Yapay zeka aracılığıyla kan gazı parametrelerinin değerlendirilmesi
Evaluation of blood gas parameters through artificial intelligence
- Tez No: 939613
- Danışmanlar: PROF. DR. HAVVA ŞAHİN KAVAKLI
- Tez Türü: Tıpta Uzmanlık
- Konular: Acil Tıp, Emergency Medicine
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
YAPAY ZEKA ARACILIĞIYLA KAN GAZI PARAMETRELERİNİN DEĞERLENDİRİLMESİ Amaç: Kan gazı analizi, özellikle yoğun bakım ve acil servislerde hastaların fizyolojik ve metabolik durumlarını değerlendirmek için önemli bir araçtır. Ancak, bu analizlerin doğru yorumlanması, zaman kısıtlamaları ve klinik karmaşıklıklar nedeniyle her zaman mümkün olmamaktadır. Çalışmamızda kan gazı analizlerinin doğru bir şekilde yorumlanabilmesi için yapay zeka tabanlı yöntemlerin kullanımını araştırmaktadır. Çalışmamız, yapay sinir ağları (YSA), lojistik regresyon (LR), derin vektör sınıflandırması (DVS) ve bulanık mantık (BM) modelleri gibi farklı yapay zeka yöntemlerinin tanısal doğruluğunu karşılaştırarak, en etkili modeli belirlemeyi amaçlamaktadır. Gereç ve Yöntem: Retrospektif olarak yürütülen çalışmamız, 1 Ocak 2023 – 30 Haziran 2023 tarihleri arasında, Ankara Bilkent Şehir Hastanesi Erişkin Acil Tıp Kliniği'ne başvuran, kan gazı tetkiki çalışılmış ve dahil edilme kriterlerini karşılayan hastalar dahil edilerek gerçekleştirilmiştir. 5000 hasta üzerinde çalışılmış olup veriler karışık gruplara ayrılıp Acil Tıp uzmanlarına verilip kan gazı hesaplama algoritmasına göre etiketlemeleri istenmiştir. 29 farklı sınıftan oluşan bu etiketler ve kan gazları yapay zeka ekibine verilerek planlanan modellere bunların öğretilmesi ve kan gazının doğru tahmin edilmesi beklenmiştir. Sonrasında bu modellerin kendi içinde başarısı karşılaştırılmıştır. Bulgular: Hastaların %51,4'ü erkek, %48,5'i kadındır. %27,1'inde kan gazı değerleri normal sonuçlanmıştır. En fazla saptanan tanılar, kronik solunumsal asidoz + metabolik alkaloz (%11,6) ve metabolik alkaloz + solunumsal asidoz (%11,6)'dur. En az saptanan tanı ise akut solunumsal asidoz + metabolik alkaloz (%0,2)'dur. Elde edilen bulgulardan genel uyumluluğa göre yapay sinir ağı (YSA) modelinin diğer modellere göre en yüksek doğruluk oranını sağladığını göstermektedir. YSA, özellikle metabolik asidoz ve alkaloz durumlarının ayırt edilmesinde üstün performans sergileyerek, klinik karar destek sistemlerine entegrasyonu için yüksek bir potansiyel taşımaktadır. Diğer modellerden destek vektör sınıflandırıcı ( DVS) ve bulanık mantık ( BM), çoğu tanıda orta düzey doğruluk gösterirken, lojistik regresyon ( LR) modeli özellikle karmaşık vakaların sınıflandırılmasında düşük duyarlılık sergilemiştir. Çalışma, YSA'nın klinik ortamlarda doğru tanı sağlayabileceğini ortaya koymuştur. Sonuç: Çalışmamız, yapay zeka tabanlı sistemlerin kan gazı analizinde önemli bir yardımcı araç olabileceğini ve acil tıp, yoğun bakım gibi zamanla yarışılan ortamlarda tanı doğruluğunu artırma potansiyeline sahip olduğunu göstermektedir. Ayrıca, acil tıp asistanlarının bilgi düzeylerinden kaynaklanan hataların minimize edilmesi için yapay zeka yöntemlerinin geliştirilmesi gerektiği vurgulanmıştır. Yapay zeka teknolojilerinin klinik karar destek sistemlerine entegrasyonu, sağlık hizmetlerinde etkili ve hızlı kararlar alınmasını sağlayarak, hasta takibini daha güvenilir hale getirebilir.
