Geri Dön

Çocuklarda üroflovmetri işeme paternlerinin yapay zekaya tanıtılması ve makine öğrenimi tarafından yorumlanması: Prospektif çalışma

Introduction of uroflowmetry voiding patterns in children to artificial intelligence and interpretation by machine learning: A prospective study

PDF İndir

  1. Tez No: 1025156
  2. Yazar: FARUK ARSLAN
  3. Danışmanlar: PROF. DR. ÇAĞRI AKIN ŞEKERCİ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Üroloji, Urology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Üroloji Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

AMAÇ: Üroflovmetri, alt üriner sistem semptomları olan çocukların değerlendirilmesinde en yaygın kullanılan non-invaziv testlerden biridir. Ancak yapılan çalışmalar, üroflovmetri paternlerinin yorumlanmasında uzmanlar arasında zayıf bir uyum olduğunu ortaya koymuştur. Bu çalışma, tıpta giderek daha yaygın hale gelen makine öğrenimi modellerinin üroflovmetri paternlerinin yorumlanması üzerindeki etkisini değerlendirmeyi amaçlamaktadır. GEREÇ VE YÖNTEM: Çalışmaya, alt üriner sistem semptomları nedeniyle kliniğimize başvuran 4–17 yaş arası çocukların üroflovmetri testleri dahil edildi. Üroflovmetri paternleri üç pediatrik üroloji uzmanı tarafından bağımsız olarak yorumlandı. Yorumlamalar arasındaki tutarsızlıklar üç gözlemci tarafından birlikte yeniden değerlendirildi ve bir uzlaşmaya varıldı. İşeme hacmi, işeme süresi ve 0,5 saniyelik aralıklarla ölçülen idrar akış hızları analiz için sayısal verilere dönüştürüldü. Veri setinin %80'i makine öğrenimi için eğitim verisi olarak kullanılırken, kalan %20'si test için ayrıldı. Üroflovmetri paternlerini sınıflandırmak için toplamda beş farklı makine öğrenimi modeli kullanıldı: Karar Ağacı, Random Forest, CatBoost, XGBoost ve LightGBM. Her bir üroflovmetri paternini en doğru şekilde tanımlayan modeller belirlendi. BULGULAR: Çalışmamıza toplam 500 üroflovmetri testi dahil edildi; bunların 221'i erkek (%44,2) ve 279'u kız (%55,8) idi. Çocukların yaşlarının ortalaması 9,17±3,41 yıl idi. İlk değerlendirmede, 311 test (%62,2) gözlemciler tarafından aynı şekilde yorumlanırken, 189 test (%37,8) en az bir gözlemci tarafından farklı şekilde değerlendirildi (Fleiss' Kappa=0,608). Makine öğrenimi eğitimi için kullanılan örneklerin 253'ü (%50,6) normal işeme paternine, 52'si (%10,4) kule işeme paternine, 103'ü (%20,6) stakkato işeme paternine, 40'ı (%8) intermittan işeme paternine ve 52'si (%10,4) plato işeme paternine sahipti. Test edilen modeller arasında en yüksek doğruluk oranı XGBoost modeliyle elde edilirken (%85,00±2,90), en düşük doğruluk oranı ise Karar Ağacı modeliyle elde edildi (%81,80±1,47). İşeme paternleri ayrı ayrı değerlendirildiğinde, en yüksek doğruluk oranları intermittan işeme paterninde (%95–100) görülürken, en düşük doğruluk oranları kule (%63,46–73,08) ve plato (%61,54–71,15) paternlerinde kaydedildi. SONUÇ: Çalışmada literatürde ilk defa, makine öğrenimi modellerinin çocuklarda üroflovmetri paternleri için yüksek doğruluk oranlarına sahip olduğu gösterildi. Dolayısıyla, yapay zeka modelleri ile gelecekte üroflovmetri işeme paternlerinin yorumlanmasında bir standardizasyon elde edilebileceği öngörüldü.

