Yenidoğanda yapay zeka destekli ani beklenmedik doğum sonrası kollaps risk tespitinin yapılması
Artificial intelligence supported sudden and unexpected postpartum collapse risk detection in newborns
- Tez No: 945362
- Danışmanlar: PROF. DR. RABİA GENÇ, DR. ÖĞR. ÜYESİ EMİNE SERAP ÇAĞAN
- Tez Türü: Yüksek Lisans
- Konular: Ebelik, Midwifery
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Ebelik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 101
Özet
Amaç: Bu tez çalışmasında, yenidoğanda yapay zeka destekli ani beklenmedik doğum sonrası kollaps (ABDSK) risk tespitinin yapılması amaçlanmıştır. Gereç ve Yöntem: Bu araştırma, metodolojik tiptedir. Araştırma verileri, Eylül 2024-Ocak 2025 tarihleri arasında, Ağrı Eğitim ve Araştırma Hastanesi'nin doğumhane ve postpartum servislerinde toplanmıştır. Araştırmanın evrenini Ağrı Eğitim ve Araştırma Hastanesi'nde doğan sağlıklı yenidoğanlar ve onların anneleri oluşturmuştur (N= 5000). Araştırmanın örneklemini ise Ağrı Eğitim ve Araştırma Hastanesi'nde doğan ve dahil edilme kriterlerini sağlayan yenidoğanlar ile onların anneleri oluşturmuştur. Araştırmanın örneklemi Open Epi Info programı aracılığıyla evreni bilinen örneklem hesaplama yöntemi ile %95,00 güven aralığında ve %5,00 hata payı ile 357 olarak hesaplanmıştır (n= 357). Bu araştırmanın verileri, araştırmacılar tarafından literatür taraması ile oluşturulan Veri Toplama Formu aracılığıyla toplanmıştır. Form; anne ve yenidoğanın tanıtıcı bilgilerine ilişkin soruların yer aldığı Tanıtıcı Bilgi Formu, Apgar skorunun değerlendirilmesi amacıyla Apgar Skoru Değerlendirme Formu ve ABDSK risk faktörlerine ilişkin soruların yer aldığı ABDSK Risk Faktörleri Değerlendirme Formu olmak üzere üç bölümden oluşmaktadır. Araştırma verilerinin analizinde annelerin ve yenidoğanların tanımlayıcı özelliklerinin analizi SPSS 23. paket programında, ortalama, standart sapma, sayı yüzde analizi kullanılarak gerçekleştirilmiştir. Yapay zeka aşamasında ise veriler kodlanarak yapay zeka tanılama sistemi oluşturulmuştur. Yapay zeka aşamasında bilgisayar mühendisi ile işbirliği yapılmıştır. Araştırmamızda Lojistik Regresyon (LR), Rastgele Orman, Extreme Gradient Boosting (XGB) algoritmalarından faydalanılmıştır. Yapay zeka modelinin oluşturulmasında Python yazılım dili kullanılmıştır. Oluşturulan yapay zeka modelinin tahmin performansını değerlendirmek için R² skoru, Ortalama Mutlak Hata, Ortalama Kare Hata ve Kök Ortalama Kare Hata olmak üzere regresyon performans metrikleri kullanılmıştır. Bulgular: İlk olarak ABDSK'yi tahmin etmek için LR kullanılarak bir model oluşturulmuştur. Ancak bu model; verileri %100,00 doğrulukla aşırı öğrenerek istenmedik şekilde sonuçlanmıştır. İlk oluşturulan modelin çalışamayacağı fark edildikten sonra ABDSK tahmini için ABDSK Risk Skoru'nu tahmin eden bir doğrusal regresyon modeli oluşturulmuştur. ABDSK Risk Skoru bağımlı (y), Risk Skoru'nu doğrudan hesaplamak için kullanılan değişkenler ise bağımsız (x) değişkenler olarak kullanılmıştır. Modelin ABDSK Risk Skoru'nu tahmin edebilmesi için bağımsız değişkenler, one-hot encoding ile sayısallaştırılarak kullanılmıştır. Verilerin %80'inin eğitim, %20'sinin ise test verisi olarak kullanılmasıyla oluşturulan model, %71,00 doğruluk oranında ABDSK Risk Skoru'nu tahmin etmiştir. Modelin iyileştirilmesi ve tahmin performansının artırılması amacıyla daha gelişmiş bir makine öğrenimi algoritması olan Rastgele Orman ve XGB kullanılmış ve Apgar skorunun modelde daha etkin kullanılması amacıyla özellik mühendisliği uygulanmıştır. Apgar skorunu ve risk faktörlerini daha etkin kullanarak iyileştirilen ve son hali verilen modelin tahmin hataları azalmış ve tahmin doğruluğu %99,00'a yükselmiştir. ABDSK riskinin tespiti amacıyla oluşturulan tahmin modelinin ABDSK Risk Skoru tahmin doğruluğunun gerçeğe oldukça yakın olduğu belirlenmiştir. Sonuç: Bu tez çalışması, yenidoğanda makine öğrenimi tabanlı bir yapay zeka modeli kullanılarak ABDSK riskinin tahmininin gerçeğe oldukça yakın oranda yapılmasıyla sonuçlanmıştır. Çalışma, Apgar skorunun ABDSK riski tahmini üzerindeki etkisini göstermiştir. Yapay zekanın, ebelik bakımında yenidoğan sağlığını daha iyi anlamak ve klinik kararları desteklemek için kullanılabileceği sonucuna ulaşılmıştır. Anahtar Kelimeler; Ani Beklenmedik Doğum Sonrası Kollaps; Güvenli Ebelik Bakımı; Risk Tespiti; Yapay Zeka; Yenidoğan
Özet (Çeviri)
