Geri Dön

Optimization potential of machine learning based algorithms in neonatal parenteral nutrition management

Makine öğrenimi tabanlı algoritmaların yenidoğan parenteral beslenme yönetiminde optimizasyon potansiyeli

PDF İndir

  1. Tez No: 992993
  2. Yazar: SÜMEYYE NALBAT
  3. Danışmanlar: PROF. DR. MUSTAFA DOĞAN
  4. Tez Türü: Yüksek Lisans
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: İngilizce
  9. Üniversite: İstanbul Teknik Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Elektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Biyomedikal Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Dünyaya gözlerini açan her bebeğin ilk refleksleri hayata tutunmak için gereken en onemli ihtiyaclari içindir. Tutunma, yanağına dokunulduğunda başını çevirmesi, yutma ve emme refleksleri hayata başlamak için bu masum bebeklerin ellerinde olan tek güçtür. Ancak her bebek bu gücü kullanabilecek fiziksel gelişmişlikte doğmaz. Gestasyonel yaşı küçük ve düşük doğum ağırlığında doğan bebeklerin beslenme refleksleri gelişmemiş ve aynı zamanda sindirim sistemleri de tam olgunlasmadığı için damar yolu ile beslenme bir adım geride başladıkları hayatlarına devam etmeleri için ellerinde olan tek seçenektir. Total Parenteral Beslenme (TPN); protein, karbonhidrat ve yağdan oluşan makro besinler ile elektrolit, vitamin ve eser elementler gibi mikro besinlerin her gün titizlikle hesaplandığı bir prosedürdür. Bu bileşenler steril ortamda hazırlandıktan sonra bebeğin gelişimini desteklemek amacıyla damar yoluyla uygulanır Yenidoğan Yoğun Bakım Ünitesi'nde yatan prematüre bebeklerin bakımı, optimal büyüme ve nörogelişimsel sonuçlar için kritik bir zorluk teşkil eder. Her yeni doğan için uygun TPN hacmini ve içeriğini (makro besinler: karbonhidratlar, proteinler ve lipitler) belirlemek karmaşık ve deneyim gerektiren bir uygulamadır. Ayrıca her TPN torbası yeni gün için yeniden hesaplanarak oluşturulmaktadır. Klinik uygulamada, sürekli değişen günlük ağırlıklar, kan testleri ve büyüme eğilimleri gibi dinamik veriler gözlemlenerek hastanın büyümesini ve metabolik dengesini desteklemek için kararlar verilmelidir. Bu manuel olarak hesaplanan ve hataya açık olan süreç, reçete farklılıklarına yol açabilir. Yapay zekanın sağlık alanındaki kullanımı hızla artmaktadır. Ancak, PubMed verilerine göre yetişkin sağlığında 23 binden fazla yapay zeka ile ilgili yapılmış çalışma bulunurken, yenidoğan alanında bu sayı 850 civarındadır. Özellikle TPN yönetimi üzerine yapılan makine öğrenimi çalışmaları oldukça kısıtlıdır. Bu çalışma, bu boşluğu doldurmayı ve klinik karar destek mekanizmalarına katkı sağlamayı amaçlamaktadır. Bu çalışmanın amacı, Yenidoğan Yoğun Bakım Ünitelerinde Parenteral Beslenme (PN) reçeteleme sürecini optimize etmede ve klinik uygulamada güvenilir bir tahmin modeli oluşturmada makine öğrenimi algoritmalarının potansiyelini araştırmaktır. Bu hedef doğrultusunda, Makine Öğrenimi modellerinin etkinliği araştırılmıştır. Çalışmanın temelini oluşturan veri