Geri Dön

Prematüre bebeklerde bronkopulmoner displazi'nin erken tanısı ve şiddet sınıflandırmasında yapay zekâ destekli akciğer grafisi ve klinik veri analizi: Risk faktörlerinin değerlendirilmesi

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 1001694
  2. Yazar: ESRA KURT
  3. Danışmanlar: YRD. DOÇ. DR. ARİF İSMET ÇATAK
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Çocuk Sağlığı ve Hastalıkları, Child Health and Diseases
  6. Anahtar Kelimeler: Akciğer grafisi, Bronkopulmoner displazi, Derin öğrenme, Prematüre bebek, Tanısal doğruluk, Yapay zekâ, Bronchopulmonary dysplasia, Chest radiography, Deep learning, Premature infant, Artificial intelligence, Diagnostic accuracy
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Tokat Gaziosmanpaşa Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

ÖZET Giriş ve Amaç: Bronkopulmoner displazi (BPD), prematüre bebeklerde uzun dönem solunumsal ve nörogelişimsel morbiditeye yol açan önemli bir kronik akciğer hastalığıdır. Erken dönemde güvenilir risk öngörüsünün sınırlı olması, klinik karar süreçlerini güçleştirmektedir. Bu çalışmada, yapay zekâ (YZ) tabanlı derin öğrenme mimarileri kullanılarak prematüre bebeklerde BPD'nin erken tanısının ve şiddet sınıflandırmasının gerçekleştirilmesi ve hastalıkla ilişkili klinik risk faktörlerinin analiz edilmesi amaçlandı. Yöntem: Mart 2023 – Ekim 2025 tarihleri arasında üçüncü basamak bir yeni doğan yoğun bakım ünitesinde izlenen, gestasyonel yaşı ≤34 hafta olan 98 prematüre bebek retrospektif olarak değerlendirildi. İlk 28 gün içinde kaybedilen olgular ve majör konjenital anomalisi olan hastalar dışlandı. Postnatal 1., 7., 14., 21. ve 28. günlerde çekilen akciğer grafileri ile klinik veriler analiz edildi. BPD tanısı National Institute of Child Health and Human Development (NICHD) 2018 kriterlerine göre konuldu. DenseNet201, ResNet50, MobileNetV3 ve EfficientNet_B0 modelleri ile ikili (BPD var/yok) ve çoklu (hafif–orta–ağır) sınıflandırma gerçekleştirildi. Model performansı Receiver Operating Characteristic (ROC) eğrileri ve Area Under the Curve (AUC) değerleri ile değerlendirildi; açıklanabilir yapay zekâ kapsamında ısı haritaları kullanıldı. Klinik risk faktörleri çok değişkenli lojistik regresyon analizi ile incelendi. Bulgular: Medyan gestasyon haftası 30, medyan doğum ağırlığı 1427,5 g idi. BPD insidansı %70,4 (n=69) olarak saptandı. İkili sınıflandırmada en yüksek performans DenseNet201 modelinde elde edildi (%96,49 doğruluk; AUC=0,989). Çoklu sınıflandırmada doğruluk orta BPD'de %80,0, ağır BPD'de %83,3, hafif BPD'de %53,3 olarak bulundu. Erken sürfaktan gereksinimi BPD gelişimi için bağımsız risk faktörüydü (OR: 6,88; %95 GA: 2,22–21,28; p=0,001). Sonuç: DenseNet201 tabanlı model, BPD'nin erken öngörülmesi ve özellikle orta-ağır formlarının sınıflandırılmasında yüksek tanısal performans göstermektedir. Bu yaklaşım, akciğer grafilerine dayalı invaziv olmayan, hızlı ve objektif bir klinik karar destek sistemi geliştirilmesine katkı sunabilecek potansiyele sahiptir.

