Building bayesian networks based on patient reported outcome questionnaires for musculo-skeletal conditions
Kas-iskelet rahatsızlıkları için hasta tarafından bildirilen sonuç ölçeklerini temel alan bayes ağları geliştirilmesi
- Tez No: 650779
- Danışmanlar: DR. ÖĞR. ÜYESİ BARBAROS YET
- Tez Türü: Yüksek Lisans
- Konular: Endüstri ve Endüstri Mühendisliği, Industrial and Industrial Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2020
- Dil: İngilizce
- Üniversite: Hacettepe Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Endüstri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 89
Özet
Yapay zekânın bir kolu olan makine öğrenimi, tıp alanında kullanılan önemli bir yaklaşım olmuştur. Makine öğrenimi yaklaşımları, hastanın durumunu değerlendirmek ve tahmin etmek için geçmiş verilerden öğrenir. Makine öğrenimi yöntemleri, radyoloji ve dermatoloji gibi, hasta sonuçlarının veride net bir şekilde belirtildiği ve yüksek miktarda veri kümelerinin bulunduğu alanlarda başarılı olmuştur. Fakat birçok tıp alanında bu şekilde yüksek miktarda temiz bir hasta sonucu verisinin bulunması mümkün değildir. Çoğu alanda hasta sonucuna ilişkin veriler, hasta tarafından bildirilen sonuç ölçütleri (PROMs) olarak adlandırılan tıbbi anketler aracılığıyla toplanır. Hastaların PROM düzenli ve yinelemeli olarak PROM doldurmaları gerektirdiği zaman ve bilişsel yük yüzünden zor olabilir. Bazı PROM'ların 30 veya daha fazla soru içerdiği düşünüldüğünde, bu alanlarda yüksek miktarda hasta sonucu verisi toplanması güçtür. Bu çalışmada, hastalardan daha az ve bilişsel yük gerektirerek, yüksek doğrulukta hasta çıktısı toplanması için bir yaklaşım önerilmektedir. Bir makine öğrenmesi yöntemi olan Bayes ağları kullanılarak, hastalara en çok bilgi veren PROM sorularının sorulmasına olanak verilmekte ve eksik PROM sorularıyla da hasta sonuçları tahmin edilmektedir. Ayrıca, PROM'lardan rasgele sorular seçilmiş ve hasta durumunu belirlemek için bu sorular kullanılmıştır. Elde edilen tahmin sonuçları, en bilgilendirici sorular kullanılarak elde edilen tahmin sonuçlarıyla karşılaştırılmıştır. Geliştirilen yaklaşım kas-iskelet rahatsızlıkları alanında kullanılan PROM'lara uygulanmış, sonuçları çapraz validasyon yöntemiyle değerlendirilmiştir. Sonuçlar incelendiğinde, hasta durumunun az sayıda PROM sorusuyla yüksek doğrulukla tahmin edilebildiği görülmüştür.
Özet (Çeviri)
Machine learning (ML) which is a branch of artificial intelligence (AI), has been an important approach used in the medical domain. ML approaches learn from historical data to evaluate and predict patient status. These approaches have been successful in medical domains, such as radiology and dermatology, where a large amount of data exists with clearly labelled patient outcomes. However, such clearly labelled outcome data do not exist in large amounts in most medical domains. Patient reported outcome measures (PROMS) are the primary way to assess patient outcomes in many medical areas. Filling in PROMs regularly and repetitively can be difficult due to time and cognitive-load requirements. Considering that some PROMs contain over 30 questions, collecting large amounts of patient outcome data can be difficult in these domains. This study proposes an approach for collecting patient outcome data with less time and cognitive-load requirements. In this context, an ML approach called Bayesian networks (BNs) is used to predict patient outcomes with missing PROM inputs, and to identify the most informative PROM questions for specific patients. Also, random questions were selected from the PROMs and these questions were used to determine the patient status. The obtained estimation results were compared with the estimation results obtained by using the most informative questions. The proposed approach has been applied to PROMS used in the musculo-skeletal domain. Results were evaluated by cross validation method. Cross-validation results show that the proposed approach can accurately predict patient outcomes with fewer PROM questions.
Benzer Tezler
- Aircraft reliability prediction using bayesian networks that combine fault data and design specifications
Hata verisi ve tasarım değerlerini birleştiren bayes ağları ile hava aracı güvenilirlik tahmini
FARUK UMUT KÜÇÜKER
Yüksek Lisans
İngilizce
2018
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ BARBAROS YET
- Integration of Bayesian networks with dematel for causal risk analysis: A supplier selection case study in automotive industry
Sebepsel risk analizi için bütünleşik Bayes ağları ve dematel yöntemi: Otomotiv endüstrisinde tedarikçi seçimi vaka çalışması
RUKİYE KAYA
Yüksek Lisans
İngilizce
2017
Endüstri ve Endüstri MühendisliğiHacettepe ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. BARBAROS YET
- İş sürekliliği yönetiminde analiz ve planlama için bayes ağlarına dayalı bir model
A model for analysis and planning in business continuity management with bayesian networks
ZEYNEP ÇAKIR SAYGILI
Yüksek Lisans
Türkçe
2019
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. UMUT ASAN
- Bayes ağları ile endüstri rekabet senaryolarının oluşturulması: Bulaşık makinesi sektörü uygulaması
Bayesian network modelling of industry competitiveness scenarios: Dishwasher industy application
BEGÜM ÜNLÜ
Yüksek Lisans
Türkçe
2018
Endüstri ve Endüstri Mühendisliğiİstanbul Teknik ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
PROF. DR. SEÇKİN POLAT
- Kimyasal tanker gemilerinde tank yıkama operasyonlarının entegrasyonu
Integration of tank cleaning operations on chemical tanker ships
TAYLAN GÜLER
Doktora
Türkçe
2024
Denizcilikİstanbul Teknik ÜniversitesiDeniz Ulaştırma Mühendisliği Ana Bilim Dalı
DOÇ. DR. İSMAİL ÇİÇEK