seti, gerçek yenidoğan hasta kaydından elde edilmiştir ve zaman serisi niteliğinde, heterojen özellikler taşımaktadır. Veri seti, bebeklerin doğum ağırlığı, gestasyonel yaşı, cinsiyeti, postnatal yaşı, güncel kilosu ve günlük TPN içeriklerini kapsamaktadır. Veriler manuel olarak Etlik Şehir Kadın Doğum Hastanesi Yenidoğan Yoğun Bakım klinik gözlem notlarından ayıklanmıştır. Modellerin nihai hedefi, bir yenidoğan yoğum bakımda yatmış ve TPN almış bebeklerin kilo ve beslenme geçmişini baz alarak, PN hacmini ve kritik makro besin miktarlarını (Protein, Karbonhidrat ve Lipit) doğru bir şekilde tahmin etme potansiyelini araştırmaktır. Karmaşık ve doğrusal olmayan ilişkileri analiz etmek amacıyla üç farklı makine öğrenimi yaklaşımı seçilmiştir. Klinik veri setlerinin kısıtlı olması nedeniyle, veri miktarını artırmak ve çeşitlilik sağlamak amacıyla Varyasyonel Otomatik Kodlayıcı (VAE) yöntemiyle sentetik veri üretilmiştir. Destek Vektör Regresyonu, karmaşık verileri yüksek boyutlu bir özellik uzayına dönüştürerek hatayı belirli bir marj içinde tutan en uygun hiper düzlemi bulmayı hedefler; bu geometrik yaklaşım, bağımlı ve bağımsız değişkenler arasındaki hassas ilişkileri modelleme yeteneği nedeniyle tercih edilmiştir. Rastgele Orman (RF) algoritması,“Bagging”tekniğini kullanarak yüzlerce karar ağacı oluşturur ve sonuçların ortalamasını alarak tek bir ağacın veriyi aşırı öğrenme riskini ortadan kaldırır. Özellikle TPN verilerindeki değişkenlerin önemini belirlemede ve varyansı azaltmada oldukça başarılıdır. Son olarak XGBoost, gradyan artırma (boosting) mantığıyla çalışarak her yeni ağaçta bir önceki hatayı düzeltir ve hem birinci hem de ikinci dereceden türevleri kullanarak kayıp fonksiyonunu hızla minimize eder. Yerleşik düzenlileştirme (L1 ve L2) özellikleri ve yüksek hızı sayesinde XGBoost, klinik uygulamalarda ölçeklenebilir ve hızlı sonuçlar üretmek için güçlü bir aday olarak seçilmiştir. Bu üç yöntemin birlikte kullanımı, veri setindeki hem geometrik hem de ağaç tabanlı etkileşimlerin kapsamlı bir şekilde analiz edilmesine olanak tanımıştır. Tez çalışmasında VAE yönteminin kullanılmasının temel nedeni, sağlık alanındaki katı veri gizliliği politikaları ve gerçek klinik veri setlerinin makine öğrenimi algoritmaları için sayıca yetersiz olmasıdır. Sağlık verilerine erişim, kişisel verilerin korunması gereklilikleri nedeniyle kısıtlıdır ve anonimleştirilmiş verilerde bile yeniden kimlik tespiti riski bulunmaktadır. Bu engelleri aşmak amacıyla VAE, mevcut sınırlı veriyi kullanarak gerçeğe yakın sentetik veri üretimi için bir çözüm olarak tercih edilmiştir. VAE yöntemi, veriyi basit noktalar olarak değil, bir dağılım olarak kodlayarak veri çeşitliliği yaratır. Bu çalışmada, 4 gizli katman ve 128 nöronlu bir mimari kullanılarak bebeklerin karakteristik özellikleri ve TPN reçete değerleri latent space (gizli uzay) üzerinde sıkıştırılmıştır. Bu süreçle, gerçek veri setindeki istatistiksel yapıyı koruyan ancak yeni ve özgün örnekler içeren hibrit bir yapı