Birinci basamak biyopsikososyal ve davranışsal verilerle beden kütle indeksi tahmin modeli geliştirme ve validasyon çalışması
Development and validation of a body mass index prediction model using primary care biopsychosocial and behavioral data
- Tez No: 1020984
- Danışmanlar: PROF. DR. HATİCE KURDAK
- Tez Türü: Tıpta Uzmanlık
- Konular: Aile Hekimliği, Family Medicine
- Anahtar Kelimeler: Beden kütle indeksi, makine öğrenmesi, obezite, Body mass index, machine learning, obesity
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Çukurova Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Aile Hekimliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Birinci Basamak Biyopsikososyal ve Davranışsal Verilerle Beden Kütle İndeksi Tahmin Modeli Geliştirme ve Validasyon Çalışması Amaç: Obezite yönetim kılavuzları çok boyutlu öykü alınmasını önerse de, bu karmaşık ilişkileri klinik pratikte modellemek ve hastaya açıklamak güçtür. Literatürde biyomedikal, radyolojik ve antropometrik verilerle Beden Kütle İndeksi (BKİ) tahmini yapan makine öğrenmesi çalışmaları bulunmaktadır. Ancak, biyopsikososyal-davranışsal birinci basamak verilerle geliştirilmiş bir modele rastlanmamıştır. Çalışmanın amacı, erişkin bireylerin biyopsikososyal-davranışsal verilerini kullanarak BKİ tahmini yapan bir model geliştirmektir. Gereç ve Yöntem: Kesitsel tipteki çalışmanın evrenini, Çukurova Üniversitesi Eğitim Aile Sağlığı Merkezine başvuran 18 yaş ve üzeri yetişkinler oluşturmuştur. Örneklem, dahil etme kriterlerine uyan gönüllülerden oluşturulmuştur. Veriler literatür incelenerek geliştirilen 36 soruluk anketle toplanmıştır. Değişkenler korelasyon analizine göre modele kademeli olarak eklenerek performans optimize edilmiştir. Dört farklı makine öğrenmesi algoritmasının performansları değerlendirilmiştir. Bulgular: Model performansı 16 parametrede maksimuma ulaşmıştır (sırasıyla; beden algısı, kilo verme girişimi, yaş, sağlık durum algı, kronik hastalık, eğitim düzeyi, yeme hızı, dikotomus düşünce, cinsiyet, dışarıdan yemek yeme sıklığı, yemekleri pişiren kişi, sofrada artan yemekleri tüketme alışkanlığı, kilo sorunu yaşayan yakını olma, alkol, sigara ve medeni durum). XGBoost modeli eğitim setinde R2: 0,71-0,74 MAPE (%): 7,23-7,33 ve test setinde R2: 0,55-0,59 MAPE (%): 9,06-9,45 aralığında değerler elde ederek en dengeli, genellenebilir ve yüksek doğruluktaki sonuçları vermiştir. Sonuç: Obezite etiyolojisinde yer alan ancak klinik görüşmelerde gözden kaçabilen psikososyal-davranışsal faktörlerin oluşturduğu patern makine öğrenmesi algoritmalarıyla görünür kılınabilir. XGBoost algoritmasının sunduğu dengeli tahmin başarısı, birinci basamak hekimlerinin hastaya kilo yönetiminin çok boyutlu yapısını, somut ve kanıta dayalı olarak açıklamasına olanak sağlayabilir.
Özet (Çeviri)
Development and Validation of a Body Mass Index Prediction Model Using Primary Care Biopsychosocial and Behavioral Data Objective: Although obesity management guidelines recommend comprehensive multidimensional history-taking, modeling these complex relationships in clinical practice and explaining them to patients remains challenging. While machine learning studies in the literature predict Body Mass Index (BMI) using biomedical, radiological, and anthropometric data, no model developed with biopsychosocial-behavioral primary care data was found. This study aims to develop a model that predicts BMI in adults using biopsychosocial-behavioral data. Materials and Methods: The population of this cross-sectional study consisted of adults aged 18 and older who applied to the Çukurova University Family Medicine Training Health Center. The sample comprised volunteers who met the inclusion criteria. Data were collected using a 36-item questionnaire developed based on a literature review. Variables were incrementally added to the model according to correlation analysis to optimize performance. The performances of four different machine learning algorithms were evaluated. Results: Model performance peaked with 16 parameters (respectively: body image perception, weight loss attempts, age, self-rated health status, chronic disease, educational level, eating speed, dichotomous thinking, gender, frequency of eating out, the person cooking the meals, habit of consuming leftover food, having a relative with weight issues, alcohol consumption, smoking, and marital status). The XGBoost model provided the most balanced, generalizable, and highly accurate results, yielding R2: 0,71-0,74 and MAPE (%): 7,23-7,33 in the training set, and R2: 0,55-0,59 and MAPE (%): 9,06-9,45 in the test set. Conclusion: The patterns formed by psychosocial-behavioral factors, which are involved in the etiology of obesity but can be overlooked during clinical consultations, can be made visible through machine learning algorithms. The balanced predictive success offered by the XGBoost algorithm may enable primary care physicians to explain the multidimensional nature of weight management to patients in a concrete and evidence-based manner.
Benzer Tezler
- Menkul kıymet yatırımları açısından sermaye piyasası kanununa göre yayınlanan finansal tablo ve raporların yeterliliği
Başlık çevirisi yok
HAMDİ AYDIN
- Baba yoksunluğunun benlik kavramına etkisi ve babasız öğrencilerin problemlerinin hangi alanlarda yoğunlaştığının saptanması
Başlık çevirisi yok
OYA GÜNGÖRMÜŞ
- İsmayıl Hakkı Baltacıoğlu'nun kültür ve eğitim kavramı üzerine bir inceleme
An Examination of the concepts of culture and education of Ismayıl Hakkı Baltacıoğlu
ABDULLAH DİKİCİ
- Pulmoner hipertansiyon etyopatogenezinde prostasiklin ve lökotrien C4'ün rolü
Possible role of leukotrien C4 and prostacyclin in the development of pulmonary hypertension
ÜLKÜ AYBERK
