Hematolojik parametreler kullanılarak ana homojen patern pozitifliğinin yapay zekâ ile öngörülmesi
Prediction of primary homogeneous pattern positivity using hematological parameters with artificial intelligence
- Tez No: 969864
- Danışmanlar: PROF. DR. TUĞBA TAŞKIN TOK, DOÇ. DR. DENİZ GAZEL
- Tez Türü: Yüksek Lisans
- Konular: Enfeksiyon Hastalıkları ve Klinik Mikrobiyoloji, Infectious Diseases and Clinical Microbiology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Gaziantep Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoenformatik ve Bilişimsel Biyoloji Ana Bilim Dalı
- Bilim Dalı: Biyoenformatik ve Bilişimsel Biyoloji Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
İndirekt immünfloresan (IIF) anti-nükleer antikor testi ve hematolojik parametreler, çeşitli romatizmal hastalıkların tanısında yaygın olarak kullanılmaktadır. Özellikle AC-1 homojen paterni SLE ile yakın ilişkilidir. Biz de çalışmamızda rutin olarak istenen hematolojik belirteçler kullanarak, AC-1 pozitifliğinin yapay zekâ ve istatistiksel yöntemler ile öngörülebilme potansiyelini araştırdık. Gaziantep Üniversitesi Hastanesi Tıbbi Mikrobiyoloji Laboratuvarı IIF birimi tarafından çalışılan hasta örneklerinden elde edilen otoantikor test sonuçları (AC-1 paternleri) ve WBC, RBC, PLT, BA#, BA%, EO#, EO%, HCT, HGB, LY#, LY%, MCH, MCHC, MCV, MO#, MO%, MPV, NE#, NE%, NRBC#, PCT, PDW, RDW, RDWSD, PLR, NLR, MPR hematolojik test sonuçları dijital arşivimizden retrospektif olarak taranmıştır. Hasta ve kontrol grubundaki kişilerin otoantikor test çalışmaları sırasında veya buna yakın tarihlerde (<3ay) çalışılmış olan hematolojik parametre sonuçları ile veri seti oluşturulmuştur. Mann Whitney U testi ve Student T testi ile AC-1 pozitifliği ve hematolojik parametreler arasındaki ilişki araştırılmıştır. Destek Vektör Makineleri, Rastgele Orman ve Lojistik Regresyon makine öğrenimi program algoritmaları kullanılarak hematolojik parametrelerin AC-1 pozitifliğini tahmin edebilme düzeyi araştırılmıştır. Çalışmamıza, 2019-2024 yılları arasında çalışılan 620 AC-1 pozitif hasta ve 12.656 AC-1 negatif kontrol dâhil edilmiştir. İstatistik inceleme sonucunda MPV, RDW, PLR ve MPR düzeyleri AC-1 pozitif hastalarda, AC-1 negatiflere kıyasla anlamlı derecede farklı bulunmuştur, NLR düzeylerinde ise farklılık saptanmamıştır. Fakat ROC analizine göre sadece MPV ve RDW, AC-1 pozitifliğini öngörmede yüksek derecede anlamlı bulunmuştur. Yapay zeka sonuçları analiz edildiğinde en başarılı algoritma SVM Major PCA' dır. Yapay zekânın AC-1 paternini öngörebilme yeteneği ise, kesitsel olarak: recall değeri %90 ve F1 skoru: 0,84 olarak tespit edilmiştir.
Özet (Çeviri)
Indirect immunofluorescence (IIF) antinuclear antibody testing and hematological parameters are widely used in the diagnosis of various rheumatic diseases. The AC-1 homogeneous pattern, in particular, is closely associated with SLE. In our study, we investigated the potential of predicting AC-1 positivity using artificial intelligence and statistical methods using routinely requested hematological markers. Autoantibody test results (AC-1 patterns) and WBC, RBC, PLT, BA#, BA%, EO#, EO%, HCT, HGB, LY#, LY%, MCH, MCHC, MCV, MO#, MO%, MPV, NE#, NE%, NRBC#, PCT, PDW, RDW, RDWSD, PLR, NLR, and MPR obtained from patient samples studied by the IIF unit of the Gaziantep University Hospital Medical Microbiology Laboratory were retrospectively reviewed from our digital archive. A dataset was created using hematological parameter results from patients and controls studied during or around the time of their autoantibody testing (<3 months). The relationship between AC-1 positivity and hematological parameters was investigated using the Mann-Whitney U test and Student's t-test. The ability of hematological parameters to predict AC-1 positivity was investigated using Support Vector Machines, Random Forest, and Logistic Regression machine learning algorithms. Our study included 620 AC-1 positive patients and 12,656 AC-1 negative controls studied between 2019 and 2024. Statistical analysis revealed that MPV, RDW, PLR, and MPR levels were significantly different in AC-1 positive patients compared to AC-1 negative patients, while no difference was found in NLR levels. However, according to ROC analysis, only MPV and RDW were found to be highly significant in predicting AC-1 positivity. When the artificial intelligence results were analyzed, the most successful algorithm was SVM Major PCA. The ability of artificial intelligence to predict the AC-1 pattern was determined as cross-sectional: recall value 90% and F1 score: 0.84
Benzer Tezler
- Geçiş dönemindeki süt ineklerinde damar içi novacoc uygulamasının metabolik profil üzerine etkileri
The effects of intravenous novacoc on the metabolic profile of dairy cows during transition period
AHMET CİHAT TUNÇ
- Kronik ürtiker hastalarında nötrofil lenfosit oranının rolü
Role of neutrophil lymphocyte ratio in chronic urticaria patient
NUR CİHAN COŞANSU
- Hematolojik malignite ve kök hücre nakil alıcılarında invaziv fungal enfeksiyon spektrumu ve antifungal kullanım pratikleri
Epidemiology of invasive fungal infections and antifungal treatment practices in hematological malignancy patients
YEŞİM YILDIZ
- İskemik serebrovasküler hastalıklarda hematolojik parametrelerin, akut faz reaktanlarının ve biyokimyasal parametrelerin prognostik değerleri
Prognostic values of haematological, acute phase reactant and biochemical parameters in ischemic cerecrovascular diseases
ZAFER BERKAY TÜRKSEVEN
- Sabit ortodontik tedavilerden kaynaklanan beslenme değişikliklerinin biyokimyasal kan parametrelerine etkisi
The effect of nutritional changes caused by fixed orthodontic treatments on biochemical blood parameters
SÜMEYYE YAŞA
