Geri Dön

Makine öğrenmesi yöntemlerinin kasık fıtığı cerrahisi sonrası uzamış hastane yatışı riskinin tahminindeki performanslarının incelenmesi

Evaluation of the performance of machine learning methods in predicting the risk of prolonged hospital stay after inguinal hernia surgery

PDF İndir

  1. Tez No: 1005445
  2. Yazar: ZAHİDE ERDEM
  3. Danışmanlar: DOÇ. DR. HATİCE ÖNCEL ÇEKİM
  4. Tez Türü: Yüksek Lisans
  5. Konular: Biyoistatistik, İstatistik, Biostatistics, Statistics
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Hacettepe Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: İstatistik Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Bu çalışma, kasık fıtığı cerrahisi sonrası hastanede yatış süresinin makine öğrenmesi yöntemleri kullanılarak sınıflandırılmasını ve farklı algoritmaların performanslarının karşılaştırılmasını amaçlamaktadır. Çalışmada, Ocak 2021–Aralık 2024 tarihleri arasında Sağlık Bilimleri Üniversitesi, Gülhane Eğitim ve Araştırma Hastanesi, Genel Cerrahi Kliniği'nde kasık fıtığı nedeniyle ameliyat edilen ve dahil edilme kriterlerini sağlayan 563 hastaya ait demografik, klinik, laboratuvar ve operasyonel veriler kullanılmıştır. Nicel değişken olan ameliyat sonrası hastanede yatış süresi, klinik uygulamalar ve literatür araştırmalarında fıtık cerrahisi geçiren hastaların iki gün içinde taburcu edilmesinin beklendiği, iki günden uzun süren yatışların ise uzamış hastane yatışı olarak değerlendirildiği kabulüne dayanmaktadır. Bu çalışmada, uzamış yatış riskinin araştırılması amacıyla, ameliyat sonrası hastanede yatış süresi değişkeni ≤2 gün“kısa yatış”ve >2 gün“uzun yatış”olacak şekilde ikili sınıflı nitel bir değişkene dönüştürülmüştür. Modelleme öncesinde veri kümesi üzerinde ön işleme süreci uygulanmış; korelasyon analizi ve aykırı değer incelemeleri gerçekleştirilmiştir. Hastanede yatış süresinin sınıflandırılması amacıyla karar ağaçları, rastgele orman, lojistik regresyon, destek dektör makineleri ve XGBoost algoritmaları kullanılmıştır. Tüm modeller, aynı dengeli eğitim–test veri ayrımı ile eğitilmiş; hiper-parametre optimizasyonu için ızgara arama ve rastgele arama yöntemleri kullanılmıştır. Model performansları AUC, doğruluk, duyarlılık, özgüllük, F1 skoru ve ROC eğrisi üzerinden hesaplanan Youden J indeksi kullanılarak değerlendirilmiştir. Ayrıca, modellerin açıklanabilirliğini artırmak ve performanslarını iyileştirmek amacıyla, her modelin kendi yapısına özgü değişken önem analizleri gerçekleştirilmiştir. Bu analizler sonucunda yapılan değişken seçimi ile oluşturulan azaltılmış modellerin performansı, tam model yapılarıyla karşılaştırılmıştır. Elde edilen bulgulara göre, destek vektör makineleri algoritmasında radyal bazlı fonksiyon (RBF) çekirdeği kullanılarak oluşturulan azaltılmış model AUC=0,844 değeri ile en yüksek ayırt edicilik performansını göstermiştir. Lojistik regresyon modelleri AUC=0,823 değerleri ile gösterdikleri yüksek performansın yanı sıra katsayı yorumlanabilirliği açısından öne çıkarken, rastgele orman ve XGBoost modelleri dengeli duyarlılık–özgüllük değerleri sunmuştur. Tüm modellerde fıtık büyüklüğü, uzamış yatış süresinin en güçlü belirleyicisi olarak öne çıkmış; mesh kullanımı, dren kullanımı, yaş ve acil başvuru durumu da birçok modelde uzamış yatış süresine etki eden önemli değişkenler arasında yer almıştır. Sonuç olarak, bu çalışma ameliyat sonrası hastanede uzamış yatış süresinin tahmininde makine öğrenmesi yöntemlerinin etkili bir biçimde kullanılabileceğini ve sınırlı sayıda değişkenle yüksek doğruluk oranlarıyla sınıflandırma yapılabileceğini göstermektedir. Bulgular, klinik karar süreçlerinin geliştirilmesine ve hastane kaynaklarının ise daha etkin planlanmasına katkı sağlayabilecek niteliktedir.

