Geri Dön

Derin öğrenmeyle postpartum depresyon tahmini

Postpartum depression prediction using deep learning

  1. Tez No: 890017
  2. Yazar: GÜRKAN CANER BİRER
  3. Danışmanlar: PROF. DR. SERDAR KULA
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Gazi Üniversitesi
  10. Enstitü: Bilişim Enstitüsü
  11. Ana Bilim Dalı: Sağlık Bilişimi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 115

Özet

Amaç: Doğum sonrası depresyon (PPD), annelerin ve ailelerinin sağlığı üzerinde önemli bir etkiye sahip olan yaygın bir doğum sonrası komplikasyondur. PPD'nin erken tespiti ve doğru tahmini, etkili tedavi ve yönetim için kritik öneme sahiptir. Bu tez çalışmasında, geniş bir hasta veri seti kullanılarak PPD için derin öğrenmeye (DL) dayalı bir öngörü modeli geliştirilmiştir. Yöntem: Tez çalışmasında 2016 ve 2023 yılları arasında T.C. Sağlık Bakanlığı'nın e-Nabız sisteminden elde edilen anonimleştirilmiş elektronik hasta kayıtları kullanılmıştır. Bu veriler, gebelik izlem bilgisi olan, doğum yapmış ve doğum sonrasında PPD tanısı almış hastaların verilerini kapsamaktadır. Veriler ön işlemeye tabi tutularak, kirli veriler temizlenmiş ve analize uygun hale getirilmiştir. Çalışmada, PPD tahmini için yapay sinir ağları (ANN), çok katmanlı algılayıcı (MLP), rastgele orman (RF) ve destek vektör makineleri (SVM) algoritmaları kullanılmıştır. Modeller, çeşitli demografik veriler, tıbbi geçmiş ve hastaların psikolojik değerlendirmeleri üzerinde eğitilmiştir. Bu modellerin performansı, doğruluk, duyarlılık, özgüllük ve F1 ölçütleri kullanılarak değerlendirilmiştir. Bulgular: Yapılan analizler sonucunda, MLP modelinin PPD'nin erken tespiti için güçlü ve yorumlanabilir bir araç sağladığı ve bu modelin PPD yönetiminde klinik uygulamalara önemli katkılar sağlayabileceği sonucuna ulaşılmıştır. MLP modelinin yüksek doğruluk, duyarlılık ve özgüllük değerleri ile diğer algoritmalardan üstün performans sergilediği görülmüştür. Sonuç: Bu çalışma, PPD'nin erken tespiti için derin öğrenme modellerinin uygulanabilirliğini ortaya koymakta ve sağlık profesyonellerine klinik karar verme süreçlerinde yardımcı olabilecek bir araç sunmaktadır. Ayrıca, bu araştırma, dijital sağlık verilerinin kullanımıyla PPD tahmin modellerinin geliştirilmesi konusunda literatüre önemli katkılar sağlamaktadır.

Özet (Çeviri)

Objective: Postpartum depression (PPD) is a common complication following childbirth that significantly impacts the health of mothers and their families. Early detection and accurate prediction of PPD are crucial for effective treatment and management. This thesis presents the development of a deep learning (DL) based predictive model for PPD using a large patient dataset. Method: The anonymized electronic health records used in this study were obtained from the e-Nabız system of the Turkish Ministry of Health, covering the period between 2016 and 2023. These records include data on patients who had pregnancy follow-up information, gave birth, and were diagnosed with PPD postpartum. The data were pre-processed to clean and prepare them for analysis. The study employed artificial neural networks (ANN), multilayer perceptron (MLP), random forests (RF), and support vector machines (SVM) algorithms for PPD prediction. The models were trained on a variety of demographic data, medical history, and psychological assessments of patients. The performance of these models was evaluated using accuracy, sensitivity, specificity, and F1 score metrics. Results: The analyses revealed that the MLP model provided a powerful and interpretable tool for the early detection of PPD, demonstrating significant potential for clinical applications in PPD management. The MLP model exhibited superior performance in terms of accuracy, recall, and specificity compared to other algorithms. Conclusion: This study highlights the feasibility of applying deep learning models for the early detection of PPD, offering a valuable tool for healthcare professionals in clinical decision-making processes. Additionally, this research contributes significantly to the literature on developing PPD prediction models using digital health data.

Benzer Tezler

  1. Recognition and detection of facial features with masks using deep learning

    Derin öğrenmeyle maskelerle yüz özelliklerinin tanıma ve tespiti

    WEDYAN SAFAA MAHMOOD AL-NUAIMI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYCA KURNAZ TURKBEN

  2. Weed detection and classification using deep learning

    Derin öğrenmeyle zararlı otların tespiti ve sınıflandırması

    MD NAJMUL MOWLA

    Yüksek Lisans

    İngilizce

    İngilizce

    2021

    Elektrik ve Elektronik MühendisliğiÇukurova Üniversitesi

    Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. MUSTAFA GÖK

  3. Zero-day attack detection with deep learning

    Derin öğrenmeyle sıfırıncı gün saldırı tespiti

    BERNA ÇAKIR

    Yüksek Lisans

    İngilizce

    İngilizce

    2019

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ PELİN ANGIN

  4. A proposed method for increasing the accuracy of object detection under rain conditions using deep learning

    Derin öğrenmeyle yağmur durumlarında nesne tespitin doğrlığını artırmak için önerilen bir yöntem

    FARIS KAREEM HALYUT SHAMMARI

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ADNAN SAHER MOHAMMED AL-AJEELI

  5. Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi

    Estimating stock values with deep learning

    HÜSEYİN MUSTAFA METİN

    Doktora

    Türkçe

    Türkçe

    2024

    MatematikMuğla Sıtkı Koçman Üniversitesi

    İşletme Ana Bilim Dalı

    PROF. DR. ERDOĞAN GAVCAR