Özet (Çeviri)

AIM: Uroflowmetry is the one of the most commonly used non-invasive test for evaluating children with lower urinary tract symptoms. However, studies have highlighted a weak agreement among experts in interpreting uroflowmetry patterns. This study aims to assess the impact of machine learning models, which have become increasingly prevalent in medicine, on the interpretation of uroflowmetry patterns. MATERIAL AND METHOD: The study included uroflowmetry tests of children aged 4–17 years who were referred to our clinic with lower urinary tract symptoms. Uroflowmetry patterns were independently interpreted by three experts in pediatric urology. Discrepancies in interpretations were jointly re-evaluated by these three observers, and a consensus was reached. Voiding volume, voiding duration, and urine flow rates at 0.5-second intervals were converted into numerical data for analysis. Eighty percent of the dataset was used as training data for machine learning, while there maining 20% was reserved for testing. A total of five different machine learning models were employed for classification: Decision Tree, Random Forest, CatBoost, XGBoost, and LightGBM. The models that most accurately identified each uroflowmetry pattern were determined. RESULTS: We included a total of 500 uroflowmetry tests in our study, comprising 221 boys (44.2%) and 279 girls (55.8%). The average age of the children was 9.17±3.41 years. In the initial assessment, 311 tests (62.2%) were interpreted identically by the observers, while 189 tests (37.8%) were interpreted differently by at least one observer (Fleiss' Kappa=0.608). Of the samples used for machine learning training, 253 (50.6%) exhibited a bell-shaped pattern, 52 (10.4%) a tower pattern, 103 (20.6%) a staccato pattern, 40 (8%) an intermittent pattern, and 52 (10.4%) a plateau voiding pattern. Among the models tested, the highest accuracy was achieved with XGBoost (85.00%±2.90), while the lowest accuracy was observed with the Decision Tree model (81.80%±1.47). When evaluating voiding patterns individually, the intermittent voiding pattern demonstrated the highest accuracy rates (95%–100%), where as the tower (63.46%–73.08%) and plateau (61.54%–71.15%) patterns had the lowest accuracy rates. CONCLUSION: The current trial demonstrated, for the first time, that machine learning models achieved a high accuracy rate in interpreting uroflowmetry patterns in children. Consequently, artificial intelligence models have the potential to standardize the analysis of uroflowmetry voiding patterns in the future.

Benzer Tezler

  1. Tez No

    156458

    İlköğretim çağında ürolojik patolojileri belirleme

    Determination of ureulogical patologies of children in primary school

    BEKİR AYIK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2004

    Çocuk Cerrahisiİstanbul Üniversitesi

    Çocuk Cerrahisi Ana Bilim Dalı

    PROF.DR. NUR DANİŞMEND

  2. Tez No

    468965

    Çocuklarda işeme pozisyonunun üroflowmetri işeme eğrileri üzerine etkisi var mıdır?

    The effects of voiding position during uroflowmetry in children

    ANAR IBRAHIMOV

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    ÜrolojiAnkara Üniversitesi

    Üroloji Ana Bilim Dalı

    DOÇ. DR. BERK BURGU

  3. Tez No

    412542

    Çocuklarda işeme disfonksiyonu tedavisinde biofeedback uygulamalarının etkinliğinin araştırılması

    Evaluation of the efficiency of biofeedback therapy for treatment of voiding dysfunction in children

    FATİH ÇELİK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2015

    Çocuk CerrahisiUludağ Üniversitesi

    Çocuk Cerrahisi Ana Bilim Dalı

    PROF. DR. NİZAMETTİN KILIÇ

  4. Tez No

    193188

    Hipospadiaslı çocuklarda ürodinaminin klinik önemi

    Clinical value of urodynamics in patients with hypospadias

    NİLÜFER (TOROS) SIRÇA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2006

    Çocuk CerrahisiÇukurova Üniversitesi

    Çocuk Cerrahisi Ana Bilim Dalı

    PROF.DR. ÜNAL ZORLUDEMİR

  5. Tez No

    193701

    çocuklarda aynı seansta yapılan oturur ve yatar pozisyondaki ürpdinamik parametrelerin karşılaştırılması

    Comparison of the sitting and lying position urodynamics in children

    TANER HALİL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2006

    Çocuk CerrahisiUludağ Üniversitesi

    Çocuk Cerrahisi Ana Bilim Dalı

    PROF.DR. EMİN BALKAN

Geri Dön