Geri Dön

Makine öğrenmesi ile emzirmeyi erken dönemde bırakacağı tahmin edilen annelere verilen emzirme eğitiminin etkinliğinin değerlendirilmesi

Evaluating the effectiveness of breastfeeding education provided to mothers predicted by machine learning to cease breastfeeding early

PDF İndir

  1. Tez No: 878471
  2. Yazar: EDA YOL ÜNLÜ
  3. Danışmanlar: DOÇ. DR. SİBEL KÜÇÜK
  4. Tez Türü: Doktora
  5. Konular: Hemşirelik, Nursing
  6. Anahtar Kelimeler: Emzirme tahmin modeli, emzirmeyi bırakma riski, inovatif hemşirelik çözümü, makine öğrenmesi, yapay zeka, Ana-çocuk hemşireliği, Arama algoritmaları, Tele hemşirelik, Artificial intelligence, breastfeeding prediction model, innovative nursing solution, machine learning, risk of discontinuing breastfeeding, Maternal child nursing, Search algorithms, Tele nursing
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
  10. Enstitü: Sağlık Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Hemşirelik Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Makine Öğrenmesi ile Emzirmeyi Erken Dönemde Bırakacağı Tahmin Edilen Annelere Verilen Emzirme Eğitiminin Etkinliğinin Değerlendirilmesi Bu araştırma, Makine Öğrenmesi (MÖ) tahmin modeli geliştirilerek emzirmeyi erken dönemde bırakabilecek annelerin belirlenebilmesini sağlamak ve bu annelere verilen emzirme eğitiminin etkinliğini değerlendirmek amacıyla, ön test-son test müdahale ve kontrol gruplu deneysel desende yapılmıştır. Araştırmanın örneklemini, Ankara'daki il merkezinde faaliyet gösteren bir eğitim araştırma hastanesi ve yedi aile sağlığı merkezine doğum sonrası kontrollerine gelen ve belirlenen risk faktörlerine sahip toplam 90 anne (45 müdahale, 45 kontrol grubu) oluşturmuştur. Araştırma, 4 Şubat 2022 - 30 Ekim 2023 tarihleri arasında gerçekleştirilmiştir. Araştırmanın ilk aşamasında TNSA 2013-2018 yıllarına ait verilerinden yararlanılarak MÖ tahmin modeli geliştirilerek emzirmeyi erken dönemde bırakma riski olan anneler belirlenmiştir. Araştırmanın ikinci aşamasında risk grubuna yönelik emzirme eğitimleri oluşturulmuştur. Veriler, Anne-Bebek Tanıtım Formu ve Emzirme Eğitimi Değerlendirme Formu (EEDF) ile 11 Mayıs-30 Ekim 2023 tarihleri arasında toplanmıştır. Verilerin analizinde sayı, yüzde, ortalama, Pearson-χ2, Bağımsız ve Eşleştirilmiş Örneklemler t Testi, Cramer's V ve Cohen's d testleri kullanılmıştır. Araştırmada, müdahale grubunda eğitim sonrasında EEDF puanlarının anlamlı bir şekilde arttığı (p<0.05), ancak müdahale grubu ile kontrol grubu arasındaki farkın istatistiksel olarak anlamlı olmadığı (p>0.05) bulunmuştur. Eğitim öncesinde gruplar arasında emzirme oranları açısından anlamlı bir fark bulunmazken, eğitim sonrası müdahale grubunda tam emzirme oranları artmış, kısmi emzirme ve emzirmeyi bırakma oranları azalmıştır. Bu farklılıklar postpartum 2. ve 4. aylarda istatistiksel olarak anlamlı bulunmuştur (p<0,05). MÖ tahmin modeli ile belirlenen annelere verilen emzirme eğitiminin, emzirmenin sürdürülmesinde etkilidir. Emzirmeyi altı aydan önce bırakma riski taşıyan anneleri belirlemeye yönelik MÖ algoritmaları kullanılarak, annelere yönelik emzirme danışmanlığı uygulamalarında yapay zeka tabanlı çözümlerle yenilikçi yaklaşımlar sunulması önerilebilir.

