Artificial intelligence-based classification of ventilation modes and forecasting of respiratory data for intensive care patients
Yoğun bakım hastaları için yapay zeka tabanlı ventilasyon modlarının sınıflandırılması ve solunum verilerinin tahmini
- Tez No: 917890
- Danışmanlar: PROF. DR. BURCU ERKMEN
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2024
- Dil: İngilizce
- Üniversite: Yıldız Teknik Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Bilim Dalı
- Sayfa Sayısı: 98
Özet
Hastanelerde, akciğer patolojileri ve çeşitli hastalıklar nedeniyle yoğun bakım ünitelerinde solunum desteğine ihtiyaç duyan birçok hasta bulunmaktadır. Solunum yetmezliği olan hastalar için en sık uygulanan uygulamalardan biri mekanik ventilasyon desteğidir. Mekanik ventilasyon ihtiyacı, hastanın tedavi süreciyle birlikte zamanla azalabilmekte veya artabilmektedir. Ancak bu süreçte, hastaların komplikasyon ve enfeksiyon riskine maruz kalma olasılığı artmaktadır. Hastaların mekanik ventilasyona daha kısa süre bağımlı kalması, iyileşme süreçlerinin hızlanması açısından önemlidir. Mekanik ventilasyon modunun doğru seçimi, hastaların iyileşme sürecini hızlandırmada ve komplikasyon risklerini azaltmada büyük rol oynar. Bu çalışmada, yapay zeka desteği ile ventilasyon modlarının doğru karar verilebilmesi ve solunum verilerinin tahmin edilmesini sağlayarak sağlık çalışanlarına destek sağlanması hedeflenmektedir. Veriler, nöroloji yoğun bakım ünitesinde yatan 23 hastadan, 24 saat boyunca 1 saatlik periyotlarla kaydedilerek oluşturulmuştur. Toplamda 18 özellik içeren veri seti, dört farklı ventilasyon modu (CMV, PSIMV, ASV, SPONT) ile etiketlenmiş ve yapay zeka modellerinin daha iyi sonuç vermesi amacıyla Min-Max normalizasyonu, hareketli ortalama filtresi ve Gaussian filtresi ön işleme adımlarından geçirilmiştir. Ventilasyon mod sınıflandırması için Rastgele Orman, Karar Ağacı, Gradyan Artırma, Uyarlamalı Artırma (AdaBoost), Çok Modelli Bootstrap (Bagging), K-En Yakın Komşu, Gaussian Naive Bayes ve Aşırı Gradyan Artırma (XGBoost) gibi makine öğrenmesi algoritmalarının yanı sıra Uzun kısa süreli bellek (LSTM) ve CNN-LSTM gibi derin öğrenme modelleri kullanılmıştır. Sınıflandırma sonucunda, %98 doğruluk oranı ile en yüksek performansı XGBoost algoritması sağlamıştır. Solunum verilerinin zaman serisi tahmini ise yoğun bakım hastalarının solunum durumu yönetimi ve olası sorunların erken tespiti açısından büyük önem arz etmektedir. Bu amaçla, derin öğrenme modelleri olan LSTM, Zamansal Evrişimsel Ağlar (TCN), CNN-LSTM ve TCN-LSTM modelleri kullanılmıştır. TCN-LSTM modeli, en düşük hata oranı ve en yüksek R2 değeri ile en başarılı sonucu elde etmiştir. Ayrıca, toraks sensörleri ve pulse oksimetre ile 10 gönüllüden farklı pozisyonlarda (oturma, yürüme, yatma) solunuma bağlı göğüs kuvveti, solunum hızı, SpO2 ve PRbpm verileri toplanmış ve XGBoost algoritması ile %99.74 doğruluk oranında pozisyon sınıflandırması yapılmıştır. Bu sonuçlar, yapay zekanın solunum verilerinde yüksek doğruluk oranlarıyla sınıflandırma ve tahmin yapabilme kabiliyetini ortaya koymaktadır. Bu çalışmanın bulguları, yapay zeka destekli sağlık karar sistemlerinin gelişimine katkı sağlayarak hasta yönetiminde yenilikçi çözümler sunma potansiyelini göstermiştir.
