Preoperatif verilerle yapay zeka destekli endodontik tedavi prognozunun belirlenmesi
Artificial intelligence-supported endodontic treatment prognosis determination with preoperative data
- Tez No: 1000008
- Danışmanlar: PROF. DR. ARSLAN TERLEMEZ
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Makine öğrenmesi, Yapay zeka, Machine learning, Artificial intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Necmettin Erbakan Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Endodonti Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Doğru tedavinin ilk basamağı doğru tedavi planının belirlenmesidir. Tedavi planlaması aşamasında ise bütüncül bir bakış açısıyla dişin prognozunun değerlendirilmesi gerekmektedir. Örnek verecek olursak, bir dişe kanal tedavisi planlanırken dişin iyileşme potansiyeli ve restore edilebilirliği göz önünde bulundurulmalıdır. Aksi taktirde umut verici olmayan dişlere kanal tedavisi planlamak hem zaman hem maliyet kaybıyla sonuçlanabilir. Diğer bir ihtimal ise prognozu olumlu bir dişin yanlış bir değerlendirme sonucu kaybedilmesidir ki bu kayıp zaman ve maliyet kaybından daha ciddi bir sonuçtur. Dolayısıyla isabetli prognoz tahminleri doğru tedavi planlamasının anahtarı niteliğindedir. Farklı hekimlerin aynı diş üzerinde yaptığı rognoz tahmini ve tedavi planlaması birbirinden farklı olabilir. Hatta aynı hekimin aynı diş hakkında farkı zamanlardaki değerlendirmeleri bile farklılık gösterebilir. Bu durum hem hastanın güvenini sarsar hem de prognoz tayininde standardizasyonu olumsuz etkiler. Bu bağlamda prognoz tahmini ve tedavi planlamasında göreceliliği elimine etmek ve kararın optimizasyonunu sağlamak amacıyla çok sayıda çalışma yapılmış, formlar oluşturulmuştur. Bu formların birçoğu yayınlandığı ülkenin nüfus ve coğrafya özelliklerine spesifiktir. Bunun yanı sıra literatürde Amerikan Endodontistler Birliği (AAE) tarafından yayınlanan Endodontik Vaka Zorluk Değerlendirme Formu (ECDAF), Kanada Endodonti Akademisi (CAE) tarafından yayınlanan zorluk değerlendirme sistemi ve Çin Endodontik Vaka Zorluk Formu (ECDA) gibi yaygın olarak kabul görmüş zorluk değerlendirme ölçekleri de mevcuttur. Tüm bu çalışmalar daha tutarlı kararlar verilebilmesi, kararın gerekçeleri için standart oluşturulması, kayıt tutulması ve tecrübesiz hekimlere yol gösterici olması amacıyla yürütülmüştür. Bu çalışmada yapay zeka destekli endodontik prognoz tahmin modeli geliştirilmesi amaçlanmıştır. Retrospektif bir bakış açısıyla tasarlanan bu çalışmada Necmettin Erbakan Üniversitesi Diş Hekimliği Fakültesi Endodonti anabilim dalında uzmanlık eğitimi gören hekimler tarafından tedavisi yapılan hastaların radyografik verilerinin ve anamnez bilgilerinin kullanılmıştır. Bu hastaların tedavisi tamamlanmış olmalı ve en az 1 yıllık takip röntgeni bulunmalıdır. Aynı zamanda hastaların tedavi öncesine ait panoramik röntgenlerinin bulunması ve bu preoperatif röntgenlerde perapikal lezyon varlığının net bir şekilde görünüyor olması gerekmektedir. Çalışma için öncelikle prognoz üzerinde etkisi olan preoperatif parametreler belirlenmiştir. Bu veriler literatür taraması sonucu elde edilmiştir. Ardından 15 kriterden oluşan bir form oluşturulmuş, her bir kriter zorluk seviyesi açısından derecelere ayrılmıştır. İlk dokuz kriter 3 dereceli, 10. kriter 2 dereceli, sonraki 3 kriter 3 dereceli ve son 2 kriter 2 dereceli olacak şekilde seçeneklendirilmiştir. Bu form örnek olarak seçilen her bir diş için ayrı ayrı doldurulmuştur. Bu değerlendirme yalnızca preoperatif radyografik bulgular ve sistemik anamnez bilgileri kullanılarak yapılmıştır. Daha sonra yeterli takip süresi geçtikten sonra alınan postoperatif panoromik röntgenler kullanılarak periapikal lezyon analiz edilmiş ve tedavinin başarılı mı başarısız mı olduğuna karar verilmiştir. Bu aşamada başarı durumunun tayinini kantitatif şekilde belirleyebilmek için preoperatif-postoperatif röntgenler üzerinden fraktal analiz ve perapikal indeks analizi yapılmıştır. Preoperatif periapikal lezyonda iyileşme belirlenen dişlerin tedavisi başarılı kabul edilmiş öte yandan değişim olmayan ya da