Preeklampsi tanısı almış hastalarda trimestere bağlı olarak serum biyobelirteçlerinin makine öğrenimi ile tahmin edici özelliklerinin araştırılması
Investigation of the predictive value of serum biomarkers across trimesters in preeclamptic pregnancies using machine learning
- Tez No: 987045
- Danışmanlar: PROF. DR. HİKMET HAKAN AYDIN
- Tez Türü: Doktora
- Konular: Biyokimya, Kadın Hastalıkları ve Doğum, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Biochemistry, Obstetrics and Gynecology, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Ege Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Tıbbi Biyokimya Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırmanın temel amacı, gebeliğin erken döneminde preeklampsi gelişme riskini öngörmek için rutin serum biyobelirteçleri, demografik veriler ve ultrason bulgularını kullanarak makine öğrenimi modelleri geliştirmektir. Preeklampsi, anne ve bebek sağlığı üzerinde ciddi morbidite ve mortaliteye yol açan, multifaktöriyel yapıya sahip bir gebelik komplikasyonudur. Hastalığın erken dönemde öngörülmesi, yüksek riskli olguların belirlenmesini ve uygun önleyici yaklaşımların zamanında uygulanmasını mümkün kılacağından, bu alandaki çalışmalar büyük önem taşımaktadır. Çalışma, 2010-2024 yılları arasında Ege Üniversitesi Tıp Fakültesi'nde takip edilen toplam 2.546 gebe kadını kapsamaktadır. Bunların 1346'sı preeklampsi tanısı almış, 1200'ü ise sağlıklı kontrol grubunu oluşturmuştur. Retrospektif olarak elde edilen geniş veri setinde demografik bilgiler, ultrason bulguları ve biyokimyasal parametreler yer almıştır. Eksik veriler, en yakın komşu (KNN) yöntemi ile uygun şekilde tamamlanmış, ardından tüm değişkenler StandardScaler ile normalize edilerek hazır hale getirilmiştir. Çalışmada lojistik regresyon, rastgele orman ve XGBoost algoritmaları uygulanmış ve bu modellerin performansları doğruluk, duyarlılık, özgüllük, F-1 skoru, ROC eğrisi altında kalan alan (ROC-AUC) ve Brier skoru gibi metriklerle karşılaştırılmıştır. Ayrıca SHAP (Shapley Additive Explanations) yöntemi kullanılarak değişkenlerin modele katkısı ayrıntılı şekilde incelenmiştir. Elde edilen bulgular, modellerin güçlü bir öngörü kapasitesine sahip olduğunu göstermiştir. XGBoost algoritması en yüksek performansı sergileyerek ROC-AUC değerinde 0.934'e [%95 GA: 0.917–0.950] ulaşmıştır. Rastgele orman modeli 0.916 [%95 GA: 0.895–0.934] ROC-AUC ile ikinci sırada yer alırken, lojistik regresyon modeli 0.891 [%95 GA: 0.869–0.914] değerinde kalmıştır. Modellerin doğruluk oranları 0.823–0.851 aralığında değişmiş olup, Brier skorlarının 0.106–0.128 arasında seyretmesi iyi düzeyde kalibrasyon eğilimine işaret etmiştir. PR-AUC değerlerinin (~0.94–0.95) yüksek olması ortalama kesinliğin güçlü olduğunu göstermiştir. Açıklanabilirlik analizleri, özellikle sistolik ve diyastolik kan basıncının, fetal büyüme geriliğinin, serum total protein ve albümin düzeylerinin öne çıktığını göstermiştir. Ayrıca INR ve karaciğer enzimleri (ALT, AST, GGT) de öngörüyü güçlendiren önemli değişkenler arasında yer almıştır. Trombosit sayısı ve elektrolitler (sodyum, potasyum) ise nispeten daha düşük fakat tutarlı katkılar sağlamıştır. Sonuçlar, makine öğrenimi yöntemlerinin yalnızca yüksek ayırt edici güce sahip olmadığını, aynı zamanda klinik olarak anlamlı ve biyolojik açıdan tutarlı bulgular sunduğunu ortaya koymuştur. Modellerin yüksek doğruluk ve kalibrasyon özellikleri, gebeliğin erken trimesterinde preeklampsi riskini belirlemede umut verici bir yaklaşım olduğunu göstermektedir. Klinik entegrasyon süreci tamamlandığında, bu tür yapay zeka tabanlı yaklaşımlar sayesinde yüksek riskli gebelerin erken dönemde tespit edilmesi ve anne ve bebek sağlığına yönelik ciddi komplikasyonların önlenmesi mümkün olabilecektir.
