Makine öğrenmesi ile periodontal hastalık risk tahmini
Periodontal disease risk prediction via machine learning
- Tez No: 689161
- Danışmanlar: DOÇ. DR. ŞADİYE GÜNPINAR
- Tez Türü: Diş Hekimliği Uzmanlık
- Konular: Diş Hekimliği, Dentistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Bolu Abant İzzet Baysal Üniversitesi
- Enstitü: Diş Hekimliği Fakültesi
- Ana Bilim Dalı: Periodontoloji Ana Bilim Dalı
- Bilim Dalı: Periodontoloji Bilim Dalı
- Sayfa Sayısı: 78
Özet
Periodontoloji alanındaki son gelişmeler hassas diş hekimliği ilkelerine dayanarak hastalığa yatkınlığın biyolojik temellerinin incelenmesi, hastalığın önlenmesi ve tedavi stratejilerinin özelleştirilmesi üzerinedir. Periodontal hastalığı olan bireylerin tedavisinde“geleneksel tedavi”yaklaşımından uzaklaşılarak her hasta için ayrı tedavi protokollerinin geliştirilebilmesi için bireysel periodontal hastalık riskinin belirlenmesi önemlidir. Bu nedenle bu çalışmanın amacı, bireylerin demografik ve klinik periodontal muayene verilerinden yola çıkarak, periodontal hastalık risk tahmini yapmak ve bireyleri periodontal hastalık risk kategorilerine ayırmaktır. Bu kesitsel çalışmada 1057 katılımcının demografik, klinik ve radyolojik muayeneleri yapıldı. Bireylerin periodontal teşhisleri, yeni periodontal hastalık sınıflaması gözönünde bulundurularak konuldu. Buna göre katılımcılardan elde edilen toplam 21 kategorik bağımsız değişken bu çalışma için oluşturulan Veri Yükleme Penceresi'ne (VYP) aktarıldı. Periodontal hastalık risk gruplarını belirlemek için denetimsiz bir makine öğrenmesi olan K-means kümeleme analizi kullanıldı. K-means kümeleme algoritmasının sonuçları diskriminant fonksiyonları, siluet analizi ve Akaike bilgi kriteri ile doğrulandı. K-means kümeleme analizi sonucu çalışma katılımcıları üç farklı periodontal risk kategorisine ayrıldı. Bu kategoriler düşük risk (n=462), orta risk (n=336) ve yüksek risk (n=259) olarak tanımlandı. Kontrolsüz diyabete sahip bireylerin %96.4'ünün yüksek risk grubunda olduğu belirlendi. Ayrıca Evre 4 periodontitis teşhisi konulmuş olan bireylerin düşük risk grubunda yer almadığı, diğer taraftan orta risk grubunda % 5.4, yüksek risk grubunda ise % 94.6 oranında olduğu saptandı. Çalışmanın bulguları neticesinde hekimlerin klinik uygulamada kolay kullanabileceği bilgisayar tabanlı bir periodontal risk tahmin aracı (PRTA) ortaya konulmuştur. Geliştirilen PRTA'nın, periodontal hastalık ilerlemesinin tahmininde ve periodontal tedavi planlamasında hekimlere yardımcı olabileceği düşünülmektedir.
Özet (Çeviri)
Recent efforts in the field of periodontology have focused on examining the biological basis of susceptibility to disease, customizing disease prevention and treatment strategies based on the principles of precision dentistry. In the treatment of individuals with periodontal disease, it is important to determine the individual periodontal risk to develop treatment protocols for each patient rather than the“average treatment”approach. Therefore, the aim of this study is to predict the periodontal disease risk of individuals and to divide individuals into periodontal disease risk categories. In this cross-sectional study, demographic, clinical and radiological examinations of 1057 subjects were performed. Participants were diagnosed according to the new periodontal disease classification. Accordingly, a total of 21 categoric independed variables obtained from patients were imported to the Data Loading Window (DLW) which is generated for this study. K-means cluster analysis, one of an unsupervised machine learning, was used to determine the periodontal risk groups. The results of the cluster algorithm was validated by discriminant functions, silhouette analyzes and akaike's information criterion (AIC). As a result of k-means cluster analysis, study participants were divided into three different periodontal risk categories. These categories were defined as low risk (n=462), medium risk (n=336) and high risk (n=259). It was determined that 96.4% of individuals with uncontrolled diabetes were in the high-risk group. While individuals with stage 4 periodontitis were not in the low risk group, it was 5.4% in the medium risk group and 94.6% in the high risk group. A computer-based and user friendly periodontal risk prediction tool (PRPT) was presented for clinical practice. It is assumed that physicians can calculate their patients periodontal disease risk via PRPT and manage their patients periodontal treatment planning.
Benzer Tezler
- Panoramik radyograflarda hava yolları ve yumuşak dokuların yapay zekâ teknolojisi ile tespiti
Detection of airways and soft tissues in panoramic radiographs using artificial intelligence technology
ASLIHAN ŞAHAN KESKİN
Diş Hekimliği Uzmanlık
Türkçe
2024
Diş HekimliğiSivas Cumhuriyet ÜniversitesiAğız, Diş ve Çene Radyolojisi Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İLKNUR ENİNANÇ
- Makine öğrenmesi ile işgörenlerin işe yabancılaşma durumunun sınıflandırılması
Classification of employees' work alienation with machine learning
AKIN SÖNMEZER
Yüksek Lisans
Türkçe
2024
İşletmeHacettepe Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ÖZGE TAYFUR EKMEKCİ
- Makine öğrenmesi ile akademik başarı analizi ve tercih tespiti: Isparta ili örneği
Academic achievement analysis and preference determination with machine learning: The case of Isparta province
MUSTAFA İNAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolBurdur Mehmet Akif Ersoy ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. EMRE ÇOMAK
DOÇ. DR. ONUR SEVLİ
- Makine öğrenmesi ile belge tanıma
Document recognition with machine learning
İSA YURDABAKAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUHAMMET ÇAKMAK
- Makine öğrenmesi ile hazır giyim perakende sektöründe satış tahmini
Sales forecasting in apparel retail industry with machine learning
SALİH CEYLAN
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiYıldız Teknik ÜniversitesiMatematik Mühendisliği Ana Bilim Dalı
DOÇ. DR. BİROL ASLANYÜREK