Geri Dön

Makine öğrenmesi ile AHİ (Apne-Hipopne İndeksi) hesaplaması yapılmadan polisomnografi verilerinden AHİ tahmini: Fizyolojik parametrelere dayalı regresyon modeli geliştirilmesi

Machine learning–based estimation of AHI from polysomnography data without direct AHI calculation: Development of a physiological-parameter–based regression model

PDF İndir

  1. Tez No: 1001589
  2. Yazar: AHMET URAS BALIK
  3. Danışmanlar: DOÇ. DR. LEVENT RENDA
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Kulak Burun ve Boğaz, Otorhinolaryngology (Ear-Nose-Throat)
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Kulak Burun Boğaz Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Makine Öğrenmesi ile AHI (Apne-Hipopne İndeksi) Hesaplaması Yapılmadan Polisomnografi Verilerinde AHI Tahmini: Fizyolojik Parametrelere Dayalı Regresyon Modeli Geliştirilmesi Amaç: Bu çalışmanın amacı, polisomnografi (PSG) sırasında ölçülen ancak Apne-Hipopne İndeksi (AHI) hesaplamasına doğrudan dahil edilmeyen fizyolojik parametreler kullanılarak, makine öğrenmesi temelli regresyon ve sınıflama modelleri ile AHI değerinin tahmin edilebilirliğini değerlendirmektir. Çalışmanın özgün katkısı, oksijenizasyon, arousal ve uyku mimarisi değişkenlerini çok boyutlu olarak işleyen yapay zeka modelleri geliştirmesi ve ağır OSA hastalarını erken dönemde doğru şekilde saptayabilecek klinik uygulanabilir bir karar destek yaklaşımı sunmasıdır. Gereç ve Yöntem: Retrospektif kesitsel tasarlanan çalışmaya PSG testi tamamlanmış 922 birey dahil edilmiştir. Hastaların demografik verileri ve PSG parametreleri kaydedilmiştir. Regresyon (AHI tahmini) ve sınıflama (ağır OSA tespiti) görevleri için üç farklı makine öğrenmesi algoritması (Random Forest, XGBoost, CatBoost) kullanılmıştır. Model eğitiminde nested cross-validation ve hiperparametre optimizasyonu uygulanmış; korelasyon, VIF ve SHAP analizleri ile değişkenlerin ilişkileri, çoklu doğrusal bağlantı ve açıklanabilirlik değerlendirilmiştir. Performans ROC-AUC, PR-AUC, F1 skoru, MAE, RMSE ve Brier skoru ile ölçülmüştür. Bulgular: Çalışmada oksijenizasyon değişkenleri (≥%3 desatürasyon olay sayısı, ortalama desatürasyon yüzdesi, minimum SaO₂) ve arousal sayısı, AHI ile en güçlü ilişki gösteren bağımsız değişkenler olarak saptanmıştır. CatBoost modeli hem regresyon hem sınıflama analizlerinde en yüksek performansı göstermiştir (ROC-AUC >0.90, yüksek PR-AUC, düşük MAE/RMSE, iyi kalibrasyon). VIF değerlerinin 10'un altında olması multikolinearitenin kritik düzeyde olmadığını doğrulamıştır. SHAP analizleri, modelin öngörü gücünde en baskın katkıyı oksijenizasyon metrikleri ve arousal sayısının sağladığını ortaya koymuştur. Modellerin klinik faydasını değerlendiren Decision Curve Analysis (DCA), CatBoost'un tüm olasılık eşiklerinde en yüksek net faydayı sağladığını göstermiştir. Sonuç: Bu çalışma, klasik AHI hesaplamasına dahil olmayan fizyolojik PSG parametreleri ile AHI'nin yüksek doğrulukla tahmin edilebileceğini ortaya koymuştur. Elde edilen makine öğrenmesi modelleri, özellikle ağır OSA hastalarının erken ve doğru tanınmasında klinik olarak güçlü bir karar destek potansiyeline sahiptir. Oksijenizasyon bozukluğu ve uyku fragmantasyonu, AHI'den bağımsız olarak hastalık yükünün belirlenmesinde belirleyici rol oynamaktadır. Geliştirilen modellerin yüksek performansı, OSA tanısında otomatik skorlama, iş yükü azaltma ve maliyet etkinliğin artırılması açısından gelecekte klinik uygulamalara entegre edilebilecek nitelikte olduğunu göstermektedir..

