Geri Dön

Klinik laboratuvar bulgularının kronik hastalıklar üzerindeki etkilerinin açıklanabilir yapay zeka teknikleri ile değerlendirilmesi

Evaluation of the effects of clinical laboratory findings on chronic diseases with explainable artificial intelligence techniques

PDF İndir

  1. Tez No: 971101
  2. Yazar: TÜRKER BERK DÖNMEZ
  3. Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA ÇAĞRI KUTLU
  4. Tez Türü: Doktora
  5. Konular: Biyomühendislik, Bioengineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sakarya Uygulamalı Bilimler Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Biyomedikal Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Kronik hastalıklar, dünya genelinde artan görülme sıklığı ve sağlık sistemlerine olan yükü nedeniyle ciddi bir halk sağlığı sorunudur. Bu hastalıkların erken teşhisi, doğru risk değerlendirmesi ve kişiye özel yönetimi, hasta sonuçlarını iyileştirmek açısından büyük önem taşır. Geleneksel klinik yöntemler, biyolojik ve çevresel etkileşimlerin karmaşıklığını her zaman yeterince yansıtamazken, yapay zeka (YZ) ve makine öğrenimi yöntemleri büyük veri kümelerini analiz ederek hastalık riskini tahmin etme potansiyeli sunmaktadır. Ancak bu modellerin çoğu“kara kutu”yapısında olduğundan, klinik uygulamalarda güven ve açıklanabilirlik sorunları yaratmaktadır. Bu çalışmanın amacı, diyabet, hipertansiyon, kardiyovasküler hastalıklar, hiperlipidemi ve tiroid hastalıklarının tahmini için açıklanabilir ve güvenilir YZ modelleri geliştirmektir. Toplam 1780 bireyden elde edilen, biyokimyasal parametreler, hormonlar, lipid profilleri, hematolojik değerler ve hastalık durumlarını içeren 36 değişkenlik bir veri seti kullanılmıştır. Eksik veriler ortalama atama yöntemiyle tamamlanmış, sınıf dengesizliği olan durumlarda SMOTE uygulanmıştır. Her bir hastalık için XGBoost algoritmasıyla ayrı modeller geliştirilmiş; hiperparametre optimizasyonu Grid Search ile, model performansları ise K-katmanlı çapraz doğrulama ile değerlendirilmiştir. Model kararlarının anlaşılabilir olması amacıyla SHAP ve LIME gibi açıklanabilir yapay zeka (XAI) teknikleri kullanılmıştır. SHAP analizi, yaş, HbA1c, TSH, LDL gibi değişkenlerin hastalık tahmininde önemli rol oynadığını ve bu değişkenlerin değerine bağlı olarak risk üzerindeki etkisinin pozitif ya da negatif olabileceğini ortaya koymuştur. LIME ise her bir hasta özelinde model kararlarını açıklayarak yerel düzeyde içgörü sunmuştur. Modellerin doğruluk oranları; diyabet için %89,51, hipertansiyon için %88,39, kardiyovasküler hastalıklar için %88,58, hiperlipidemi için %96,07 ve tiroid hastalıkları için %91,76 olarak belirlenmiştir. SHAP analizleri, öne çıkan belirleyicilerin klinik literatürdeki bilinen risk faktörleriyle uyumlu olduğunu doğrulamış; yaş, HbA1c, lipid profili bileşenleri, TSH ve bazı elektrolitlerin (magnezyum, kalsiyum) öne çıktığı görülmüştür. Bu çalışma, klinik laboratuvar verilerinin yapay zeka ile analiz edilmesinin kronik hastalık riskini tahminde etkili bir yöntem olduğunu ve açıklanabilirlik sayesinde bu modellerin sağlık çalışanları tarafından güvenle kullanılabileceğini göstermektedir. Geliştirilen modellerin, erken teşhis, risk temelli tarama, kişiselleştirilmiş tedavi ve hasta eğitimi gibi alanlarda uygulanabilirliği bulunmaktadır.

Özet (Çeviri)

