Makine öğrenmesi ile ABD gıda ve ilaç dairesi tarafından geri çağrılan tıbbi cihazların sınıflandırılması
Classification of medical devices recalled by the U.S. food and drug administration using machine learning methods
- Tez No: 1023595
- Danışmanlar: DR. ÖĞR. ÜYESİ SEVGİ YİĞİT SERT
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Derin öğrenme, Doğal dil işleme, Makine öğrenmesi, Tıbbi cihazlar, Deep learning, Natural language processing, Machine learning, Medical devices
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ankara Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Son yıllarda, tıbbi cihazların güvenliğini ve performansını sağlamak için güçlü düzenleyici kontrollere ihtiyaç duyulmaktadır. Her yetkili kurum, tıbbi cihazların geri çağrılması konusunda farklı prosedürler ve yöntemler izlemektedir. ABD Gıda ve İlaç İdaresi (FDA) tarafından kontrol edilen ve standartları ihlal eden veya başka şekilde kusurlu olan tıbbi cihazlar, kamu sağlığını ve refahını koruma sorumluluğunu yerine getirmek amacıyla FDA tarafından geri çağrılmaktadır. Geri çağrılan her tıbbi cihaz, sağlık tehlikesine göre sınıflandırılmakta ve temel nedeni belirlenmektedir. Geri çağrılan tıbbi cihazların sınıflandırılması ve temel nedenin belirlenmesi, emek gerektiren ve karar süreci çok zaman almaktadır. Bu nedenle, bu çalışmada FDA tarafından paylaşılan veri seti incelenerek, sınıflandırmanın nasıl uygulanabileceğini ve temel nedenin nasıl belirlenebileceğinin araştırılması amaçlamıştır. Çalışma sırasında, doğal dil işleme, makine öğrenimi ve derin öğrenme yöntemleri kullanılarak yüksek doğruluk ve hızlı sonuçlar sağlayan bir çözüm üretilmesi hedeflenmiştir. Çalışmada, 2002'den Ekim 2025'e kadar 54165 kayıttan oluşan FDA tıbbi cihaz geri çağırma veri seti kullanılmıştır. Veri setine altı makine öğrenimi modeli ve üç derin öğrenme modeli uygulanmıştır. Model performansları doğruluk, duyarlılık, geri çağırma ve F1-skor kullanılarak değerlendirilmiştir. Geri çağırma sınıfında 0.9630 doğruluk, 0.8563 F1-skor ve temel neden sınıflandırmasında 0.8251 doğruluk ve 0.7945 F makro ile LightGBM modeli kullanılarak en yüksek değer elde edilmiştir. Bu çalışma tıbbi cihaz geri çağırma süreçlerinin analizinde yapay zekanın etkin bir şekilde kullanılabileceğini göstermiştir.
Özet (Çeviri)
In recent years, strong regulatory controls have been needed to ensure the safety and performance of medical devices. Each authority follows different procedures and methods regarding the recall of medical devices. Medical devices that are controlled by USA Food and Drug Administration and that violate standards pose a major risk or are otherwise defective are recalled by FDA in order to fulfill their responsibility to protect the health and well-being of the public. Each recalled medical device is classified and determined the root cause according to the health hazard evaluation. Classification of recalled medical devices and root cause description are labor-intensive process and take too much time to decide. Therefore, the study has aimed to search how classification could be implemented and root cause could be determined by examining previously collected dataset. During the study, it was intended to produce a solution that provides high accuracy and fast results by using natural language processing, machine learning and deep learning methods. The study utilized the dataset of FDA medical device recalls from 2002 to October 2025 on 54165 records. Six ML models and three DL model were applied to the dataset. Model performances were evaluated using accuracy, precision, recall and F-score. The highest scores with using the LightGBM model on recall class with 0.9630 accuracy, 0.8563 F-score and on root cause 0.8251 accuracy and 0.7945 F1-skor. This study has shown that artificial intelligence can be effectively used in the analysis of medical device recall processes.
Benzer Tezler
- Forecasting corporate credit spread changes with time-series models and machine learning: Evidence from Turkish USD bonds
Zaman serisi modelleri ve makine öğrenmesi ile şirket kredi spread'i değişimlerinin tahmini: Türk ABD Doları tahvillerinden kanıtlar
ELİF FEYZİOĞLU
Yüksek Lisans
İngilizce
2026
MaliyeÖzyeğin ÜniversitesiFinans Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMRAH AHİ
DR. ÖĞR. ÜYESİ LEVENT GÜNTAY
- Makine öğrenmesi ile FOREX piyasalarında alım satım kararları uygulaması
Trading decisions application with machine learning in FOREX markets
EFE UZEL
- Farklı makine öğrenmesi yöntemleri ile enerji piyasasında yerel marjinal fiyat tahmini
Local marginal price forecasting using different machine learning approaches
BAŞAK ERSÖZ YILDIRIM
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
PROF. DR. OZAN ERDİNÇ
- Makine öğrenmesi yöntemleri ile Hatay ili karayolları yol hasar tespiti
Road damage detection on Hatay province highways using machine learning methods
AHMET CİHANGİR KAVCI
Yüksek Lisans
Türkçe
2024
Ulaşımİskenderun Teknik Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖMER FARUK CANSIZ
- Multipl myelom litik kemik lezyonları ile diğer osteolitik metastazların ayrımında F-18 FDG PET tekstür özellikleri ve radiomics tabanlı makine öğrenmesi modellerinin karşılaştırılması
Differentiating multiple myeloma lytic bone lesions and other osteolytic metastases using F-18 FDG PET texture features and radiomics-based machine learning models
ÜLKÜ NUR DERYA
Tıpta Uzmanlık
Türkçe
2022
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiNükleer Tıp Ana Bilim Dalı
DOÇ. DR. ENGİN ALAGÖZ