Özet (Çeviri)

Machine Learning–Based Estimation of AHI from Polysomnography Data Without Direct AHI Calculation: Development of a Physiological-Parameter–Based Regression Model Objective: The aim of this study was to predict the Apnea–Hypopnea Index (AHI) using physiological parameters measured during polysomnography (PSG) that are not directly included in the standard AHI calculation formula. The study introduces a novel machine learning–based approach that integrates oxygenation, arousal, and sleep architecture variables into multidimensional predictive models. By focusing on both regression and classification tasks, it seeks to develop clinically applicable decision-support models capable of accurately identifying patients with severe Obstructive Sleep Apnea (OSA) at an early stage. Materials and Methods: This retrospective cross-sectional study included 922 individuals who had completed overnight PSG testing. Demographic and PSG parameters were recorded. Three different machine learning algorithms — Random Forest, XGBoost, and CatBoost — were employed for both regression (AHI prediction) and classification (severe OSA detection) tasks. Nested cross-validation and hyperparameter optimization were applied to prevent overfitting. Correlation, Variance Inflation Factor (VIF), and SHAP analyses were used to assess variable relationships, multicollinearity, and model explainability. Model performance was evaluated using ROC-AUC, PR-AUC, F1 score, MAE, RMSE, and Brier score metrics. Results: Oxygenation metrics (≥3% desaturation event count, mean desaturation percentage, and minimum SaO₂) and arousal index were identified as the most significant predictors of AHI. Among all algorithms, the CatBoost model achieved the best performance across both regression and classification analyses (ROC-AUC > 0.90, high PR-AUC, low MAE/RMSE, and good calibration). All VIF values were below 10, confirming the absence of critical multicollinearity. SHAP analysis revealed that oxygenation-related variables and arousal index had the greatest impact on model predictions. Decision Curve Analysis (DCA) demonstrated that CatBoost provided the highest net clinical benefit across all probability thresholds. Conclusion: This study shows that AHI can be accurately predicted using PSG-derived physiological parameters not included in its conventional formula. The developed machine learning models, particularly CatBoost, exhibit strong clinical potential in supporting early and accurate diagnosis of severe OSA. Oxygen desaturation and sleep fragmentation were found to play a decisive role in disease burden, independent of AHI. The models' high predictive accuracy and calibration indicate their potential for integration into automated scoring systems, improving diagnostic efficiency and cost-effectiveness in clinical sleep medicine

Benzer Tezler

  1. Tez No

    612214

    Machine learning approach for predicting severity of obstructive sleep apnea syndrome

    Obstrüktif uyku apnesinin şiddetinin tahminlenmesinde makine öğrenmesi yaklaşımı

    ONURHAN HAMZAOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Halk Sağlığıİstanbul Teknik Üniversitesi

    Hesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. FETHİYE AYLİN SUNGUR

  2. Tez No

    718762

    Obstrüktif uyku apne sendromlu hastalarda apneleri rem bağımlı olanlar ile diğerleri arasında rüya anksiyetesi düzeyi farklılığı

    Dream anxiety level difference between patients with rem dependent obstructive sleep apnea syndrome and those who have non-rem dependent obstructive sleep apnea syndrome

    ECE YAZLA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2011

    PsikiyatriSağlık Bakanlığı

    Ruh ve Sinir Hastalıkları Ana Bilim Dalı

    PROF. DR. ZERRİN PELİN

  3. Tez No

    778794

    Makine öğrenmesi ile alabalık, çipura ve levrek balıklarının kalite seviyelerinin ve türlerinin belirlenmesi

    Determining the quality levels and species of trout, sea bream, and bass fish by machine learning

    ÖZKAN DOĞAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Su ÜrünleriKırşehir Ahi Evran Üniversitesi

    İleri Teknolojiler Ana Bilim Dalı

    DOÇ. DR. EMRE YAVUZER

  4. Tez No

    758813

    Return prediction in Turkish stock market via machine learning

    Makine öğrenmesi ile Türk hisse senetleri piyasasında getiri tahmini

    SELEN BABAYAKALI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilim ve TeknolojiÖzyeğin Üniversitesi

    Finans Mühendisliği ve Risk Yönetimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRAH AHİ

  5. Tez No

    1010618

    Forecasting corporate credit spread changes with time-series models and machine learning: Evidence from Turkish USD bonds

    Zaman serisi modelleri ve makine öğrenmesi ile şirket kredi spread'i değişimlerinin tahmini: Türk ABD Doları tahvillerinden kanıtlar

    ELİF FEYZİOĞLU

    Yüksek Lisans

    İngilizce

    İngilizce

    2026

    MaliyeÖzyeğin Üniversitesi

    Finans Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ EMRAH AHİ

    DR. ÖĞR. ÜYESİ LEVENT GÜNTAY

Geri Dön