lezyonu ilerlemiş olan dişler başarısız kabul edilmiştir. Yapılan G Power hesbıyla, bu çalışmada anlamlı sonuç elde edilebilmesi için incelenmesi gereken diş sayısı en az 254 olarak belirlenmiştir. Çalışmamız için değerlendirilen 456 lezyonlu dişin preoperatif durumuna ilişkin veriler ve tedavi başarı bilgisi bir tablo halinde tasnif edilmiştir. Oluşturulan tablodaki verilerle yapay zekâ modeli eğitilmiş ve yapay zekanın preoperatif verilerle prognoz arasında bir ilişki kurması sağlanmıştır. Bu sayede prognostik faktörlerin prognoz üzerinde ki ağırlıklarını belirleyebilen ve yeni vakalarda preoeratif veriler ışığında prognoz tahmini yapabilen bir yapay zekâ modeli elde edilmiştir. Bu aşamada yapay zekâ alanında çalışan CranioCatch (Türkiye) şirketinden hizmet alımı yapılmıştır. Öncelikle toplam veri seti %80 eğitim gurubu ve %20 test grubu olarak ayrılmış ve test grubu eğitim aşamalarından hariç tutulmuştur. Eğitim seti üzerinden SMOTE uygulaması, çapraz doğrulama ve eğitim işlemleri, permütasyon değeri hesaplaması gibi bir dizi işlemin sonunda elde edilen yapay zeka modelleri test grubu verileriyle değerlendirilmiş ve modellerin prognoz tahmin performansları analiz edilmiştir.
Özet (Çeviri)
The first step in effective treatment is the establishment of an appropriate treatment plan. During the treatment planning phase, it is essential to evaluate the prognosis of the tooth from a holistic perspective. For instance, when planning root canal treatment for a tooth, the healing potential and restorability of the tooth must be considered. Otherwise, planning root canal treatment for teeth with poor prognoses may result in both time and financial losses. Another possibility is the loss of a tooth with a favorable prognosis due to an erroneous assessment, which can lead to consequences more serious than time and cost losses. Therefore, accurate prognosis predictions are crucial for effective treatment planning. Prognosis predictions and treatment planning by different practitioners for the same tooth may differ. Even the same practitioner may have varying assessments of the same tooth at different times. This situation can undermine patient trust and negatively affect the standardization of prognosis determination. In this context, numerous studies have been conducted and forms have been created to eliminate subjectivity in prognosis prediction and treatment planning, thereby optimizing decision-making. Many of these forms are specific to the demographic and geographical characteristics of the country in which they were published. Additionally, widely accepted difficulty assessment scales such as the Endodontic Case Difficulty Assessment Form (ECDAF) published by the American Association of Endodontists (AAE), the difficulty assessment system published by the Canadian Academy of Endodontics (CAE), and the Endodontic Case Difficulty Form (ECDF) from China also exist. All these efforts aim to facilitate more consistent decision-making, establish standards for the rationale behind decisions, maintain records, and guide inexperienced practitioners. This study aims to develop an artificial intelligence-assisted endodontic prognosis prediction model. Designed from a retrospective perspective, this study utilized the radiographic data and anamnesis information of patients treated by specialists in the Department of Endodontics at Necmettin Erbakan University Faculty of Dentistry. The treatments of these patients must be completed, and there should be at least one follow-up radiograph available. Additionally, panoramic radiographs prior to treatment must be available, clearly showing the presence of periapical lesions. Initially, preoperative parameters affecting prognosis were identified based on a literature review. Subsequently, a form consisting of 15 criteria was created, with each criterion categorized according to levels of difficulty. The first nine criteria were divided into three levels, the tenth criterion into two levels, the following three criteria into three levels, and the last two criteria into two levels. This