Özet (Çeviri)

Evaluating the Effectiveness of Breastfeeding Education Provided to Mothers Predicted by Machine Learning to Cease Breastfeeding Early This research was conducted with the aim of developing a machine learning (ML) model to identify mothers who are at risk of early discontinuation of breastfeeding, and to evaluate the effectiveness of breastfeeding education provided to these mothers. The study employed an experimental design, including pre-test and post-test with intervention and control groups. The sample of the study consisted of a total of 90 mothers (45 intervention, 45 control group) who attended postnatal check-ups at an education and research hospital and seven family health centers in the city center of Ankara, and who met the identified risk factors. The research was conducted between February 4, 2022, and October 30, 2023. In the first phase of the research, an ML prediction model was developed using data from the TNSA 2013-2018 to identify mothers at risk of early breastfeeding cessation. In the second phase of the research, breastfeeding education programs were developed for the risk group. Data were collected between May 11 and October 30, 2023, using the Mother-Baby Information Form and the Breastfeeding Education Evaluation Form (BEEF). The data were analyzed using various statistical methods including frequency, percentage, mean, Pearson-χ2, independent and paired samples t-tests, Cramer's V, and Cohen's d. In the study, it was found that the scores from the BEEF significantly increased in the intervention group after the education (p<0.05); however, the difference between the intervention group and the control group was not statistically significant (p>0.05). Although there was no significant difference in breastfeeding rates between the groups before the education, the full breastfeeding rates increased, and partial breastfeeding and cessation rates decreased in the intervention group after the education. These differences were statistically significant at 2 and 4 months postpartum (p<0.05). The breastfeeding education provided to mothers identified by the ML prediction model was found to be effective in sustaining breastfeeding. It is recommended to use ML algorithms to identify mothers at risk of discontinuing breastfeeding before six months and to offer AI-based solutions in breastfeeding counseling practices.

Benzer Tezler

  1. Tez No

    969862

    Mülteci ve Türk annelerin emzirme, ek gıdaya geçiş deneyimleri ve annelerin gözünden bebek büyüme algılarının kıyaslanması: Nitel çalışma

    Comparison of breastfeeding, complementary feeding experiences, and mothers' perceptions of infant growth between refugee and Turkish mothers: A qualitative study

    NADİDE YILDIZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Aile HekimliğiHacettepe Üniversitesi

    Aile Hekimliği Ana Bilim Dalı

    DOÇ. DR. DUYGU AYHAN BAŞER

  2. Tez No

    888132

    Standart penetrasyon deney verileri ile zemin parametrelerinin makine öğrenmesi tabanlı tahmini

    Machine learning based prediction of soil parameters with standard penetration test data

    HATİCE BEYZA URGANCI

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiKto Karatay Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ESRA URAY

  3. Tez No

    300167

    Makine öğrenmesi ile Türkçe haber metinlerinde anahtar ifade çıkarımı

    Keyphrase extraction for Turkish news text with machine learning methods

    MUSTAFA ÇETİNGÖZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2011

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTrakya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    YRD. DOÇ. DR. ERDEM UÇAR

  4. Tez No

    352201

    Makine öğrenmesi ile uzaktan eğitim öğrencilerinin performanslarının değerlendirilmesi

    Evaluating distance learning students' performance by machine learning

    OSMAN YILDIZ

    Doktora

    Türkçe

    Türkçe

    2014

    Eğitim ve Öğretimİstanbul Üniversitesi

    Enformatik Ana Bilim Dalı

    PROF. DR. SEVİNÇ GÜLSEÇEN

    DOÇ. DR. ABDULLAH BAL

  5. Tez No

    523069

    Makine öğrenmesi ile gerçek zamanlı videodan yüz ifadesi analizi

    Facial expression recognition with machine learning in real-time video

    MUHAMMET BEKİR DABANOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik Üniversitesi

    İstatistik ve Bilgisayar Bilimleri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TOLGA BERBER

Geri Dön