oluşturulması amaçlanmıştır. Özetle VAE; veri kıtlığı problemini çözmek, modellerin öğrenme performansını artıracak bir veri havuzu oluşturmak ve gizlilik kısıtlamalarına takılmadan daha kapsamlı simülasyonlar yürütebilmek için kullanılmıştır. Bu çalışma, en hassas hasta grubumuz olan prematüre bebeklerin hayata tutunma mücadelesinde, teknolojinin ne denli kritik bir karar destek mekanizması olabileceğini somut verilerle ortaya koymuştur. Yenidoğan Yoğun Bakım Ünitelerinde her gün büyük bir titizlikle yürütülen TPN reçeteleme süreci, sadece bir hesaplama işi değil; bebeğin klinik tablosundaki en küçük değişimi bile fark etmeyi gerektiren multidisipliner bir sorumluluktur. Araştırmamız, makine öğrenimi algoritmalarının bu karmaşık süreçte insan hatasını minimize etme ve standardizasyonu sağlama noktasında çok ciddi bir potansiyel taşıdığını kanıtlamıştır. Elde ettiğimiz bulgular, RF ve XGBoost gibi ağaç tabanlı modellerin gerçek klinik veriler üzerinde sergilediği üstün performansı sayısal metriklerle doğrulamıştır. Modellerin verideki değişkenliği açıklama gücünü temsil eden R2 değerleri incelendiğinde; Random Forest algoritması toplam hacimde 0,8872 ve amino asit tahmininde 0,8222 gibi 1'e oldukça yakın skorlar elde ederek en yüksek başarıyı göstermiş, XGBoost ise toplam hacimde 0,8428 değerine ulaşmıştır. Klinik güvenliğin bir göstergesi olan MAPE (Ortalama Mutlak Yüzde Hata) oranları, RF için toplam hacimde %15,42 ve amino asitlerde %17,37 gibi düşük seviyelerde kalarak tahminlerin doğruluğunu pekiştirmiştir. Mutlak hata miktarını ml cinsinden ifade eden RMSE sonuçlarında ise; amino asit tahmini için RF modeli 13,90 ml, lipidler için ise 6,82 ml gibi düşük sapmalar sergilemiş; XGBoost ise benzer şekilde lipid tahmininde 7,56 ml hata payı ile güvenilirliğini kanıtlamıştır. Bu istatistiksel çıktılar, ağaç tabanlı algoritmaların yenidoğanların hassas TPN ihtiyaçlarını modellemede SVR gibi geometrik yaklaşımlardan çok daha başarılı olduğunu ve klinik karar destek süreçleri için yüksek bir potansiyel sunduğunu göstermektedir. İşlem hızı açısından değerlendirildiğinde, XGBoost algoritması 1,33 saniye ile gerçek veri setinde en hızlı çalışma süresine sahip olarak klinik karar destek süreçlerinde hızlı ve ölçeklenebilir bir çözüm sunduğunu ortaya koymuştur. Öte yandan, veri kıtlığını aşmak amacıyla başvurduğumuz VAE tabanlı sentetik veri üretiminin, modellerin tahmin başarısını beklentimizin aksine düşürmesi, sağlık verilerindeki insani ve klinik dokunun ne kadar özgün olduğunu bizlere bir kez daha hatırlatmıştır. Sentetik veriler istatistiksel olarak tutarlı olsa da, bir hekimin tecrübesiyle verdiği kararlardaki ince nüansları yakalamakta henüz yetersiz kalabilmektedir. Yapılan analizler sonucunda, RF ve XGBoost modellerinin gerçek veri setinde en yüksek tahmin başarısını yakaladığı; buna karşın VAE tabanlı sentetik verilerle zenginleştirilen hibrit setlerin, beklentinin aksine model performansında negatif sapmalara neden olduğu tespit edilmiştir.

