Omuz distosisinin öngörülmesine yönelik makine öğrenimi tabanlı ebe klinik karar destek sistemi ve mobil uygulamasının geliştirilmesi (MID-DEC)
Development of a machine learning-based midwifery clinical decision support system and mobile application for the prediction of shoulder dystocia (MID-DEC)
- Tez No: 1021569
- Danışmanlar: PROF. DR. NAZAN KARAHAN
- Tez Türü: Doktora
- Konular: Ebelik, Kadın Hastalıkları ve Doğum, Midwifery, Obstetrics and Gynecology
- Anahtar Kelimeler: Ebelik, omuz distosisi, makine öğrenimi, ridge, klinik karar destek sistemi, mobil uygulama, Distosi, Karar destek sistemleri, Makine öğrenmesi, Midwifery, shoulder dystocia, machine learning, ridge regression, clinical decision support system, mobile application, Dystocia, Decision support systems
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Gülhane Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Ebelik Ana Bilim Dalı
- Bilim Dalı: Ebelik Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Omuz distosisi, nadir görülen ancak ciddi maternal ve neonatal morbiditeye yol açabilen bir obstetrik acildir. Mevcut tahmin yöntemlerinin sınırlı klinik faydası göz önünde bulundurularak bu çalışmada; omuz distosisinin öngörülmesine yönelik makine öğrenimi tabanlı bir klinik karar destek modelinin geliştirilmesi ve ebelik pratiğine yönelik bir mobil uygulamaya entegre edilmesi amaçlanmıştır. Gereç ve Yöntem: Ankara Etlik Şehir Hastanesi'nde Ekim 2022–Eylül 2025 tarihleri arasında retrospektif vaka-kontrol tasarımıyla yürütülen çalışmaya 84 omuz distosisi vakası ve 840 kontrol olmak üzere toplam 924 olgu dahil edilmiştir. Analizde; maternal özellikler, obstetrik ve tıbbi öykü, intrapartum müdahaleler fetal antropometrik ölçümler, fetal geometrik oranlar ile üç farklı formülle hesaplanan TFA değerleri beş farklı kombinasyonda gruplandırılarak model eğitiminde kullanılmıştır. On denetimli makine öğrenimi algoritması, beş farklı değişken setiyle tabakalı 3-katlı çapraz doğrulama yöntemiyle değerlendirilmiştir. Model performansı; dengeli doğruluk, duyarlılık, MCC, ROC-AUC ve PR-AUC metrikleriyle ölçülmüştür. Elde edilen bulgular ile mobil uygulama geliştirilmiş, 13 ebe tarafından SUS-TR ile değerlendirilmiştir. Çalışma, TRIPOD+AI raporlama kılavuzu doğrultusunda raporlanmıştır. Bulgular: Ridge Regresyon modeli Değişken Seti 5'te en yüksek dengeli doğruluk (0,801), duyarlılık (0,818) ve MCC (0,380) değerlerini vermiş, ROC-AUC 0,861 ve PR-AUC 0,407 olarak elde edilmiştir. Ham biyometrik ölçümler yerine fetal geometrik oranların değişken setine eklenmesinin model performansını artırdığı gözlemlenmiştir. Seçilen model; persantil eşikleri ve anatomik tutarlılık kurallarına dayalı iki katmanlı veri doğrulama mekanizmasını kullanan, iOS, Android ve web platformlarında çalışan MID-DEC uygulamasına entegre edilmiştir. Uygulamanın kullanılabilirliği 13 ebe ile SUS-TR kullanılarak test edilmiş olup ortalama puan 80,96'dır. Sonuç: Bu çalışma, rutin klinik ve ultrasonografik veriler ile fetal geometrik oranların makine öğrenimi algoritmaları aracılığıyla birleştirilmesinin omuz distosisini klinik açıdan anlamlı bir ayırt edicilikle öngörebildiğini ortaya koymaktadır. MID-DEC, omuz distosisinin öngörülmesine yönelik olarak ebeler için tasarlanmış ilk makine öğrenimi tabanlı mobil klinik karar destek sistemi olma özelliğini taşımaktadır. Bağımsız veri setleri ile dış doğrulama çalışmaları ve prospektif klinik değerlendirme yapılması öncelikli araştırma hedefleri olarak önerilmektedir.