Objective: In this thesis, it is aimed to determine the risk of sudden unexpected postpartum collapse (SUPC) in newborns with artificial intelligence support. Materials and Methods: This study was planned as methodological design. The research data were collected in the delivery room and postpartum wards of Agri Training and Research Hospital in Agri province between September 2024 and January 2025. The universe of the study consisted of healthy newborns born at Agri Training and Research Hospital and their mothers (N= 5000). The sample of the study consisted of newborns born at Agri Training and Research Hospital and meeting the inclusion criteria and their mothers. The sample of the study was calculated as 357 with a 95.00% confidence interval and a 5.00% margin of error using the known universe sample calculation method using the Open Epi Info program (n= 357). The data of this study were collected through the Data Collection Form created by the researchers through a literature review. The form; It consists of three sections: the Introductory Information Form, which includes questions about the introductory information of the mother and the newborn, the Apgar Score Evaluation Form, which evaluates the Apgar score, and the SUPC Risk Factors Evaluation Form, which includes questions about SUPC risk factors. In the analysis of the research data, the analysis of the descriptive characteristics of the mothers and newborns was carried out using the SPSS 23 package program, mean, standard deviation, number percentage analysis. In the artificial intelligence stage, the data was coded and the artificial intelligence diagnostic system was created. Collaboration was made with a computer engineer in the artificial intelligence stage. Logistic Regression (LR), Random Forest (RF), Extreme Gradient Boosting (XGB) algorithms were used in our research. The Python programming language was used in the creation of the artificial intelligence model. Regression performance metrics, including R² score, Mean Absolute Error, Mean Square Error and Root Mean Square Error, were used to evaluate the prediction performance of the created artificial intelligence model. Findings: First, a model was created using LR to predict SUPC. However, this model; over-learned the data with 100.00% correctness and resulted in undesirable results. After it was realized that the first model could not work, a linear regression model was created to predict SUPC Risk Score. SUPC Risk Score was used as dependent (y) and variables used to directly calculate Risk Score were used as independent (x) variables. In order for the model to predict SUPC Risk Score, independent variables were digitized with one-hot encoding and used. The model, which was created by using 80% of the data as training and 20% as test data, predicted SUPC Risk Score with 71.00% correctness. In order to improve the model and increase the prediction performance, more advanced machine learning algorithms, RF and XGB, were used and feature engineering was applied to use Apgar score more effectively in the model. The model, which was improved and finalized by using the Apgar score and risk factors more effectively, decreased its prediction errors and increased its prediction correctness to 99.00%. It was determined that the SUPC Risk Score prediction accuracy of the prediction model created for the purpose of determining the SUPC risk was quite close to the truth. Conclusion: This thesis study resulted in a very close prediction of the risk of SUPC in newborns using a machine learning-based artificial intelligence model. The study demonstrated the effect of Apgar score on the risk of SUPC. It was concluded that artificial intelligence can be used to midwifery care better understand newborn health and support clinical decisions. Keywords; Sudden Unexpected Postnatal Collapse; Safe Midwifery Care; Risk Detection; Artificial Intelligence; Newborn
Benzer Tezler
- Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım
A new approach to classification applications with limited dataset
SAİM ERVURAL
Doktora
Türkçe
2021
Elektrik ve Elektronik MühendisliğiKonya Teknik ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MURAT CEYLAN
- Yapay zeka teknikleri ile yenidoğanların konfor davranış düzeylerinin değerlendirilmesi
Evaluation of comfort behavior levels of newborns with artificial intelligence techniques
DENİZ YİĞİT
Doktora
Türkçe
2022
HemşirelikEskişehir Osmangazi ÜniversitesiHemşirelik Ana Bilim Dalı
DOÇ. DR. AYFER AÇIKGÖZ
- Hamilelik gününün belirlenmesinde raman spektroskopisi temelli yapay zeka yöntemlerinin potansiyelinin araştırılması
Investigating the potential of raman spectroscopy-based artificial intelligence methods in determining gestational days
METİN TEKİN
Yüksek Lisans
Türkçe
2024
Bilim ve TeknolojiKaramanoğlu Mehmetbey ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ CEMALEDDİN ŞİMŞEK
DOÇ. DR. MUSTAFA ÜNAL
- Orbit determination with angular measurements by using artificial neural network
Yapay sinir ağları kullanarak açısal ölçümlerle yörünge belirleme
KÜRŞAT YENİDOĞAN
Yüksek Lisans
İngilizce
2024
Havacılık ve Uzay MühendisliğiTürk Hava Kurumu ÜniversitesiFen Bilimleri Ana Bilim Dalı
PROF. DR. TAHSİN ÇAĞRI ŞİŞMAN
- Yenidoğan yoğun bakım ünitesinde tedavi gören prematüre yenidoğanların akciğer grafilerinden makine öğrenmesi yöntemiyle bronkopulmoner displazinin öngörülmesi
Başlık çevirisi yok
GÖZDE ÖZÇELİK
Tıpta Uzmanlık
Türkçe
2024
Göğüs HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. SARA EROL