Özet (Çeviri)
EVALUATION OF BLOOD GAS PARAMETERS THROUGH ARTIFICIAL INTELLIGENCE Objective: Blood gas analysis is an important tool for assessing the physiological and metabolic conditions of patients, particularly in intensive care and emergency departments. However, due to time constraints and clinical complexity, accurate interpretation of these analyses may not always be possible. This study investigates the use of artificial intelligence-based methods for accurate interpretation of blood gas analyses. The study aims to compare the diagnostic accuracy of various artificial intelligence models, including Artificial Neural Networks (ANN), Logistic Regression (LR), Support Vector Classifier (DVS), and Fuzzy Logic (FL), to identify the most effective model. Materials and Methods: This retrospective study was conducted with patients who presented to the Emergency Medicine Department of Ankara Bilkent City Hospital between January 1, 2023, and June 30, 2023, and met the inclusion criteria for blood gas analysis. A total of 5000 patients were included, and their data were divided into mixed groups. These samples were labeled by Emergency Medicine specialist according to blood gas calculation algorithm. Blood gas data labeled with 29 different class were provided to the artificial intelligence for training of models to predict blood gas values accurately. The performance of the models was compared. Results: Of the patients, 51.4% were male and 48.5% were female. In 27.1% of the cases, blood gas values were within normal limits. The most frequently identified diagnoses were chronic respiratory acidosis with metabolic alkalosis (11.6%) and metabolic alkalosis with respiratory acidosis (11.6%). The least common diagnosis was acute respiratory acidosis with metabolic alkalosis (0.2%) The results indicated that the Artificial Neural Network (ANN) model provided the highest accuracy compared to the other models based on overall accuracy . ANN demonstrated superior performance, particularly in distinguishing between metabolic acidosis and alkalosis, showing a high potential for integration into clinical decision support systems. Among the other models, Support Vector Classifier (DVS) and Fuzzy Logic (FL) showed moderate accuracy in most diagnoses, while Logistic Regression (LR) exhibited low sensitivity in classifying complex cases. This study shows that ANN can provide more accurate diagnoses in clinical settings. Conclusion: Our study demonstrates that artificial intelligence-based systems can be a valuable tool in blood gas analysis and have the potential to enhance diagnostic accuracy in time-sensitive environments like emergency medicine and intensive care. Additionally, it emphasizes the need for the development of artificial intelligence methods to minimize errors caused by differences in the knowledge levels of emergency medicine residents. The integration of artificial intelligence technologies into clinical decision support systems can facilitate effective and rapid decision-making in healthcare, making patient management more reliable.
Benzer Tezler
- Manisa yöresinde domateste anlaşmalı tarım ve karşılaşılan sorunlar
Başlık çevirisi yok
OSMAN MURAT KOÇTÜRK
Yüksek Lisans
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiTarım Ekonomisi Ana Bilim Dalı
PROF. DR. METİN TALİM
- Bir pamuk iplikhanesinde fiili çalışma metodlarının incelenmesi ve mevcut işlemlerin standart sürelerinin saptanması
Başlık çevirisi yok
MÜRŞİDE KESEROĞLU
Yüksek Lisans
Türkçe
1985
İşletmeEge ÜniversitesiTekstil Mühendisliği Ana Bilim Dalı
DOÇ. DR. MUSTAFA NAZMİ ERCAN
- Barajların hacim-verim ilişkisi üzerine bir araştırma
Başlık çevirisi yok
MEHMET KILIÇARSLAN
Yüksek Lisans
Türkçe
1987
İnşaat MühendisliğiÇukurova Üniversitesiİnşaat Mühendisliği Ana Bilim Dalı
DOÇ. DR. TEFARUK HAKTANIR
- Çiğit ve ayçiçek yağlarının doğal antioksidan içerikleri ile bu yağların stabilitelerinin arttırılmaları üzerinde araştırmalar
Başlık çevirisi yok
ALİ KEMAL YALNIZ
Doktora
Türkçe
1985
Gıda MühendisliğiEge ÜniversitesiGıda Mühendisliği Ana Bilim Dalı
PROF. DR. MAHİR ÇOLAKO¦LU
- Computer aided design of lumped and distributed broadband matching and filtering networks
Başlık çevirisi yok
ADNAN KÖKSAL
Yüksek Lisans
İngilizce
1987
Elektrik ve Elektronik MühendisliğiOrta Doğu Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. NEVZAT YILDIRIM