Yüksek LDL düzeyi olan hastalarda aterosklerotik kardiyovasküler hastalık riskinin yapay zekâ yardımıyla belirlenmesi
Artificial intelligence assisted risk assessment of atherosclerotic cardiovascular disease in patients with elevated low-density lipoprotein cholesterol levels
- Tez No: 937218
- Danışmanlar: PROF. DR. ALİ SERDAR FAK
- Tez Türü: Tıpta Uzmanlık
- Konular: İç Hastalıkları, Internal diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: İç Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 141
Özet
LDL-Kolesterol (LDL-K) düzeyi 190 mg/dL'nin üzerinde olan bireylerin artmış kardiyovasküler (KV) riske sahip oldukları bilinmekle birlikte, bu riske katkıda bulunan faktörler literatürde net olarak tanımlanmamıştır. Geleneksel KV risk hesaplama algoritmalarının bu hasta grubunda riski gerçekten daha düşük hesapladığı bilinmektedir. Çalışmamızda, LDL-kolesterol düzeyi 190 mg/dl'nin üzerinde olan hastalar arasında ASKVH geçirmiş bireyler ile geçirmemiş bireyler arasındaki farkları tespit ederek, bu bireyler için hangi faktörlerin ek riskler oluşturduğunun ortaya koyulması amacıyla yapay zekâ temelli makine öğrenmesi algoritmaları geliştirilmiştir. Çalışmaya, 01.03.2014 - 01.03.2025 tarihleri arasında Marmara Üniversitesi Pendik Eğitim ve Araştırma Hastanesi polikliniklerinde yapılan kan tetkiklerinde serum LDL-K düzeyi 190 mg/dL'nin üzerinde tespit edilen 40-80 yaş aralığındaki hastalara ulaşılmış, çalışmaya katılmak için gönüllü olan hastalar çalışmaya dahil edilmiştir. Hastaların klinik özgeçmişleri, biyokimyasal parametreleri, antropometrik ölçüleri, yaşam tarzı faktörleri ve aile öykülerine ilişkin veriler hastane bilgi yönetim sistemi ve hasta dosyalarından edinilmiştir. Hastalar sahip oldukları ASKVH'nin klinik semptom veya bulgu oluşturma durumuna göre subklinik, klinik ve her iki durumu da içeren tüm ASKVH olmak üzere üç alt gruba ayrılmıştır. Çalışmamızda ASKVH olan ve olmayan hastaların ayrımında yararlanılabilecek faktörleri belirlemeyi amaçlayan lojistik regresyon, CatBoost, LightGBM, rastgele orman ve XGBoost modelleri geliştirilmiştir. Modellerin eğitimi için 196 olgudan oluşan bir eğitim seti kullanılmış, test aşamasında ise 50 olgudan oluşan bir test seti ile değerlendirme yapılmıştır. Elde edilen verilerin istatistiksel analizi ve yapay zeka temelli modellerin geliştirilmesi sürecinde Python 3.13.2 veri bilimi ekosistemi kapsamındaki temel kütüphanelerden yararlanılmıştır. İstatistiksel olarak anlamlılık için P değerinin
Özet (Çeviri)
Although it is well-established that individuals with LDL cholesterol (LDL-C) levels above 190 mg/dL are at an increased cardiovascular (CV) risk, the factors contributing to this risk are not clearly defined in the literature. It is known that traditional cardiovascular risk calculation algorithms tend to underestimate the risk in this patient group. In our research, we developed artificial intelligence-based machine learning algorithms to identify additional risk factors in individuals with LDL-C levels exceeding 190 mg/dL, by differentiating between those who have experienced Atherosclerotic Cardiovascular Disease (ASCVD) and those who have not. The study included patients aged 40-80 years whose serum LDL-C levels were identified as above 190 mg/dL between 01.03.2014 and 01.03.2025, and who voluntarily participated in the study. Clinical histories, biochemical parameters, anthropometric measurements, lifestyle factors, and family history data of the patients were obtained from the hospital's information management system and patient records. Patients were classified into three subgroups based on their ASCVD status: subclinical, clinical, and a combined group of both clinical and subclinical ASCVD. Logistic regression, CatBoost, LightGBM, random forest, and XGBoost models were developed to identify factors that can differentiate between ASCVD and non-ASCVD patients. A training set consisting of 196 cases and a test set consisting of 50 cases were used for model evaluation. Python 3.13.2 data science ecosystem libraries were used for statistical analysis and the development of artificial intelligence models. Statistical significance was set at a p-value of
Benzer Tezler
- Dislipidemi'de endokrin hastalık sıklığının araştırılması
Investigation of endocrine disease frequency in dyslipidemia
VOLKAN ASLAN
Tıpta Uzmanlık
Türkçe
2012
Endokrinoloji ve Metabolizma HastalıklarıAtatürk Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. GÜNGÖR AKÇAY
- Tirotoksikozu olan hastalarda kardiyovasküler riski değerlendirmede fraktalkin düzeyi etkinliği
Efficiency of fractalkine level in the assessment of cardiovascular risk in patients with thyrotoxicosis
MUHAMMED ATMACA
Tıpta Uzmanlık
Türkçe
2022
İç HastalıklarıSağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. NEŞE ERSÖZ GÜLÇELİK
- Psoriasis hastalarında erken aterosklerotik riskin belirlenmesinde sistatin-C ve fetuin-A'nın rolü
The role of cystatin-C and fetuin-A in determining early atherosclerotic risk in psoriasis patients
ABDULLAH DEMİRBAŞ
Tıpta Uzmanlık
Türkçe
2018
DermatolojiSelçuk ÜniversitesiDeri ve Zührevi Hast. Ana Bilim Dalı
DOÇ. DR. GÜLCAN SAYLAM KURTİPEK
- HDL-K düzeyi yüksek olmasına rağmen koroner aterosklerozu olan hastaların APO A, APO B, CETP ve HDL alt gruplarının aterosklerozu olmayanlar ile karşılaştırılması
Comparison of the HDL subclasses, APO A, APO B, CETP mass and activity levels between the patients with coronary atherosclerosis and healthy subjects although having higher HDL-C levels
TOLGA KUNAK
- Hiperlipidemik hastalarda ve sağlıklı bireylerde vücut kütle indeksi ve fiziksel aktivite durumunun karşılaştırılması
Comparison of body mass index and physical activity status in patients with hyperlipidemia and healthy individuals
OĞUZ ÇELİK
Tıpta Uzmanlık
Türkçe
2019
Aile HekimliğiSağlık Bilimleri ÜniversitesiAile Hekimliği Ana Bilim Dalı
UZMAN ÖZGE TUNCER