Huzursuz bacaklar sendromunda inflamatuar risk faktörlerinin lojistik regresyon analizi ve makine öğrenmesi algoritmaları ile incelenmesi
Investigation of inflammatory risk factors in restless legs syndrome using logistic regression analysis and machine learning algorithms
- Tez No: 916430
- Danışmanlar: PROF. DR. MURAT KİRİŞCİ
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi-Cerrahpaşa
- Enstitü: Lisansüstü Eğitim Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 71
Özet
Giriş: Son yıllarda teknolojinin hızla ilerlemesi, büyük ve karmaşık veri setlerinin çoğalmasıyla birlikte yapay zeka istatistik alanında da ilgi çekici hale gelmiştir. Özellikle sağlık ile ilgili çalışmalarda lojistik regresyon analizi ve makine öğrenmesi yöntemlerinin karşılaştırılmasına yönelik ilgi artmıştır. Çalışmamızda uyku bozukluğu hastalığı olan huzursuz bacaklar sendromu (HBS)'na sahip hastalarda sistemik inflamatuar belirteçlerin patogenezdeki olası rolünü lojistik regresyon analizi ve makine öğrenme yöntemlerini kullanarak araştırmayı amaçladık. Yöntem : Ocak 2022-Haziran 2023 tarihleri arasında HBS tanısı almış 18-65 yaş arası 230 hasta 230 sağlıklı kontrol alındı. Hasta ve kontrol gruplarına ait demografik ve laboratuvar verileri retrospektif olarak kaydedildi. Hastalık tahmininde olası rolü araştırılan bağımsız değişkenler lojistik regresyon, destek vektör makineleri (SVM) ve K en yakın komşu (KNN) algoritmaları ile analiz edildi. R istatistik yazılımı ile veriler eğitim ve test verisine ayrıldıktan sonra elde edilen bulgular karşılaştırıldı. Bulgular: Hasta grubunda yaş medyan 51,0 (IQR: 44,0–58,0) yıl ve kadın oranı %73,9, , kontrol grubunda yaş medyan 43,5 (IQR: 37,0–49,0) yıl ve kadın oranı %58,7 idi. Oluşturulan modelin test verisi doğru tahmin yüzdesi KNN algoritması %65,21, SVM algoritması %51,44, LR modeli ile %50,0 olarak bulunmuştur. Çalışmamızda her üç model metrik ölçütleri karşılaştırıldığında KNN modeli hem eğitim verisi hem de test verisi üzerinde diğer iki modele göre daha yüksek performans sergilemiştir. Sonuçlar: Çalışmamızda HBS varlığını tahminde KNN algoritmasının LR ve SVM algoritmasından daha iyi performans gösterdiği saptadık. Makine öğrenmesi algoritmalarının geliştirilmesinin, sağlık alanında da gelişmelere katkı sağlayacağına inanmaktayız.
Özet (Çeviri)
Introduction: In recent years, the rapid advancement of technology and the proliferation of large and complex datasets have made artificial intelligence increasingly fascinating within the field of statistics. Especially in health-related studies, interest in comparing logistic regression analysis and machine learning methods has increased. Our study aimed to investigate the potential role of systemic inflammatory markers in the pathogenesis of restless legs syndrome (RLS) in patients with sleep disturbances using logistic regression analysis and machine learning methods. Method: Between January 2022 and June 2023, 230 patients aged 18-65 diagnosed with RLS and 230 healthy controls were included. Demographic and laboratory data of the patient and control groups were recorded retrospectively. Independent variables investigated for possible role in disease prediction were analyzed with logistic regression, support vector machines (SVM) and K nearest neighbor (KNN) algorithms. After separating the data into training and test data using R statistical software, the findings were compared. Results: The patient group had a median age of 51.0 years (IQR: 44.0–58.0) and a female rate of 73.9%, whereas the control group had a median age of 43.5 years (IQR: 37.0–49.0) and a female rate of 58.7%. The accuracy percentage of the model on the test data was found to be 65.21% for the KNN algorithm, 51.44% for the SVM algorithm, and 50.0% for the LR model. In our study, when comparing the metric measures of all three models, the KNN model demonstrated higher performance than the other two models on both the training and test data. Conclusion: In our study, we aimed to investigate the potential role of systemic inflammatory markers in the pathogenesis of restless legs syndrome (RLS) in patients with sleep disorders using logistic regression analysis and machine learning methods. We believe that the development of machine learning algorithms will contribute to advancements in the healthcare field as well.
Benzer Tezler
- Huzursuz bacaklar sendromunda NT PRO-CNP düzeyi
Serum NT PRO CNP level in restless legs syndrome
REYHAN YÜKSEK
Tıpta Uzmanlık
Türkçe
2019
NörolojiAtatürk ÜniversitesiNöroloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MUSTAFA CEYLAN
- Huzursuz bacaklar sendromunda spinal ve kortikal uyarılabilirlik ve patofizyolojideki rolü
Huzursuz bacaklar sendromunda spinal ve kortikal uyarilabilirlik ve patofizyolojideki rolü
ESRA KELEŞ
- Huzursuz bacaklar sendromunda transkraniyal kortikal manyetik stimulasyon ile soleus kasında soleus MEP- 80 yanıtının incelenmesi
The evaluation of soleus MEP-80 response with transcranial cortical magnetic stimulation in restless legs syndrome
ÖZLEM PARLAK
Tıpta Uzmanlık
Türkçe
2013
FizyopatolojiDokuz Eylül ÜniversitesiNöroloji Ana Bilim Dalı
DOÇ. DR. İBRAHİM ÖZTURA
- Huzursuz bacaklar sendromunda kullanılmakta olan dopamin agonistlerinin etkinlik güvenilirlik ve tolerabilitelerinin karşılaştırılması
Comparison of efficacy safety and tolerability of dopamine agonists used in restless legs syndrome
NİLGÜN ÖZVEREN
- Huzursuz bacaklar sendromunda serum ferritin düzeyi ile uyku kalitesi ilişkisinin değerlendirilmesi
Evaluation of the relationship of serum ferritine level and sleep quality in restless legs syndrome
FİDEL BAYRAM İLTER
Tıpta Uzmanlık
Türkçe
2021
NörolojiSağlık Bilimleri ÜniversitesiNöroloji Ana Bilim Dalı
UZMAN ŞAHİNDE FAZİLET HIZ