Geçirilmiş sezaryende abdominal ultrason ve kontraksiyon paterni özellikleri kullanılarak makine öğrenmesi ile uterin dehisensin öngörülmesi
Prediction of uterine dehiscence with machine learning by using lower uterine segment thickness and contraction pattern features
- Tez No: 702224
- Danışmanlar: PROF. MELİKE DOĞANAY
- Tez Türü: Tıpta Uzmanlık
- Konular: Kadın Hastalıkları ve Doğum, Obstetrics and Gynecology
- Anahtar Kelimeler: Alt uterin segment ultrason, kontraksiyon, makine öğrenmesi, uterin dehisens, uterin rüptür, Contraction, machine learning, lower uterine segment ultrasound, uterine dehiscence, uterine rupture
- Yıl: 2021
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: Kadın Hastalıkları ve Doğum Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 94
Özet
Amaç: Sezaryen sıklığının global artışıyla beraber sezaryen doğumun popülasyon üzerindeki uzun ve kısa dönem etkileri göz önüne serilmektedir. Sezaryen doğumun tekrarlayan gebeliklerde en hayati komplikasyonlarından birisi uterin rüptürdür. Çalışmamızda; gebelerin ultrasonografik muayeneleri, klinik ve demografik özellikleri kullanılarak makine öğrenmesi algoritmaları ile uterin rüptürü veya dehisensi öngörmek amaçlanmaktadır. Ultrasonografik ölçümlerle alt uterin segment tam kat ve alt uterin segment myometrium ölçülmesinin dehisensi ve rüptürü öngörmedeki öneminin değerlendirilmesi hedeflenmektedir. Böylece olası uterin rüptürün önüne geçmek, uterin rüptüre bağlı olası maternal ve fetal komplikasyonları engellemek hedeflenmektedir. Gereç ve Yöntem: Ankara Şehir Hastanesi, Kadın Hastalıkları ve Doğum Bölümü Doğum Salonu Kliniği'ne Şubat 2021 ve Temmuz 2021 tarihleri arasında başvurmuş olan daha önce sezaryen geçirmiş tekil gebeler çalışmamıza dahil edilmiştir. Daha önce sezaryen olan miadında (>37 hafta tekil gebelik) 318 hasta üzerinde çalışma yapılmıştır. Gebelerin demografik özellikleri; yaş ve vücut kitle endeksi, sigara-alkol kullanımı, klinik özellikleri; daha önce kaç kez gebelik geçirdiği, abort sayısı, gecirilmiş sezaryenden sonra abort öyküsü, şu anki gebelikle bir önceki sezaryen arasında geçen süre, gebelik haftası, daha önceki sezaryen sayısı, fetusun prezentasyonu, fetal ağırlık, tokografi verileri, alt uterin segment tam kat ve alt uterin segment myometriumun transabdominal ultrason ile ölçümü, operasyon sırasındaki alt uterin segment bulguları toplanarak makine öğrenmesi teknikleri ile analiz edilmiştir. Makine Öğrenmesi analizleri için R kütüphanesinden naivebayes, glm, plyr, mlp, e1071, SVMs ve randomForest paketleri kullanılmıştır. Sınıflandırma yöntemleri olarak Lojistik Regresyon, Çok Katmanlı Algılayıcı, Destek Vektör Makinesi, Random Forest ve Naive Bayes kullanılmıştır. Veri seti, 10 katlı Çapraz Doğrulama testi seçeneği kullanılarak değerlendirilmiştir. Makine Öğrenmesi performans kriterleri olarak Doğru Sınıflama Oranı, F-Ölçütü, Matthews korelasyon katsayısı, Precision-Recall Eğrisi (PRC Alanı) ve ROC Alanı kullanılmıştır. Bulgular: Çalışmamızda yapılan tüm makine öğrenmesi analizlerinde benzer olarak Naive Bayes yöntemi en iyi performansı göstermiştir. Bu yönteme göre yapılan analizlerin sonuçları karşılaştırıldığında ise en iyi performans, baz değişkenler olan parite, gravide, tokografide kontraksiyon, açıklık, dilatasyon-küretaj ve sezaryen öncesi ölçülen alt segment myometrium ultrasonu değişkeninin eklendiği modelde bulunmuştur. Bu modeli ise sırasıyla baz değişkenlere alt segment tam kat ultrasonunun eklendiği model ve baz değişkenlerden oluşan model izlemektedir. Baz değişkenlere ait model hastaları %90,5 oranında doğru sınıflarken alt segment myometrium ultrasonunun eklendiği model ise hastaları %95,6 doğru sınıflayarak performansı %5,1 artırmaktadır. Baz değişkenlere ait model hastaları %90,5 oranında doğru sınıflarken alt segment tam kat ultrasonunun eklendiği model ise hastaları %95,3 doğru sınıflayarak performansı %4,8 artırmaktadır. Sonuç: Çeşitli makine öğrenmesi analizleri sonucunda en yüksek performans gösteren Naive Bayes algoritmasi ile doğru sınıflama oranı 0,953, F-ölçütü değeri 0,952 ve Matthews korelasyon katsayısı değeri 0,641 olarak elde edilmiştir. Bu sonuç, hastaların klinik özellikleri ve alt uterin segment ultrasonografisi yapılarak 100 hastadan yaklaşık 95 tanesine dehisens veya rüptür tanısının isabetli bir şekilde konulabileceği olarak yorumlanabilir.