Özet (Çeviri)

This study aims to classify postoperative hospital length of stay after inguinal hernia surgery using machine learning methods and to compare the performance of different algorithms. The study included demographic, clinical, laboratory, and operative data from 563 patients who underwent inguinal hernia surgery at the University of Health Sciences, Gülhane Training and Research Hospital, Department of General Surgery between January 2021 and December 2024 and met the inclusion criteria. The postoperative hospital stay duration, a quantitative variable, is based on the assumption in clinical practice and literature reviews that patients undergoing hernia surgery are expected to be discharged within two days, and hospital stays longer than two days are considered prolonged hospital stays. In this study, to investigate the risk of prolonged hospitalization, the postoperative hospital stay duration variable was converted into a binary categorical variable, with ≤2 days classified as“short stay”and >2 days classified as“long stay.”Prior to model development, data preprocessing was performed, including correlation analysis and outlier analysis. To predict hospital length of stay, Decision Trees, Random Forest, Logistic Regression, Support Vector Machines, and XGBoost algorithms were applied. All models were trained using the same balanced training–test data split, and hyperparameter optimization was performed using ızgara arama and rastgele arama methods. Model performance was evaluated using the area under the ROC curve (AUC), accuracy, sensitivity, specificity, F1 score, and the Youden J index derived from ROC analysis. In addition, model-specific variable contribution analyses were conducted, and full and reduced models were compared for each algorithm. According to the results, the reduced support vector machine model with a radial basis function (RBF) kernel demonstrated the highest discriminative performance, with an AUC value of 0,844. Logistic regression models stood out in terms of interpretability of coefficients while also achieving high performance with an AUC of 0,823, whereas random forest and XGBoost models provided balanced sensitivity–specificity profiles. Across all models, hernia size emerged as the strongest predictor of hospital length of stay, followed by mesh use, drain use, age, and emergency admission status, which were identified as important variables in multiple models. In conclusion, this study demonstrates that machine learning methods can be effectively used to predict postoperative hospital length of stay and that high classification performance can be achieved using a limited number of variables. These findings may contribute to the improvement of clinical decision-making processes and to more efficient planning of hospital resources.

Benzer Tezler

  1. Tez No

    879699

    Machine learning assisted force field development for nucleic acids

    Nükleik asitler için makine öğrenimi destekli kuvvet alanı geliştirilmesi

    GÖZDE İNİŞ DEMİR

    Doktora

    İngilizce

    İngilizce

    2024

    Kimyaİstanbul Teknik Üniversitesi

    Hesaplamalı Bilim ve Mühendislik Ana Bilim Dalı (disiplinlerarası)

    PROF. DR. ADEM TEKİN

  2. Tez No

    966423

    Öğretmenlerin yapay zeka farkındalık düzeylerinin incelenmesi ve eğitim-öğretimde yapay zeka kullanımına ilişkin hizmet içi eğitim: Bir program tasarısı önerisi

    An examination of teachers' artificial intelligence awareness levels and an in-service training curriculum on the use of artificial intelligence in education: A curriculum design proposal

    ADEM ÖZALTIĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Eğitim ve ÖğretimMuğla Sıtkı Koçman Üniversitesi

    Eğitim Bilimleri Ana Bilim Dalı

    DOÇ. DR. ALİ YAKAR

  3. Tez No

    989188

    Yenilikçi Makine Öğrenimi Yaklaşımlarıyla Yüksek Enerjili Proton Çarpışmalarında Oluşan J/ψ Mezonu Analizi

    Investigation of j/ψ meson produced in high energy proton collisions with innovative machine learning approaches

    MUSTAFA KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Fizik ve Fizik MühendisliğiFırat Üniversitesi

    Fizik Ana Bilim Dalı

    DOÇ. DR. SERPİL YALÇIN KUZU

    PROF. DR. AYBEN KARASU UYSAL

  4. Tez No

    1003526

    Yapılandırılmış sağlık verilerinde diyabet teşhisi için derin öğrenme ve klasik makine öğrenmesi yöntemlerinin karşılaştırmalı analizi: Açıklanabilir bir yaklaşım

    Comparative analysis of deep learning and classical machine learning methods for diabetes diagnosis in structured health data: An explainable approach

    İSMAİL ÇELEBİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2026

    Elektrik ve Elektronik MühendisliğiKilis 7 Aralık Üniversitesi

    Elektrik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HASAN GÜLER

  5. Tez No

    964594

    Rastgele kayıp veri deseninde klasik istatistiksel metotlar ve denetimli makine öğrenmesi ile yapılan atamaların performanslarının değerlendirilmesi

    Performance evaluation of imputations made using classical statistical methods and supervised machine learning in random missing data pattern

    SEMİH ERGİŞİ

    Doktora

    Türkçe

    Türkçe

    2025

    BiyoistatistikAnkara Üniversitesi

    Biyoistatistik Ana Bilim Dalı

    PROF. DR. YASEMİN YAVUZ

Geri Dön