl medy kynklrı bu tür 68

8 vklrı sptmd potnsiyele ship olmsın rğmen, Türkiye de mevcut durumun henüz yetersiz olduğu görülmüştür. Bunun en büyük sebeplerinden biri Türkiye deki bireylerin interneti düzenli olrk kullnmmsıdır. Fkt teknoloji ve iletişimdeki gelişmeler ile birlikte sosyl medy kullnımınd rtış yşncğı ve Türkiye gibi gelişmekte oln ülkelerde, bu durumun hızl değişeceği düşünülmektedir. 5. Sonuç Ypıln çlışmd gerçek düny verileri (DSÖ isttistikleri) ve çevrim içi veriler ile herhngi isttistiksel olrk nlmlı bir ilişki bulunmmsın rğmen bu çlışm, sosyl internet uygulmlrı kullnılrk yüksek syıd veri toplnbileceğini göstermektedir. Bu veriler krr destek, ekonomik nlizler, simülsyonlr vb. gibi çeşitli uygulmlrd kullnılbilir. Bu sebepten dolyı sosyl medy verilerinin kullnımı sğlık bkımı lnınd hızl ilerlemekte ve bu konud ypıln çlışmlrın syısı giderek rtmktdır. 6. Teşekkür Bu çlışmdki isttistiksel nlizler, lisnsı Akdeniz Üniversitesi Biyoisttistik ve Tıbbi Bilişim Anbilim Dlı Bşknı Prof. Dr. Osmn Sk y it MedClc isimli yzılıml ypılmıştır. Bu konud ktkılrındn dolyı kendisine teşekkür ederiz. 7. Kynkç [1] Hmilton JA. It's Twitter time. Hosp Helth Netw 2009: 83(8 Suppl): 6. [2] Schneider A, Jckson R, nd Bum N. Socil medi networking: Fcebook nd Twitter. J Med Prct Mnge 2010: 26(3 Suppl): [3] O'Reilly T nd Milstein S. The Twitter book. 1st ed. Beijing Sebstopol, CA: O'Reilly. vi, 2009; p [4] Kmel Boulos MN. Socil Web mining nd exploittion for serious pplictions: Technosocil Predictive Anlytics nd relted technologies for public helth, environmentl nd ntionl security surveillnce. Comput Methods Progrms Biomed 2010:100(1 Suppl): [5] Fcebook Sttistics by country. Lst ccessed: 8th Mrch [6] Turkey Internet Usge Stts nd Mrket Report. Lst ccessed: 9th Mrch [7] Ginsberg J. Detecting influenz epidemics using serch engine query dt. Nture 2009: 457(7232 Suppl): [8] Grishmn R, Huttunen S, nd Yngrber R. Informtion extrction for enhnced ccess to disese outbrek reports. J Biomed Inform 2002: 35(4 Suppl): [9] Eysenbch G. Infodemiology: trcking flu-relted serches on the web for syndromic surveillnce. AMIA Annu Symp Proc 2006: [10] Linge JP nd et l. Internet surveillnce systems for erly lerting of helth threts. Euro Surveill 2009: 14(13 Suppl). [11] Freifeld CC nd et l. HelthMp: globl infectious disese monitoring through utomted clssifiction nd visuliztion of Internet medi reports. J Am Med Inform Assoc 2008: 15(2 Suppl): [12] Eysenbch G. Infodemiology nd infoveillnce: frmework for n emerging set of public helth informtics methods to nlyze serch, communiction nd publiction behvior on the Internet. J Med Internet Res 2009: 11(1 Suppl): e11. [13] Polgreen PM nd et l. Using Internet Serches for Influenz Surveillnce. Clinicl Infectious Diseses 2008: 47(11 Suppl): [14] Jones JH nd Slthe M. Erly ssessment of nxiety nd behviorl response to novel swine-origin 69

9 influenz A(H1N1). PLoS One 2009: 4(12): e8032. [15] Ciblk MA nd et l. Cses of influenz A(H1N1)v reported in Turkey, My-July Euro Surveill 2009: 14(32 Suppl). [16] Orgniztion ISR. Circultion of Ntionl Turkish Newsppers. The Journl of Turkish Weekly [17] TOPSY Rel-time serch for the socil web. Lst ccessed: 12 December [18] [Anon] nd Tem EE. Google Flu Trends Includes 14 Europen Countries. Eurosurveillnce 2009: 14(40 Suppl): [19] Crneiro HA nd Mylonkis E. Google Trends: A Web-Bsed Tool for Rel-Time Surveillnce of Disese Outbreks. Clinicl Infectious Diseses 2009:49(10 Suppl): [20] Zrocosts J. World Helth Orgniztion declres A (H1N1) influenz pndemic. British Medicl Journl 2009: 338. [21] Chtfield C. Introduction to Sttisticl Time-Series - Fuller,W. Journl of the Royl Sttisticl Society Series -Sttistics in Society 1977: 140: [22] Chtfield C. Anlyzing Time-Series Dt Showing Cyclic Vrition. Sttisticin (1Suppl): [23] Chtfield C.Non-Liner nd Non-Sttionry Time-Series Anlysis - Priestly,Mb. Interntionl Journl of Forecsting 1989: 5(3 Suppl): [24] Derrick TR, Btes BT, nd Dufek JS. Evlution of time-series dt sets using the Person product-moment correltion coefficient. Med Sci Sports Exerc 1994: 26(7 Suppl): [25] Fukuhr T, Murym T, nd Nishid T. Anlyzing concerns of people from Weblog rticles. AI & Society 2007: 22(2 Suppl): [26] Hwn C. Tke two spirin nd twit me in the morning: how Twitter, Fcebook, nd other socil medi re reshping helth cre. Helth Aff (Millwood) 2009: 28(2 Suppl): [27] Miller EA, Pole A, nd Btemn C. Vrition in Helth Blog Fetures nd Elements by Gender, Occuption, nd Perspective. J Helth Commun 2011: [28] Shh SG nd Robinson I. Ptients' perspectives on self-testing of orl nticogultion therpy: content nlysis of ptients' internet blogs. BMC Helth Serv Res 2011: 11: 25. [29] Seemn N, Ing A, nd Rizo C. Assessing nd responding in rel time to online nti-vccine sentiment during flu pndemic. Helthc Q 2010: 13 Spec: [30] Konovlov S nd et l. Biomedicl informtics techniques for processing nd nlyzing web blogs of militry service members. J Med Internet Res 2010: 12(4 Suppl): e45. [31] Corley CD nd et l. Using Web nd Socil Medi for Influenz Surveillnce. Advnces in Computtionl Biology 2010: 680: [32] Schelter B, Winterhlder M, nd Timmer J. Hndbook of time series nlysis : recent theoreticl developments nd pplictions. Weinheim: Wiley-VCH. xviii, 2006; p 496. [33] Chew C nd Eysenbch G. Pndemics in the ge of Twitter: content nlysis of Twits during the 2009 H1N1 outbrek. PLoS One 2010: 5(11 Suppl): e [34] Szomszor M, Kostkov P, nd Quincey E. Twitter predicts swine flu outbrek in rd Interntionl ICST Conference on Electronic Helthcre for the 21st century Sorumlu Yzrın Adresi Bşk OĞUZ YOLCULAR, Dumlupınr Bulv., Akdeniz Üniversitesi, Tıp Fk., Biyoisttistik ve Tıbbi Bilişim AD Antly, Tel : (242) , e-post: bskoguz@kdeniz.edu.tr. 70