Chronic diseases pose a major public health challenge due to their increasing prevalence worldwide and significant burden on healthcare systems. Early diagnosis, accurate risk assessment and personalised management of these diseases are critical to improve patient outcomes. While traditional clinical methods often fail to fully capture complex biological and environmental interactions, artificial intelligence (AI) and machine learning (ML) techniques offer the potential to predict disease risk by analysing large amounts of data. However, the 'black box' nature of most AI models raises concerns about confidence and interpretability in clinical practice. The main objective of this study is to develop transparent and interpretable AI models for the prediction of common chronic diseases such as diabetes, hypertension, cardiovascular diseases, hyperlipidaemia and thyroid diseases using clinical laboratory findings. In the study, a data set of 36 variables including biochemical parameters, hormone levels, lipid profiles, haematological values and clinical disease states collected from a total of 1780 individuals was used. Missing values in the dataset were filled with the mean assignment method and the data distribution was balanced by applying Synthetic Minority Oversampling Technique (SMOTE) for diseases with class imbalances. The XGBoost algorithm was used to develop models for each disease separately, hyperparameter optimisation was performed with Grid Search and model performance was evaluated with K-Layer Cross Validation. SHAP (SHapley Additive exPlanations) and LIME (Local Interpretable Model-agnostic Explanations) analyses from Explainable Artificial Intelligence (XAI) techniques were applied to make the decision-making processes of the models transparent and to understand the contribution of each variable to the prediction. SHAP analysis identified the variables (feature importance) that are most effective in the prediction of each disease and revealed the positive and negative effects on risk depending on the values of these variables (e.g. age, HbA1c, TSH, LDL). The LIME analysis locally explained how the model predictions were generated at the individual patient level. The results showed that the developed XGBoost models were able to predict the relevant chronic diseases with high accuracy rates. Model accuracies were 89.51% for diabetes, 88.39% for hypertension, 88.58% for cardiovascular diseases, 96.07% for hyperlipidaemia and 91.76% for thyroid diseases. SHAP analyses confirmed that the prominent determinants for each disease were consistent with established risk factors in the clinical literature. In particular, biomarkers such as age, HbA1c, lipid profile components (LDL, Triglycerides), TSH and some electrolytes (magnesium, calcium) were shown to play a critical role in disease prediction. Explainability analyses revealed not only the overall importance of these variables but also their bidirectional or non-linear effects on risk depending on their value ranges, demonstrating that the model is able to capture complex biological relationships. LIME analyses supported the SHAP findings at the individual case level, providing valuable insights into how the model's local judgements are shaped. Cross-disease comparisons showed that different chronic diseases exhibited different levels of interaction by the models, with hypertension and hyperlipidaemia models showing stronger associations with other comorbidities. In conclusion, this study proved that analysing clinical laboratory findings with artificial intelligence models offers an effective approach to predict chronic disease risk. The integration of explainable AI techniques increases the transparency and clinical interpretability of the models, allowing them to be adopted with confidence by healthcare professionals. The developed models have potential applications in early detection, risk-based screening programmes, personalised treatment plans and patient education. These approaches may contribute to more effective and patient-centred health care delivery by reducing the burden of chronic diseases.

Benzer Tezler

  1. Tez No

    731247

    Çocukluk çağı yeni tanı immün trombositopeni hastalarının ve serum vitamin A düzeyi ile tedavi yanıtı ve prognoz ilişkisinin değerlendirilmesi

    Evaluation of patients with newly diagnosed childhood immune thrombocytopenia and assessment of serum vitamin A levels in relation to treatment response and prognosis

    BÜŞRA NUR DERE

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ALİ FETTAH

  2. Tez No

    447541

    Hemodiyaliz hastalarının tedaviye ve diyete uyumları ile yaşam kalitesi düzeylerinin değerlendirilmesi Türk Böbrek Vakfı Diyaliz Merkezi örneği

    Hemodialysis patient's treatment and the level of compliance to diet evaluation with the determination of the quality of life. Turkish Kidney Foundation Dialysis Center sample.

    ÖZLEM AKBULUT ÇAVUŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Sağlık Kurumları YönetimiNamık Kemal Üniversitesi

    Sağlık Yönetimi Ana Bilim Dalı

    YRD. DOÇ. DR. ERTUĞRUL ÜSTÜN GEYİK

  3. Tez No

    992368

    Serebral palsili hastaların demografik ve etiyolojik açıdan değerlendirilmesi ve vitamin D (vit D) düzeylerinin serebral palsi tiplerine göre analizi

    Demographic and etiological evaluation of patients with cerebral palsy and analysis of vitamin D (vit D) levels according to cerebral palsy types

    BÜŞRA ELİF ŞAHİN GÖLGE

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Çocuk Sağlığı ve HastalıklarıAnkara Yıldırım Beyazıt Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. NESRİN CEYLAN

  4. Tez No

    379265

    Nd:Yag lazerin periodontal tedaviye etkisinin klinik ve biyokimyasal olarak değerlendirilmesi

    Clinical and biochemical evaluation of the effects of nd:Yag laser on periodontal therapy. a randomized split mouth clinical trial

    SÜLEYMAN ZİYA ŞENYURT

    Doktora

    Türkçe

    Türkçe

    2014

    Diş HekimliğiGaziantep Üniversitesi

    Periodontoloji Ana Bilim Dalı

    DOÇ. DR. KAMİLE ERCİYAS

    PROF. DR. GÖNEN ÖZCAN

  5. Tez No

    939279

    İmmün trombositopenik purpura (İTP) tanısı ile takip edilen çocuk hastaların klinik ve laboratuvar bulgularının değerlendirilmesi

    Evaluation of clinical and laboratory findings in pediatric patients diagnosed with immune thrombocytopenic purpura (ITP)

    MUSTAFA SERDAR USTA

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. SUAR ÇAKI KILIÇ

Geri Dön