Derin öğrenmeyle postpartum depresyon tahmini
Postpartum depression prediction using deep learning
- Tez No: 890017
- Danışmanlar: PROF. DR. SERDAR KULA
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Depresyon-postpartum, Derin öğrenme, E-nabız sistemi, Makine öğrenmesi, Tıbbi kayıtlar, Depression-postpartum, Deep learning, E-pulse system, Machine learning, Medical records
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Gazi Üniversitesi
- Enstitü: Bilişim Enstitüsü
- Ana Bilim Dalı: Sağlık Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Derin öğrenmeyle manyetik rezonans görüntüleme
Magnetic resonance imaging with deep learning
ALİ CAN KARA
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- Derin öğrenmeyle hisse senedi değerlerinin tahmin edilmesi
Estimating stock values with deep learning
HÜSEYİN MUSTAFA METİN
Doktora
Türkçe
2024
İstatistikMuğla Sıtkı Koçman Üniversitesiİşletme Ana Bilim Dalı
PROF. DR. ERDOĞAN GAVCAR
- Beyin metastazlarının derin öğrenmeyle sınıflandırılması
Classification of brain metastases with deep learning
YASİN CUŞKUN
Yüksek Lisans
Türkçe
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. HÜSEYİN METİN ERTUNÇ
- Kemik röntgen görüntülerinde derin öğrenmeyle sınıflandırma ve kırık tespiti
Classification and fracture detection with deep learning in bone x-ray images
FATİH UYSAL
Doktora
Türkçe
2022
Elektrik ve Elektronik MühendisliğiGazi ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. FIRAT HARDALAÇ
- Psikopatolojinin tespitinde yeni bir yaklaşım: Makine öğrenmesiyle ve derin öğrenmeyle dilin analizine dayalı psikopatolojinin tespiti
A new approach in detection of psychopathology: Detection of psychopathology based on analysis of language with machine learning and deep learning
ERKAN EYRİKAYA