Geri Dön

Makine öğrenmesi teknikleri kullanılarak hasta verileri ve laringoskopi görüntüleri üzerinden zor entübasyon sınıflandırması

Difficult intubation classification using machine learning techniques from patient data and laryngoscopy images

PDF İndir

  1. Tez No: 993269
  2. Yazar: EZGİ KARA TİMUÇİN
  3. Danışmanlar: DOÇ. DR. SERDAR KIRIŞOĞLU, PROF. DR. RESUL KARA
  4. Tez Türü: Doktora
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Düzce Üniversitesi
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Zor entübasyon, acil ve cerrahi işlemler sırasında hava yolunu güçleştirerek, mortalite başta olmak üzere birçok ciddi komplikasyonlara yol açabilen kritik bir klinik problemdir. Bu nedenle, hasta güvenliğinin artırılması ve süreç yönetiminin iyileştirilmesi için entübasyon öncesinde zor hava yolunun erken ve doğru olarak öngörülebilmesi hayati önem taşımaktadır. Geleneksel yöntemler genellikle, değerlendirme skorları ve hekimin deneyimine dayanmaktadır. Bu durum, özellikle sınırda vakalar için öngörüye ve kararların standartlaştırılmasına engel olmaktadır. Bu tezde, hastaların klinik ve demografik verileri ile laringoskopi görüntülerinin bir araya getirildiği veri odaklı bir yaklaşım önerilmiş ve makine öğrenmesi algoritmaları ile bu verilerden zor entübasyonun doğru bir şekilde sınıflandırılması amaçlanmıştır. Tezde kullanılan veri seti, Destek Vektör Makineleri (SVM), Rastgele Orman (Random Forest), CatBoost, Lojistik Regresyon, K-En Yakın Komşu (K-Nearest Neighbours), XGBoost, Gaussian Naive Bayes ve Karar Ağaçları (Decision Tree) olmak üzere sekiz farklı makine öğrenmesi algoritması ile eğitilmiş ve kapsamlı olarak değerlendirilmiştir. Deneysel sonuçlar, 0,8939 doğruluk değeri ile SVM algoritmasının klinik sınıflandırmalardaki başarısını ortaya koymuştur. Ek olarak, F1-Skor, recall ve AUC değerlendirme metriklerinde de SVM algoritması en iyi performansı göstermiştir. Bu gösterge, modelin hem gereksiz yapılan“zor entübasyon”tahminlerinin azaltılması hem de gerçek“zor entübasyon”vakalarının yakalanmasında klinik açıdan yüksek başarı gösterdiğini ortaya koymaktadır. Çalışmanın bulguları, hasta verileri ile laringoskopi görüntülerinin birlikte değerlendirilmesinin, klasik skorlamalara dayanan geleneksel yaklaşımlara oranla,“zor entübasyon”vakalarının önceden tespit edilme başarısını önemli ölçüde artırdığını göstermektedir. Ayrıca, entübasyon öncesi kritik karar verme sürecinde, makine öğrenimi tabanlı karar destek sisteminin anestezi uzmanlarına önemli bir destek sağlaması beklenmektedir. Bu çerçevede bu tez, entegrasyonu mümkün bir yapay zeka destekli karar destek altyapısının geliştirilmesine zemin hazırlayarak, uzun vadede yoğun bakım ünitelerinde ve ameliyathanede kullanılabilecek bir sistem sunarak önemli bir katkı sağlamaktadır.

Özet (Çeviri)

Difficult intubation is a critical clinical problem that can complicate the airway during emergency and surgical procedures, leading to many serious complications, particularly mortality. Therefore, early and accurate prediction of a difficult airway before intubation is crucial for improving patient safety and process management. Traditional methods often rely on conventional assessment scores and physician experience. This hinders prediction and standardized decision-making, especially for borderline cases. This thesis proposes a data-driven approach combining patient clinical and demographic data with laryngoscopy images. This approach aims to accurately classify difficult intubation using machine learning algorithms. The dataset used in this thesis was trained and comprehensively evaluated with eight different machine learning algorithms: Support Vector Machines (SVM), Random Forest, CatBoost, Logistic Regression, K-Nearest Neighbors, XGBoost, Gaussian Naive Bayes, and Decision Trees. Experimental results demonstrated the success of the SVM algorithm in clinical classification with an accuracy value of 0.8939. Additionally, the SVM algorithm performed best in the F1-Score, recall, and AUC evaluation metrics. This indicator demonstrates the model's high clinical success in both reducing unnecessary“difficult intubation”predictions and detecting actual“difficult intubation”cases. The thesis findings demonstrate that the combined evaluation of patient data and laryngoscopy images significantly increases the success rate in early detection of“difficult intubation”cases compared to traditional approaches based on classical scoring. Furthermore, a machine learning-based decision support system is expected to provide significant support to anesthesiologists during the critical pre-intubation decision-making process. In this context, this thesis makes a significant contribution by paving the way for the development of an integratable AI-supported decision support infrastructure and presenting a system that can be used in intensive care units and operating rooms in the long term.

Benzer Tezler

  1. Tez No

    702224

    Geçirilmiş sezaryende abdominal ultrason ve kontraksiyon paterni özellikleri kullanılarak makine öğrenmesi ile uterin dehisensin öngörülmesi

    Prediction of uterine dehiscence with machine learning by using lower uterine segment thickness and contraction pattern features

    MERVENUR KEMENT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Kadın Hastalıkları ve DoğumSağlık Bilimleri Üniversitesi

    Kadın Hastalıkları ve Doğum Ana Bilim Dalı

    PROF. MELİKE DOĞANAY

  2. Tez No

    974328

    Kaba kümeleme teorisi kullanılarak diyabet veri setinin analiz edilmesi ve diyabet hastalığının teşhisi için gerçek zamanlı bir veri analitiği sistemi kurulması

    Analyzing diabetes data set using rough clustering theory and establishing a real-time data analytics system for diagnosis of diabetes disease

    MEHMET YÜKSEL

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolSakarya Üniversitesi

    Bilişim Sistemleri Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ HÜSEYİN DEMİRCİ

  3. Tez No

    960914

    Makine öğrenmesi ve bilgisayar görüsü ile düşme riski tahmini: Hemşirelikte klinik karar destek sisteminin geliştirilmesi

    Predicting fall risk using machine learning and computer vision: Development of a clinical decision support system in nursing

    AHMET CEVİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2025

    Hemşirelikİnönü Üniversitesi

    Hemşirelik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ GÜRKAN ÖZDEN

  4. Tez No

    863688

    Veri madenciliği ve makine öğrenmesi yaklaşımı ile tiroit kanserinin tanılanması

    Diagnosis of thyroid cancer using data mining and machine learning approach

    MEHMET EMİN ASAN

    Doktora

    Türkçe

    Türkçe

    2024

    Endüstri ve Endüstri MühendisliğiSakarya Üniversitesi

    Endüstri Mühendisliği Ana Bilim Dalı

    PROF. DR. HARUN TAŞKIN

  5. Tez No

    684143

    Açık kaynaklı klinik kanser verilerinin R-Shiny uygulaması ile yapay zeka tabanlı web arayüzü destek sisteminin geliştirilmesi

    Development of artificial intelligence based web interface support system with R-Shiny application from open source clinical cancer data

    HÜSEYİN KORAY MISIRLIOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2021

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolDokuz Eylül Üniversitesi

    Onkoloji Ana Bilim Dalı

    DOÇ. DR. GİZEM ÇALIBAŞI KOÇAL

Geri Dön