Özet (Çeviri)

ABSTRACT Background and Objective: Bronchopulmonary dysplasia (BPD) is a major chronic lung disease in premature infants, leading to significant long-term respiratory and neurodevelopmental morbidity. The limited reliability of early risk prediction complicates clinical decision-making in neonatal intensive care units. This study aimed to perform early diagnosis and severity classification of BPD in preterm infants using artificial intelligence (AI)-based deep learning architectures and to analyze clinical risk factors associated with disease development. Methods: This retrospective model development study included 98 preterm infants with a gestational age ≤34 weeks who were admitted to a tertiary neonatal intensive care unit between March 2023 and October 2025. Infants who died within the first 28 days of life and those with major congenital anomalies were excluded. Chest radiographs obtained on postnatal days 1, 7, 14, 21, and 28, along with clinical data, were analyzed. BPD diagnosis was established according to the NICHD 2018 criteria. Deep learning-based convolutional neural network models (DenseNet201, ResNet50, MobileNetV3, and EfficientNet_B0) were applied for binary (BPD vs. no BPD) and multiclass (mild–moderate–severe) classification. Model performance was evaluated using receiver operating characteristic (ROC) curves and area under the curve (AUC) metrics. Explainable AI techniques, including Grad-CAM and Layer-CAM heatmaps, were employed to visualize model attention. Clinical risk factors were assessed using multivariable logistic regression analysis. Results: The median gestational age was 30 weeks and the median birth weight was 1,427.5 g. The incidence of BPD was 70.4% (n=69). In binary classification, the highest performance was achieved by DenseNet201, with 96.49% accuracy and an AUC of 0.989. In multiclass classification, accuracy rates were 80.0% for moderate BPD, 83.3% for severe BPD, and 53.3% for mild BPD. Early surfactant requirement was identified as the only independent risk factor for BPD development (OR: 6.88; 95% CI: 2.22–21.28; p=0.001). Conclusion: The DenseNet201-based model demonstrated high diagnostic performance in the early prediction and severity classification of BPD, particularly for moderate-to-severe forms. This approach may contribute to the development of a rapid, objective, and non-invasive clinical decision support system based on chest radiographs.

Benzer Tezler

  1. Tez No

    952110

    Çok düşük doğum ağırlıklı bebeklerde bronkopulmoner displazi sıklığı ve trombosit kitle indeksi ile ilişkisi

    Frequency of bronchopulmonary dysplasia in very low birth weight infants and its relationship with platelet mass index

    MUHAMMED BARUT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Çocuk Sağlığı ve HastalıklarıAkdeniz Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. HAKAN ONGUN

  2. Tez No

    784070

    Kardiyak sebepli respiratuar sinsityal virüs profilaksisi alan hastalarda profilaksi şemasına uyum

    Başlık çevirisi yok

    HATİCE NUR EROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. IŞIL YILDIRIM BAŞTUHAN

  3. Tez No

    581582

    29. gebelik haftasından erken doğan prematüre bebeklerde Patent duktus arteriyozus'un erken tarama ve tedavisinin pulmoner hemoraji ve mortalite üzerine etkisi

    The effect of early screening and treatment of Patent ductus arteriosus on pulmonary hemorrhage and mortality in premature babies born before 29 weeks of gestation

    HATİCE ALBAYRAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    KardiyolojiOndokuz Mayıs Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. HASİBE CANAN AYGÜN

  4. Tez No

    624301

    Prematüre bebeklerde pulmoner kanama, bronkopulmoner displazi gelişimi ve oksijen ihtiyacı arasındaki ilişki

    Relationship between pulmonary hemorrhage, development of bronchopulmonary dysplasia and oxygen requirement in premature babies

    AYDIN BOZKAYA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    Çocuk Sağlığı ve HastalıklarıKahramanmaraş Sütçü İmam Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. SADIK YURTTUTAN

  5. Tez No

    816149

    Bronkopulmoner displazi tanılı pretermlerde postnatal sistemik kortikosteroid tedavisinin erken neonatal morbiditeler üzerine etkilerinin araştırılması

    Investigation of the effects of postnatal systemic corticosteroid therapy on early neonatal morbidities in preterms with broncopulmonary dysplasia

    KAĞAN BURAK USTA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Çocuk Sağlığı ve HastalıklarıAnkara Yıldırım Beyazıt Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ABDULLAH KURT

Geri Dön