Özet (Çeviri)

The first reflexes of every baby born into the world are for their most important needs to hold onto life. Grasping, turning their heads when their cheeks are touched, and the swallowing and sucking reflexes are the only strength these innocent babies have to start their lives. However, not every baby is born with the physical development to utilize this strength. Because babies born with a low gestational age and low birth weight have underdeveloped feeding reflexes and their digestive systems are not fully mature, intravenous feeding is their only option, even tho they start their lives one step behind. The care of premature infants admitted to the Neonatal Intensive Care Unit (NICU) presents a critical challenge for optimal growth and neurodevelopmental outcomes. Determining the appropriate Parenteral Nutrition (PN) volume and content (macronutrients: carbohydrates, proteins, and lipids) for each newborn is a complex and depends on experience. Additionally, each PN bag is recalculated and prepared for the new day. In clinical practice, decisions must be made to support the patient's growth and metabolic balance by observing dynamic data such as constantly changing daily weights, blood tests, and growth trends. This manually calculated and error-prone process can lead to discrepancies in prescriptions. Our aim is to investigate the potential of machine learning algorithms in optimizing the Parenteral Nutrition prescription process in Neonatal Intensive Care Units (NICUs) and in creating a reliable prediction model for clinical practice. In line with this goal, the effectiveness of Machine Learning (ML) models has been investigated. The dataset forming the basis of the study was obtained from real newborn patient records and is time-series in nature, with heterogeneous (different gestational age, birth weight, and length of hospital stay) characteristics. The ultimate goal of the models is to accurately predict the volume of TPN and the amounts of critical macronutrients (Protein, Carbohydrate, and Lipid) based on the weight and nutritional history of infants admitted to the neonatal intensive care unit and receiving total parenteral nutrition. The analysis revealed that the Random Forest and XGBoost models achieved the highest prediction accuracy on the real dataset; however, contrary to expectations, hybrid sets enriched with VAE-based synthetic data led to negative deviations in model performance.

Benzer Tezler

  1. Tez No

    679151

    Sınırlı veri setiyle sınıflama uygulamalarına yeni bir yaklaşım

    A new approach to classification applications with limited dataset

    SAİM ERVURAL

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiKonya Teknik Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. MURAT CEYLAN

  2. Tez No

    844774

    Sosyal medyadaki nefret söylemi içeren yayınların tespitinde yapay zeka temelli makine öğrenmesi algoritmalarının performans değerlendirmesi

    Performance evaluation of artificial intelligence based machine learning algorithms in detecting publications containing hate speech on social media

    KADİR TURGUT

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Mühendislik Bilimleriİstanbul Gedik Üniversitesi

    Yapay Zeka Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ AYTAÇ UĞUR YERDEN

  3. Tez No

    927510

    Türkiye'de ingiliz yarış atlarının kazanç durumlarına etkili faktörlerin sınıflamaya dayalı bazı makine öğrenmesi algoritmaları ile incelenmesi

    Investigation of the factors affecting the earning status of thoroughbreds in Türkiye with some machine learning algorithms based on classification

    VOLKAN TÜRKMEN

    Doktora

    Türkçe

    Türkçe

    2024

    Veteriner HekimliğiAnkara Üniversitesi

    Veterinerlik Biyoistatistik Ana Bilim Dalı

    DOÇ. DR. DOĞUKAN ÖZEN

  4. Tez No

    713289

    Optimization the training algorithms of machine learning using GAN networks

    Çekişmeli üretici ağlar için makine öğrenmesi eğitim algoritmalarında optimizasyon

    SEDAT AKEL

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇankaya Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ROYA CHOUPANI

  5. Tez No

    767296

    Applications of ensemble learning paradigm and advanced hyperparameter optimization techniques in landslide susceptibility mapping

    Heyelan duyarlılık haritalamasında topluluk öğrenme paradigması ve gelişmiş hiperparametre optimizasyonu algoritmalarının uygulamaları

    ALİHAN TEKE

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Jeodezi ve FotogrametriGebze Teknik Üniversitesi

    Harita Mühendisliği Ana Bilim Dalı

    PROF. DR. TAŞKIN KAVZOĞLU

Geri Dön