Özet (Çeviri)
In hospitals numerous patients in intensive care units necessitating respiratory support due to pulmonary pathologies and diverse ailments. Mechanical ventilation support is one of the most often utilized techniques for individuals experiencing respiratory insufficiency. The necessity for mechanical ventilation may fluctuate throughout the patient's treatment procedure. During this phase, the likelihood of problems and infections for patients escalates. Minimizing the duration of patients' reliance on artificial ventilation is essential for expediting their recovery. The appropriate choice of mechanical ventilation mode is crucial for expediting recovery and minimizing the risk of problems. This study aims to support healthcare professionals by enabling accurate decision-making for ventilation modes and the prediction of respiratory data through artificial intelligence. The data were collected from 23 patients in the neurology intensive care unit, recorded at 1-hour intervals over a 24-hour period. The dataset, containing a total of 18 features, was labeled with four different ventilation modes (CMV, PSIMV, ASV, SPONT) and underwent preprocessing steps such as Min-Max normalization, moving average filtering, and Gaussian filtering to enhance the performance of the artificial intelligence models. For ventilation mode classification, machine learning algorithms such as decision tree, Bagging, random forest, gradient boosting, adaptive boosting (AdaBoost), K-Nearest Neighbors, gaussian naive bayes, and extreme gradient boosting (XGBoost) were used, along with deep learning models like Long Short-Term Memory (LSTM) and convolutional neural network with long short term memory (CNN-LSTM). The XGBoost algorithm achieved the highest performance, with an accuracy rate of 98%. The prediction of respiratory data through time series analysis is essential for overseeing the respiratory condition of intensive care patients and for the early identification of probable complications. Deep learning models utilized for this purpose include LSTM, Temporal convolutional network (TCN), CNN-LSTM, and Temporal convolutional network with long short term memory (TCN-LSTM). The TCN-LSTM model attained optimal performance, exhibiting the minimal error rate and the maximum R2 value. Additionally, respiratory data about chest force, respiratory rate, SpO2, and PRbpm were collected from 10 volunteers in various situations (sitting, walking, sleeping) utilizing thoracic sensors and a pulse oximeter. The XGBoost algorithm achieved a position classification accuracy of 99.74%. These findings illustrate the capacity of artificial intelligence to execute precise classification and prediction on respiratory data. This study's findings underscore the potential of AI-assisted health decision systems to foster novel solutions in patient management.
Benzer Tezler
- Çift lümenli tüp ile entübasyon zorluğunun değerlendirilmesinde fotoğraf tabanlı yapay zeka algoritmalarının etkinliği ve güvenilirliği
Effectiveness and reliability of photo-based artificial intelligence algorithms in assessing double-lumen tube intubation difficulty
DENİZ SERİM KORKMAZ
Tıpta Uzmanlık
Türkçe
2025
Anestezi ve ReanimasyonSağlık Bilimleri ÜniversitesiAnesteziyoloji ve Reanimasyon Ana Bilim Dalı
PROF. DR. ALİ ALAGÖZ
- Güç transformatörleri sfra tarama frekans cevabı analizi sonuçlarının yapay zeka uygulamaları ile karşılaştırılması
Comparison of power transformer sfra sweep frequency response analysis results with artificial intelligence applications
HAKAN ÇUHADAROĞLU
Doktora
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. YILMAZ UYAROĞLU
- Belirli nöropsikolojik rahatsızlıkların yapay zeka temelli sınıflandırılması
Artificial intelligence based classification of specific neuropsychological disorders
FİRUZE DAMLA ERYILMAZ BARAN
Yüksek Lisans
Türkçe
2024
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolPamukkale ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. MERİÇ ÇETİN
- Kontrastsız bilgisayarlı tomografi görüntülerinde yapay zekâ tabanlı karaciğer bölütleme ve hastalık sınıflandırma
Artificial intelligence-based liver segmentation and disease classification in non-contrast computed tomography images
RABİYE KILIÇ
Doktora
Türkçe
2024
Elektrik ve Elektronik MühendisliğiAtatürk ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
PROF. DR. İBRAHİM YÜCEL ÖZBEK
- Bebek ağlama seslerinin yapay zeka tabanlı yöntemlerle sınıflandırılması
Classification of baby crying sounds with artificial intelligence-based methods
HAFİZE GÜNGÖR
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolErciyes ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TAYYİP ÖZCAN
DOÇ. DR. ÖMÜR ŞAHİN