Makine öğrenmesi ile postmenopozal tip 2 diyabetli kadınlarda t-skorunun antropometrik ve laboratuvar verilere dayalı tahmini
Prediction of t-score based on anthropometric and laboratory data in postmenopausal women with type 2 diabetes using machine learning
- Tez No: 1015465
- Danışmanlar: PROF. DR. MEHMET UZUNLULU
- Tez Türü: Tıpta Uzmanlık
- Konular: İç Hastalıkları, Internal diseases
- Anahtar Kelimeler: Diabetes mellitus-tip 2, Makine öğrenmesi, Postmenopozal osteoporoz, Diabetes mellitus-type 2, Machine learning
- Yıl: 2026
- Dil: Türkçe
- Üniversite: İstanbul Medeniyet Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: İç Hastalıkları Ana Bilim Dalı
- Bilim Dalı: İç Hastalıkları Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmada, postmenopozal tip 2 diabetes mellitus tanılı kadınlarda rutin antropometrik ve laboratuvar verilerinden yararlanılarak dual enerji X-ışını absorbsiyometrisi ile ölçülen L1-L4 T skorunun makine öğrenmesi yöntemleriyle tahmin edilmesi amaçlandı. Çalışma prospektif, tek merkezli, gözlemsel ve kesitsel bir klinik tahmin modeli geliştirme çalışması olarak yürütüldü. Analitik kohort 152 postmenopozal tip 2 diabetes mellitus tanılı kadından oluştu. Hedef özellik L1-L4 T skoru olarak tanımlandı. Ham özellikler, manuel türetilmiş özellikler ve Featuretools tabanlı etkileşim özellikleri veri sızıntısını azaltacak şekilde dış eğitim bölmeleri içinde işlendi. Model seçimi H2O AutoML ile yapıldı; dış doğrulama 5 katlı çapraz doğrulamanın 4 tekrarıyla toplam 20 dış test bölmesi üzerinden yürütüldü. Performans R², kök ortalama kare hata ve ortalama mutlak hata ile değerlendirildi. Katılımcıların yaş ortalaması 61.37±7.26 yıl, L1-L4 T skoru ortalaması -0.41±1.85 idi. L1-L4 T skoru sınıflamasında 87 katılımcı normal, 52 katılımcı osteopenik ve 13 katılımcı osteoporotik aralıkta yer aldı. Dış doğrulamada ortalama R² 0.1548, ortalama kök ortalama kare hata 1.6809 ve ortalama mutlak hata 1.3517 olarak hesaplandı. Dış doğrulamada 20 dış bölmenin 17'sinde pozitif, 3'ünde negatif R² elde edildi; bu dağılım modelin genel olarak sınırlı fakat tekrarlanabilir bir sinyal yakaladığını, ancak bazı test bölmelerinde basit ortalama referansının altında kaldığını gösterdi. Açıklanabilirlik analizinde renal-metabolik, mikronutrient, hepatik-inflamatuvar ve yaşam boyu hormonal/üreme öyküsüyle ilişkili özellik kümeleri öne çıktı. Sonuç olarak, geliştirilen model DXA'nın yerini alabilecek tanısal bir araç değildir; ancak DXA erişimi sınırlı olduğunda önceliklendirme, klinik farkındalık ve araştırma amaçlı risk tahmini için hipotez üretici bir karar destek prototipi olarak değerlendirilebilir.
Özet (Çeviri)
This study aimed to predict the L1-L4 T-score measured by dual-energy X-ray absorptiometry using routinely available anthropometric and laboratory data in postmenopausal women with type 2 diabetes mellitus. The study was designed as a prospective, single-center, observational, cross-sectional clinical prediction model development study. The analytic cohort included 152 postmenopausal women with type 2 diabetes mellitus. The target outcome was defined as the L1-L4 T-score. Raw predictors, manually derived variables, and Featuretools-based interaction features were processed within the outer training folds to reduce information leakage. Model selection was performed using H2O AutoML, and external internal validation was conducted across 20 outer test splits generated by 5-fold cross-validation repeated 4 times. Model performance was evaluated using R², root mean squared error and mean absolute error. The mean age of participants was 61.37±7.26 years, and the mean L1-L4 T-score was -0.41±1.85. According to L1-L4 T-score categories, 87 participants were classified as normal, 52 as osteopenic, and 13 as osteoporotic. Across the outer validation splits, the mean R² was 0.1548, the mean root mean squared error was 1.6809, and the mean absolute error was 1.3517. Positive R² values were observed in 17 of 20 outer splits, whereas 3 splits had negative R²; this pattern indicates a limited but reproducible predictive signal, with underperformance relative to the test-set mean benchmark in a minority of splits. Explainability analyses highlighted feature clusters related to renal-metabolic status, micronutrients, hepatic-inflammatory burden, and lifetime hormonal/reproductive history. In conclusion, the developed model should not be interpreted as a diagnostic substitute for DXA. It may, however, be considered a hypothesis generating decision-support prototype for prioritization, clinical awareness, and research-oriented risk assessment when DXA access is limited.
Benzer Tezler
- Lomber manyetik rezonans görüntülerinden osteoporoz tayini
Detection of osteoporosis from lumbar magnetic resonance images
GÖKÇEN YILDIZ CIVAN
Tıpta Uzmanlık
Türkçe
2023
Radyoloji ve Nükleer Tıpİstanbul Üniversitesi-CerrahpaşaRadyoloji Ana Bilim Dalı
PROF. DR. İBRAHİM ADALETLİ
- Makine öğrenmesi ile Türkçe haber metinlerinde anahtar ifade çıkarımı
Keyphrase extraction for Turkish news text with machine learning methods
MUSTAFA ÇETİNGÖZ
Yüksek Lisans
Türkçe
2011
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. ERDEM UÇAR
- Makine öğrenmesi ile uzaktan eğitim öğrencilerinin performanslarının değerlendirilmesi
Evaluating distance learning students' performance by machine learning
OSMAN YILDIZ
Doktora
Türkçe
2014
Eğitim ve Öğretimİstanbul ÜniversitesiEnformatik Ana Bilim Dalı
PROF. DR. SEVİNÇ GÜLSEÇEN
DOÇ. DR. ABDULLAH BAL
- Makine öğrenmesi ile gerçek zamanlı videodan yüz ifadesi analizi
Facial expression recognition with machine learning in real-time video
MUHAMMET BEKİR DABANOĞLU
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesiİstatistik ve Bilgisayar Bilimleri Ana Bilim Dalı
DR. ÖĞR. ÜYESİ TOLGA BERBER
- Makine öğrenmesi ile hiperspektral görüntü sınıflandırma
Hyperspectral image classification with machine learning
FATİH MEHMET TEKCAN
Yüksek Lisans
Türkçe
2018
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. AHMET SERTBAŞ
DR. ÖĞR. ÜYESİ TOLGA ENSARİ