Makine öğrenimi algoritmaları ile yoğun bakım hastalarında mortalite tahmini
Mortality prediction in intensive care patients with machine learning algorithms
- Tez No: 863886
- Danışmanlar: PROF. DR. NECDET SÜT
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Mortalite tahmini, apache 2 skorlama sistemi, makine öğrenimi, akut fizyoloji ve kronik sağlık değerlendirmesi, yoğun bakım, Mortality prediction, apache 2 scoring system, machine learning, acute physiology and chronic health assessment, intensive care
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Trakya Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Giriş ve Amaç: Çalışmanın amacı yoğun bakım ünitelerinde kullanılan APACHE 2 (Acute Physiology and Chronic Health Evaluation Score) skorlama sistemi mortalite tahmin performansı, yapay sinir ağlarından MLP (Multilayer Perceptron), karar ağacı yöntemlerinden CHAID (Chi-square Automatic Interaction Detector) ve CART (Classification And Regression Tree) modellerinin mortalite sınıflandırma performanslarının karşılaştırılmasıdır. Gereç ve Yöntemler: Veri setini 2018 – 2023 yılları arasında Trakya Üniversitesi yoğun bakım ünitesinde yatmış olan tüm hastaların ilk yatışındaki Apache 2 skorları ve bileşenleri (vücut ısısı, ortalama kan basıncı, kalp hızı, solunum hızı, parsiyel arteriyel oksijen basıncı, arterial ph, serum sodyum, serum potasyum, serum kreatinin, hematokrit, beyaz kan hücresi, glaskow koma skoru, yaş, kronik sağlık durumu, akut böbrek yetmezliği, serum bikarbonat) oluşturdu. Veriler analize hazır hale getirildikten sonra MLP, CHAID ve CART yöntemleri uygulanarak hasta mortalitelerini tahmin etmedeki sınıflandırma performansları Apache 2 skorlama sistemi mortalite tahmin performansları ile karşılaştırıldı. Bulgular: Mortalite tahmininde duyarlılık (%83.0), negatif kestirim değeri (%79.7) ve doğruluk (%79.0) açısından en yüksek değere ulaşan model olarak MLP bulundu. Seçicilik (%85.6) ve pozitif kestirim değeri (%81.0) açısından ise en yüksek değere sahip model ise APACHE 2 skorlama sistemi olarak bulundu. Sonuç: Mortalite tahmininde genel olarak başarılı sonuçlar veren MLP modelinin, her geçen gün artan veri miktarları da göz önünde bulundurulduğunda daha iyi sınıflandırma yapabileceği sonucuna varılmıştır.
Özet (Çeviri)
Background and Aim: The aim of the study is compare the mortality prediction performance of the APACHE 2 (Acute Physiology and Chronic Health Evaluation Score) scoring system used in predicting mortality in intensive care units, MLP (Multilayer Perceptron) from artificial neural networks, CHAID (Chi-square Automatic Interaction Detector) and CART (Classification and Regression Tree) models from decision trees. Material and Methods: The data set consisted of Apache 2 scores and components (body temperature, mean arteriel pressure, heart rate, respiratory rate, partial arterial oxygen pressure, arterial ph, serum sodium, serum potassium, serum creatinine, hematocrit, white blood cells, glaskow coma score, age, chronic health status, acute renal failure, serum bicarbonate) at the first admission of all patients hospitalized in Trakya University intensive care unit between 2018 and 2023. After the data was ready for analysis, MLP, CHAID and CART methods were applied and their classification performances in predicting patient mortality was compared with the mortality prediction performances of the Apache 2 scoring system. Results: MLP was found to be the model with the highest value in terms of sensitivity (83.0%), negative predictive value (79.7%) and accuracy (79.0%) in mortality prediction. The model with the highest value in terms of specificity (85.6%) and positive predictive value (81.0%) was found to be the APACHE 2 scoring system. Conclusion: It was concluded that the MLP model, which generally gives successful results in mortality prediction, can make better classification considering the ever-increasing amount of data.
Benzer Tezler
- Makine öğrenmesi teknikleri kullanılarak hasta verileri ve laringoskopi görüntüleri üzerinden zor entübasyon sınıflandırması
Difficult intubation classification using machine learning techniques from patient data and laryngoscopy images
EZGİ KARA TİMUÇİN
Doktora
Türkçe
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDüzce ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. SERDAR KIRIŞOĞLU
PROF. DR. RESUL KARA
- Sayısal veri ve göğüs röntgen görüntülerinden derin öğrenme yaklaşımları ile pnömoni tespiti
Pneumonia detection with deep learning approaches from numerical data and chest X-ray images
ZEHRA KADİROĞLU
Doktora
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolFırat ÜniversitesiElektrik-Elektronik Mühendisliği Teknolojileri Ana Bilim Dalı
PROF. DR. HANİFİ GÜLDEMİR
PROF. DR. ABDURRAHMAN ŞENYİĞİT
- Optimization potential of machine learning based algorithms in neonatal parenteral nutrition management
Makine öğrenimi tabanlı algoritmaların yenidoğan parenteral beslenme yönetiminde optimizasyon potansiyeli
SÜMEYYE NALBAT
Yüksek Lisans
İngilizce
2026
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
PROF. DR. MUSTAFA DOĞAN
- Machine learning-based modeling and monitoring of machining processes and tool wear
İşleme prosesleri ve takım aşınmasının makine öğrenmesi tabanlı modellenmesi ve izlenmesi
ARASH EBRAHIMI ARAGHIZAD
Doktora
İngilizce
2024
Makine MühendisliğiSabancı ÜniversitesiÜretim Mühendisliği Ana Bilim Dalı
PROF. DR. ERHAN BUDAK
- Discrimination neonatal hypoxic-ischemic encephalopathy grades of severity from multiple EEG signals using machine learning classifiers
Çoklu EEG sinyallerinden sınıflandırıcılar kullanarak yenidoğan hipoksi-iskemi ensefalopatisinin şiddet derecelerinin ayrımı
EZZADDIN TALIB KADHIM KADHIM
Yüksek Lisans
İngilizce
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş ÜniversitesiBilişim Teknolojileri Ana Bilim Dalı
PROF. DR. OSMAN NURİ UÇAN