form was filled out separately for each tooth selected as an example. This evaluation was conducted using only preoperative radiographic findings and systemic anamnesis information. After an adequate follow-up period, postoperative panoramic radiographs were analyzed for periapical lesions, and the success of the treatment was determined. To quantitatively assess the success of the treatment, fractal analysis and periapical index analysis were performed on the preoperative and postoperative radiographs. Teeth with healing in preoperative periapical lesions were considered successful, while those with no change or worsened lesions were deemed unsuccessful. Using G Power analysis, it was determined that at least 254 teeth needed to be examined to obtain significant results in this study. Data regarding the preoperative status and treatment success of 456 teeth with lesions were classified in a tabular format. Using the data from the created table, an artificial intelligence model was trained, enabling the AI to establish a relationship between preoperative data and prognosis. This resulted in the development of an artificial intelligence model capable of determining the weights of prognostic factors and making prognosis predictions based on preoperative data in new cases. At this stage, services were procured from CranioCatch (Turkey), a company specializing in artificial intelligence. Initially, the total dataset was divided into an 80% training group and a 20% test group, with the test group excluded from the training phases. Following a series of processes, including SMOTE application, cross-validation, training procedures, and permutation value calculations, the artificial intelligence models obtained were evaluated with the test group data, and the prognosis prediction performances of the models were analyzed.
Benzer Tezler
- Çocuklarda apandisit tanısında yapay zekâ destekli karar sistemlerinin kullanımı: Prospektif bir çalışma
The use of artificial intelligence-assisted decision systems in the diagnosis of appendicitis in children: A prospective study
HATİCE KÜBRA GEGEZ
Tıpta Uzmanlık
Türkçe
2026
Çocuk CerrahisiSağlık Bilimleri ÜniversitesiÇocuk Cerrahisi Ana Bilim Dalı
PROF. DR. ÇETİN ALİ KARADAĞ
- Total mastektomi hastalarında yapay zekâ destekli ameliyat öncesi eğitimin korku ve anksiyete düzeylerine etkisi: Randomize kontrollü araştırma
The impact of artificial intelligence-supported preoperative education on fear and anxiety levels in total mastectomy patients: A randomized controlled trial
GAMZE ORHAN
Yüksek Lisans
Türkçe
2026
HemşirelikBezm-İ Alem Vakıf ÜniversitesiHemşirelik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MAHMUT DAĞCI
- Over kanserinde görüntü tabanlı olarak rezektabiliteyi değerlendirmede yapay zekanın potansiyelinin araştırılması
Investigation of the potential of artificial intelligence in imaging-based assessment of resectability in ovarian cancer
SERAY TAK AKSOY
Tıpta Uzmanlık
Türkçe
2025
Kadın Hastalıkları ve DoğumAkdeniz ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. HASAN AYKUT TUNCER
- Laparoskopik parsiyel nefrektomi yapılan hastalarda perinefrik yağ dokusu özelliklerinin öngörüsünde yapay zekâ uygulamalarının değerlendirilmesi
Evaluation of artificial intelligence applications in predicting perinephric fat tissue characteristics in patients undergoing laparoscopic partial nephrectomy
EMRE FATİH KARADELİ
Tıpta Uzmanlık
Türkçe
2026
ÜrolojiOndokuz Mayıs ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ENDER ÖZDEN
- Solid böbrek kitlelerine sahip hastalarda operasyon öncesı benign-malign ayrımında ve alt tiplendirmede berrak hücreli olasılık skoruna dayalı görüntü işleme ve makina öğrenme yapay zeka modeli
Image processing and machine learning artificial intelligence model based on a clear cell likelihood score to predict preoperative benign-malignant differentiation and subtyping in patients with solid renal masses
ÖZGÜR DENİZ TATAROĞLU
Tıpta Uzmanlık
Türkçe
2026
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. AKİF ERBİN
DOÇ. DR. AYTÜL HANDE YARDIMCI