In many different areas there are applications of data mining which analyze data to find out new and useful information. In this study, by using the data of 418 non-small cell lung cancer (NSCLC) patients, an application of data mining methods in medicine is carried out. The problem is that in some cases NLCLC can be misclassified. Since different classes have different treatment methods, accurate and in time classification is important. In the first part of this study, effective parameters are determined from the parameters which may have an affect on cancer classification and classification is carried out by different classification algorithms. In the second part of the study, cost-sensitive data mining is used. The aim of classification is to minimize the number of misclassification, on the other hand the aim of cost-sensitive classification is to minimize the total cost of misclassifications. In this study, the cost of classifying the cancer class with low treatment cost as cancer class with high treatment cost is taken higher than the cost of opposite misclassification. Classification is carried out with the cost sensitive algorithms and as a result classifying the cancer class with low treatment cost as cancer class with high treatment cost is minimized. This study will be a decision support system for the doctors to make decisions correctly and in time.

Veriyi değerlendirip gizli kalmış yeni ve faydalı bilgiye ulaşmayı sağlayan veri madenciliği yöntemlerinin günümüzde birçok farklı alanda uygulamaları mevcuttur. Bu çalışmada 418 küçük hücreli dışı akciğer kanseri (KHDAK) hastanın geçmiş verileri kullanılarak veri madenciliği yöntemlerinin tıp alanında bir uygulaması gerçekleştirilmiştir. Problem, KHDAK hastalarında kanser sınıfının zaman zaman belirlenememesidir. Farklı sınıfların farklı tedaviler görmesi, kanserin hızlı ve doğru şekilde sınıflandırılmasının önemini artırmaktadır. Çalışmanın ilk aşamasında kanser sınıfını etkileyebilecek bütün parametreler ele alınıp etkili olanlar tespit edilmiş ve farklı sınıflandırma algoritmaları ile sınıflandırma gerçekleştirilmiştir. Çalışmanın ikinci aşamasında ise maliyete duyarlı veri madenciliği kullanılmıştır. Veri madenciliğinde hedef yanlış sınıflandırma sayısını en aza indirmektir, maliyete duyarlı veri madenciliğinde ise hedef yanlış sınıflandırma maliyetleri toplamını en aza indirmektir. Çalışmada tedavi maliyeti düşük kanser sınıfının, tedavi maliyeti yüksek kanser sınıfında sınıflandırılmasının maliyeti, tam tersi yanlış sınıflandırmanın maliyetinden daha yüksek alınmıştır. Maliyete duyarlı veri madenciliği algoritmaları ile sınıflandırma gerçekleştirilmiş, tedavi maliyeti düşük kanser sınıfının tedavi maliyeti yüksek kanser sınıfında sınıflandırılması en aza indirilmiştir. Yapılan çalışma doktora hızlı ve zamanında kararlar alabilmesi için yol gösterici olmuştur.