Özet (Çeviri)
Objective: With the global increase in cesarean delivery rates, short and long term effects on the population have been more prominent. One of the most lifethreatening complications of repeat cesarean delivery is uterine rupture. In our study, we aim to predict uterine dehiscence or rupture by using machine learning algorithms with ultrasonographic findings, clinical and demographic properties being used as features. The objective of the study is to assess the importance of full thickness of lower uterine segment and myometrium thickness of lower uterine segment sonographic measurements on predicting uterine dehiscence and rupture. Thus, possible uterine rupture and consequent maternal and fetal complications can be prevented. Materials And Methods: Singleton pregnancies who have had cesarean operation and applied to the Department of Obstetrics and Gynecology Labor Unit of Ankara City Hospital between February and July 2021 were included in this study. The study is conducted on 318 patients with term (>37 weeks) singleton pregnancy. Information regarding demographics, body-mass indices, smoking and drinking habits, clinical features, past pregnancies, number and history of abortions, inter-delivery period, gestation week, number of previous cesarean operations, fetal presentation, fetal weight, tocography data, trans-abdominal ultrasonographic measurement of lower uterine segment full thickness and myometrium thickness, lower uterine segment findings during cesarean section was collected and analyzed using machine learning techniques. For the implementation; naivebayes, glm, plyr, mlp, e1071, SVMs and randomForest libraries of R were used. Logistic regression, multilayer perceptron, support vector machine, random forest and naive bayes algorithms were used for classification. The dataset was evaluated using 10-fold cross-validation. Performance criteria were selected as correct classification rate, f- x score, Matthews correlation coefficient, precision-recall curve (PRC) area and receiver operating characteristics (ROC) area. Results: Among all machine learning techniques that has been tested in this study, the best prediction performance was obtained with Naive Bayes algorithm. When different sets of features using this algorithm were compared, it was observed that the best performance can be attained by using the base features of parity, gravida, tocographic contraction, dilation, d&c with sonographic measurement of lower uterine segment myometrium thickness as an added feature. The second-best performance was obtained with sonographic measurement of lower uterine segment full thickness added to the base features. Base features alone can classify patients with 90.5% accuracy, while adding the myometrium measurement increases the classification performance by 5.1% to 95.6%. Adding the full thickness measurement to the base features raises the classification performance by 4.8% to 95.3% in terms of correct classification rate. Conclusion: After numerous machine learning analyses, Naive Bayes algorithm could correctly classify uterine rupture or dehiscence with a correct classification rate of 0.953, an f-score of 0.952 and a Matthews correlation coefficient value of 0.641. This result can be interpreted such that 95 out of 100 patients can be accurately diagnosed with uterine rupture or dehiscence by using their clinical features and lower uterine segment ultrasonography findings.
Benzer Tezler
- Primer sezaryen yapılan hastalarda batın duvarı kapatılmasında kullanılan PDS, PDS Plus ve vicryl sütür materyallerinin erken ve geç postoperatif dönemde ağrı oluşturma düzeyine göre karşılaştırılması
Comparison of early and late postoperative period pain related by PDS, PDS Plus and vicryl suture materials used in closing the abdominal wall in patients with primary cesarean
AYSEL İBRAHİMLİ
Tıpta Uzmanlık
Türkçe
2021
Kadın Hastalıkları ve DoğumMarmara ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SUNULLAH SOYSAL
- Fetal umbilikal kord kanı değerlerinin gebelik parametreleri ile ilişkisi
Relationship with fetal umbilical cord blood values with pregnancy parameters
MÜRŞİDE ÇEVİKOĞLU
Tıpta Uzmanlık
Türkçe
2016
Kadın Hastalıkları ve DoğumMersin ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. FİLİZ EVŞEN ÇAYAN
- Geçirilmiş sezeryan sonrası uterin skar defekti (NİŞ) gelişiminde preoperatif anterior duvar myometrium kalınlığı ve uterus kapatma teknikleri arasındaki korelasyonun değerlendirilmesi
Evaluation of correlation between preoperative anterior wall myometrium thickness and uterus closure techniques in the development of uterine scar (niche) defect postoperative c-section
RAZİYE TORUN
Tıpta Uzmanlık
Türkçe
2017
Kadın Hastalıkları ve Doğumİzmir Katip Çelebi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. SEFA KELEKÇİ
- Ektopik gebelikte ikinci doz metotreksata ihtiyaç duyma kriterlerinin belirlenmesi
Başlık çevirisi yok
GÖKÇE HANDE EKEN
Tıpta Uzmanlık
Türkçe
2024
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. AYŞE FİLİZ YAVUZ
- V-notes histerektomi, vajinal histerektomi vetotal laparoskopik histerektomi operasyonlarının retrospektif değerlendirilmesi
Retrospective comparison of V-notes hysterectomy, total laparoscopic hysterectomy and vaginal hysterectomy operations
FATMANUR MOLLAHÜSEYİNOĞLU
Tıpta Uzmanlık
Türkçe
2023
Kadın Hastalıkları ve DoğumOndokuz Mayıs ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. AYŞE ZEHRA ÖZDEMİR