Özet (Çeviri)
The primary aim of this study was to develop machine learning models that predict the risk of preeclampsia during early pregnancy by utilizing routine serum biomarkers, demographic variables, and ultrasound findings. Preeclampsia is a multifactorial pregnancy complication associated with substantial maternal and neonatal morbidity and mortality. Early identification of the condition enables the timely recognition of high-risk cases and the application of appropriate preventive strategies, underscoring the importance of research in this field. The study included 2,546 pregnant women followed at Ege University Faculty of Medicine between 2010 and 2024. Of these, 1,346 had a diagnosis of preeclampsia, while 1,200 served as healthy controls. The retrospective dataset comprised demographic characteristics, ultrasound results, and biochemical parameters. Missing data were handled using the k-nearest neighbors (KNN) method, and all variables were standardized with the StandardScaler technique. Logistic regression, random forest, and XGBoost algorithms were applied, and model performance was evaluated using accuracy, sensitivity, specificity, F1-score, area under the receiver operating characteristic curve (ROC-AUC), and Brier score. Variable contributions were further explored through Shapley Additive Explanations (SHAP) analysis. The findings demonstrated strong predictive capacity across the models. XGBoost yielded the highest performance, achieving a ROC-AUC of 0.934 [95% CI: 0.917–0.950], followed by random forest with 0.916 [95% CI: 0.895–0.934], and logistic regression with 0.891 [95% CI: 0.869–0.914]. Accuracies ranged from 0.823 to 0.851 and Brier scores of 0.106–0.128 indicated good calibration. PR-AUC values (~0.94–0.95) further reflected strong average precision. Interpretability analyses highlighted systolic and diastolic blood pressure, fetal growth restriction and serum total protein and albumin as key predictors. Additional contributions were noted from the international normalized ratio (INR) and liver enzymes (ALT, AST, GGT). Platelet count and electrolytes (sodium, potassium) provided relatively modest but consistent predictive value. Overall, the results indicate that machine learning approaches not only deliver high discriminative power but also produce clinically meaningful and biologically consistent insights. The strong accuracy and calibration of these models suggest that they may serve as promising tools for identifying preeclampsia risk in early pregnancy. Once validated for clinical integration, such AI-based approaches could facilitate the early detection of high-risk pregnancies and help prevent serious maternal and fetal complications.
Benzer Tezler
- Preeklampsi tanılı hastalarda sezaryen doğum öncesi ve sonrası MGSO4' ün kanamaya olan etkisi
The effect of MGSO4 on bleeding before and after cesarean delivery in patients with preeclampsia
ŞEYMA ÇOLAK YÜKSEK
Tıpta Uzmanlık
Türkçe
2023
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DR. AYŞEGÜL BESTEL
- Preeklamptik gebelerdeki insülin direnci ve maternal-fetal sonuçlara etkisi
Insulin resistance in preeclampsia and its effect on maternal-fetal outcomes
GÜLİN OKAY
Tıpta Uzmanlık
Türkçe
2014
Kadın Hastalıkları ve DoğumSağlık BakanlığıKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. CÜNEYT EFTAL TANER
- Hiperprolaktinemi hastalarında kadın ve erkek fertilitesi ve kadınlarda gebelik, gebelik sonlanımı ve postpartum sürecin izlemi
Female and male fertility in patients with hyperprolactinemia, and monitoring of pregnancy, pregnancy outcomes, and postpartum process in women
HEDİYE YILMAZ
Tıpta Uzmanlık
Türkçe
2025
Endokrinoloji ve Metabolizma HastalıklarıAnkara Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. ÖZGÜR DEMİR
- Pregestasyonel diabetes mellitus ve gestasyonel diabetes mellitus tanılı hastalarda glikolize hemoglobin A1C (HbA1c) düzeyi ve çeşitli parametreler ile gebelik komplikasyonları arasındaki ilişki
Relationship the between glycated hemoglobin A1C (HbA1c) levels and various parameters and pregnancy complications in patients with pregestational and gestational diabetes mellitus
İSA KAPLAN
Tıpta Uzmanlık
Türkçe
2019
Kadın Hastalıkları ve DoğumAydın Adnan Menderes ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. SELDA DEMİRCAN SEZER
- Kan şekeri regüle olmayan diyabetik gebelerde kan şeker regülasyonu sonrası fetal miyokard performans indeksinin değerlendirilmesi
Evaluation of the fetal myocard performance index after blood sugar regulation in diabetic pregnants with unregulated blood sugar
ZEYNEP ÇELİK
Tıpta Uzmanlık
Türkçe
2021
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. PINAR KUMRU