Estimating the chance of success and suggestion for treatment in IVF
Tüp bebek yönteminde tedavi başarı şansını tahmin etme ve tedavi yöntemi önerme
- Tez No: 335640
- Danışmanlar: PROF. DR. HALİL ALTAY GÜVENİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Bölümü
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 116
Özet
Tıp alanında, bir tedavi sonucunda başarıya ulaşma şansının karar verilmesi çok önemlidir. Bu tez çalsması, tüp bebek tedavisinde dikkate alınması gereken iki önemli aşama üzerine odaklanmıştır. Bu aşamalardan birincisi gelen hastanın tüp bebek tedavisi için uygun olup olmadığıdır. Hastanın tedaviye uygun olduğu kararı verildikten sonra ikinci aşama hastaya uygulanacak olan en uygun tedavi yönteminin belirlenmesidir. Hem doktorlar, hem de tedavi uygulanacak olan aday hasta çifti için ilk değerlendirmeden sonra hastaya uygulanacak olan tedavi sonucunda başarıya ulaşma şansı çok önemlidir. Eğer başarı şansı düşük ise, hasta çifti bu pahalı ve stresli tedaviye devam etmek istemeyebilir. Tedavi uygulama karar verildikten sonra doktorlar için karar verilmesi gerekilen ikinci konu hasta çifti icin en uygun olan tedavi yöntemini seçmektir. Bu tez çalışmasındaki ilk amacımız tedavi için gelen bir hasta çifti icin başarı şansını tahmin etme ve tüp bebek tedavisindeki başarı oranını etkileyen faktörleri bulmak ve amacıyla teknikler geliştirmektir. Bu amaçlar doğrultusunda sıralama algoritmaları kullanılmaktadır. Kullanılan metodlar RIMARC (Ranking Instances by Maximizing the Area under the ROC Curve), SVMlight (Support Vector Machine Ranking Algorithm) ve RIkNN (Ranking Instances using k Nearest Neighbour)'dir. Bu algoritmaların her uçu de örnek hastaları onlara atanmış olan skor değerlerine göre sıralamaya dayalı bir model öğrenir. RIMARC, Receiver Operating Characteristics (ROC) eğrisi altında kalan alanı maksimize ederek örnekleri sıralayan bir metoddur. SVMlight, destek vektör makinesi algoritmasının örnek sıralaması için geliştirilmiş bir versiyonudur. RIkNN, en yakın komşu algoritmasını esas alan ve örnek sıralamasında benzerlik olçütünü kullanan bir algoritmadır. Bunlara ek olarak, bu tez calışmasında RIkNN algoritmasının bir versiyonu olan ve her bir öznitelik için konunun uzmanları tarafından belirlenmiş olan öznitelik ağırlıklarını da dikkate alan RIwkNN algoritmasını da kullandık. Bu algoritmaları değerlendirmek için ROC eğrisi altındaki alan (AUC) değeri ve katmanlaştırılmış 10'lu çapraz geçerlilik yöntemlerini kullandık. Ek olarak, tasarlanan sıralama algoritmalarını birer sınıflandırma algoritması haline getirdik ve bu algoritmaları değerlendirmek için accuracy değeri ve katmanlaştırılmış 10'lu çapraz geçerlilik yöntemlerini kullandık. Yan ürün olarak RIMARC algoritması tüp bebek tedavisinde başarı şansını etkileyen faktörleri öğrenmektedir. Bu amaçla öznitelik ağırlıklarını hesaplar ve insanların kolaylıkla anlayıp yorumlayabilecekleri kurallar üretir. Gelen hasta çifti icin ilk değerlendirmeden sonra tedavi sonrası şansının yüksek olduğuna karar verilir ise ikinci aşamaya geçilir. Bu aşama hasta için en uygun olan tedavi yönteminin belirlenmesi aşamasıdır. Tüp bebek tedavisi içerisinde çok sayıda ilaç yer almaktadr fakat bu ilaçlardan hangisinin hasta için en uygun olduğu kesin olarak bilinememektedir. Doktorlar genellikle hasta için ilaç seçimi yaparken geçmişte tedavi ettikleri hastaların değerlerine bakarak karar verirler. Bu karar her zaman olumlu bir şekilde sonuçlanmayabilir çünkü insan hafızası gereği doktorların geçmişte tedavi ettikleri bütün hasta pro fillerini doğru bir şekilde hatırlayabilmeleri mümkün değildir. Bildiğimiz kadarıyla, istenilen sonucu elde etme şansını arttırmak amacıyla en iyi öznitelik değerini önermek için model öğrenen bir method bulunmamaktadır. Biz bu tur bir sistemi Önerme Sistemi olarak adlandıracağız. Doktorlara, uygun tedavi yöntemlerini belirleme aşamasında yardımcı olmak için bilinen makine öğrenmesi tekniklerine dayalı üç önerme sistemi geliştirdik. Bu çalsmanın bir parçası olarak geliştirilen önerme sistemlerini NSNS (Nearest Successful Neighbour Based Suggestion), kNNS (k Nearest Neighbour Based Suggestion) ve DTS (Decision Tree Based Suggestion) olarak adlandıracağız. Bunlara ek olarak, bu tez çalışmasında NSNS algoritmasının bir versiyonu olan ve her bir öznitelik için RIMARC algoritması tarafından belirlenmiş olan öznitelik ağırlıklarını da dikkate alan wNSNS algoritmasını da kullandık. Ayrıca, önerme algoritmalarının doğruluğunu değerlendirmek için performans kriterleri tasarladık. Bu amaçla, bu tez çalışmasında, pessimistic metric (mp), optimistic metric (mo), validated optimistic metric (mvo) ve validated pessimistic metric (mvp) olarak adlandırılan dört adet değerlendirme kriteri sunuyoruz. Geliştirilen bu algoritmalardan doktorların faydalanmasını sağlamak amacı ile RAST (Risk Analysis and Suggestion for Treatment) adı verilen bir karar destek sistemi geliştirdik. Sistem şuanda Ankara Etlik Zübeyde Hanım Kadın Hastalıkları Eğitim ve Araştırma Hastanesi Tüp Bebek Merkezi'nde aktif olarak kullanılmaktadır.