Özet (Çeviri)
Aim: Shoulder dystocia is a rare obstetric emergency that can nevertheless lead to serious maternal and neonatal morbidity. Given the limited clinical utility of current prediction methods, this study aimed to develop a machine learning–based clinical decision support model for predicting shoulder dystocia and to integrate it into a mobile application designed for midwifery practice. Methods: This retrospective case-control study was conducted at Ankara Etlik City Hospital between October 2022 and September 2025 and included a total of 924 cases, comprising 84 shoulder dystocia cases and 840 controls. In the analysis, maternal characteristics, obstetric and medical history, intrapartum interventions, fetal anthropometric measurements, fetal geometric ratios, and estimated fetal weight (EFW) values calculated using three different formulas were grouped into five different combinations and used for model training. Ten supervised machine learning algorithms were evaluated with five different variable sets using stratified 3-fold cross-validation. Model performance was assessed using balanced accuracy, sensitivity, MCC, ROC-AUC, and PR-AUC metrics. Based on the findings, a mobile application was developed and evaluated by 13 midwives using the Turkish version of the System Usability Scale (SUS-TR). The study was reported in accordance with the TRIPOD+AI reporting guideline. Results: The Ridge Regression model with Variable Set 5 yielded the highest balanced accuracy (0.801), sensitivity (0.818), and MCC (0.380), with a ROC-AUC of 0.861 and a PR-AUC of 0.407. Adding fetal geometric ratios to the variable set, rather than raw biometric measurements, was observed to improve model performance. The selected model was integrated into the MID-DEC application, which runs on iOS, Android, and web platforms and employs a two-layer data validation mechanism based on percentile thresholds and anatomical consistency rules. The usability of the application was tested with 13 midwives using SUS-TR, yielding a mean score of 80.96. Conclusion: This study demonstrates that combining routine clinical and ultrasonographic data with fetal geometric ratios through machine learning algorithms can predict shoulder dystocia with clinically meaningful discrimination. MID-DEC is the first machine learning–based mobile clinical decision support system designed for midwives for the prediction of shoulder dystocia. External validation studies with independent datasets and prospective clinical evaluation are recommended as priority research objectives.
Benzer Tezler
- Makrozomik fetüsların 20-24. haftada ölçülen biyometrik değerlerinin, aktif travayda yapılan ölçümlerinin doğruluğunu ve doğum sonucunu öngörmedeki etkisi
The effect of the biometric values of macrosomic fetuses measured at 20-24 weeks in prediction of the accuracy of the measurements made in active labor and the result of birth
ECEM DİLAN DUMAN
Tıpta Uzmanlık
Türkçe
2022
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. HATİCE AKKAYA
- İntrapartum ultrasonografik verilerin doğumun ikinci evresi uzamış gebelerde obstetrik sonuçları öngörme gücünün araştırılması
Evaluation of power of intrapartum ultrasonography topredict obstetric outcomes in pregnant women with A prolonged second stage of labor
SİBEL ÜSTÜNEL
Tıpta Uzmanlık
Türkçe
2020
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. EMİN ÜSTÜNYURT
- İkinci trimesterde üç boyutlu ultrason ile bakılan plasenta, fetal karaciğer, kesitsel duktus venozus hacimlerinin gestasyonel diyabetes mellitus ve maternal - fetal sonuçları öngörmedeki yeri
The role of placenta, fetal liver, sectional ductus venosus volumes in the prediction of gestational diabetes mellitus and maternal-fetal results in the second trimester
GÜLBAHAR KURTULUŞ
Tıpta Uzmanlık
Türkçe
2023
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. NEFİSE NAZLI YENİGÜL
- Zekai Tahir Burak Kadın Sağlığı Eğitim ve Araştırma Hastanesi'nde Doğum Salonu Ünitesi'nde doğum sırasında omuz distosisi gelişen olguların incelenmesi
Investigation of cases who developed shoulder dystocia during delivery in the Delivery Room Unit of Zekai Tahir Burak Women's Health Training and Research Hospital
MUSTAFA BEHRAM
Tıpta Uzmanlık
Türkçe
2014
Kadın Hastalıkları ve DoğumSağlık BakanlığıKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. ELİF GÜL YAPAR EYİ
- Omuz eklemi yumuşak doku lezyonlarında tens, diadinamik akım ve plasebo tens ile alınan sonuçlar
Başlık çevirisi yok
NURİ KARAMAN
Tıpta Uzmanlık
Türkçe
1988
Fiziksel Tıp ve Rehabilitasyonİstanbul ÜniversitesiFiziksel Tıp ve Rehabilitasyon Ana Bilim Dalı
DOÇ. DR. EMEL ÖZCAN