Özet (Çeviri)
In medicine, the chance of success for a treatment is important for decision making for the doctor and the patient. This thesis focuses on the domain of In Vitro Fertilization (IVF), where there are two issues: the first one is the decision on whether or not go with the treatment procedure, the second one is the selection of the proper treatment protocol for the patient. It is important for both the doctor and the couple to have some idea about the chance of success of the treatment after the initial evaluation. If the chance of success is low, the patient couple may decide not to proceed with this stressful and expensive treatment. Once a decision for treatment is made, the next issue for the doctors is the choice of the treatment protocol which is the most suitable for the couple. Our fi rst aim is to develop techniques to estimate the chance of success and determine the factors that aff ect the success in IVF treatment. So, we employ ranking algorithms to estimate the chance of success. The ranking methods used are RIMARC (Ranking Instances by Maximizing the Area under the ROC Curve), SVMlight (Support Vector Machine Ranking Algorithm) and RIkNN (Ranking Instances using k Nearest Neighbour). All of these three algorithms learn a model to rank the instances based on their score values. RIMARC is a method for ranking instances by maximizing the area under the ROC curve. SVMlight is an implementation of Support Vector Machine for ranking instances. RIkNN is a k Nearest Neighbour (kNN) based algorithm that is developed for ranking instances based on similarity metric. We also used RIwkNN, which is the version of RIkNN where the features are assigned weights by experts in the domain. These algorithms are compared on the basis of the AUC of 10-fold strati ed cross-validation. Moreover, these ranking algorithms are modi ed as a classi cation algorithm and compared on the basis of the accuracy of 10-fold strati ed cross-validation. As a by-product, the RIMARC algorithm learns the factors that a ect the success in IVF treatment. It calculates feature weights and creates rules that are in a human readable form and easy to interpret. After a decision for a treatment is made, the second aim is to determine which treatment protocol is the most suitable for the couple. In IVF treatment, many di erent types of drugs and dosages are used, however, which drug and the dosage are the most suitable for the given patient is not certain. Doctors generally make their decision based on their past experiences and the results of research published all over the world. To the best of our knowledge, there are no methods for learning a model that can be used to suggest the best feature values to increase the chance that the class label to be the desired one. We will refer to such a system as Suggestion System. To help doctors in making decision on the selection of the suitable treatment protocols, we present three suggestion systems that are based on well-known machine learning techniques. We will call the suggestion systems developed as a part of this work as NSNS (Nearest Successful Neighbour Based Suggestion), kNNS (k Nearest Neighbour Based Suggestion) and DTS (Decision Tree Based Suggestion). We also implemented the weighted version of NSNS using feature weights that are produced by the RIMARC algorithm. Moreover, we propose performance metrics for the evaluation of the suggestion algorithms. We introduce four evaluation metrics namely; pessimistic metric (mp), optimistic metric (mo), validated optimistic metric (mvo) and validated pessimistic metric (mvp) to test the correctness of the algorithms. In order to help doctors to utilize developed algorithms, we develop a decision support system, called RAST (Risk Analysis and Suggestion for Treatment). This system is actively being used in the IVF center at Etlik Zubeyde Hanm Woman's Health and Teaching Hospital.
Benzer Tezler
- Stratejik yönetim ve beton prefabrikasyon sektöründe çalışan bir işletmede uygulama
Başlık çevirisi yok
FERİT VARDAR
Yüksek Lisans
Türkçe
1998
Mühendislik Bilimleriİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. İSMAİL HAKKI BİÇER
- Enerji verimliliğinin kent ölçeğinde planlanması ve mekan ile etkileşimi Milas örneği
Planning energy efficiency in urban scale, it's interaction with urban form Milas case
KEREM BEYGO
Doktora
Türkçe
2017
Enerjiİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET ALİ YÜZER
- Elektronik ticaretin vergilendirilmesinin incelenmesi ve değerlendirilmesi
An examination and estimation on taxation of electronic commerce
HAKAN UZUNOĞLU