Gestasyonel Diyabet (GDM) tanısı almış hastalarda trimestere bağlı olarak serum biyobelirteçlerinin makine öğrenimi ile tahmin edici özelliklerinin araştırılması
Investigation of the predictive properties of serum biomarkers using machine learning in patients diagnosed with Gestational Diabetes (GDM) based on trimesters
- Tez No: 998546
- Danışmanlar: PROF. DR. HİKMET HAKAN AYDIN
- Tez Türü: Doktora
- Konular: Kadın Hastalıkları ve Doğum, Biyokimya, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Obstetrics and Gynecology, Biochemistry, 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
Gestasyonel diyabet mellitus (GDM), gebelik sırasında ortaya çıkan, anne ve fetüs üzerinde kısa ve uzun vadeli komplikasyonlara yol açabilen önemli bir sağlık sorunudur. Güncel tanı yöntemleri, ikinci trimester sonunda (24-28. haftalar) uygulanan oral glukoz tolerans testi (OGTT) ile sınırlıdır. Bu yöntem, invaziv, zaman alıcı ve hasta konforunu azaltıcı özelliklere sahiptir, aynı zamanda geç dönemde uygulanması açısından tanını geciktirebilir. Bu nedenle gebeliğin erken döneminde kullanılabilecek biyobelirteçler ve makine öğrenimi (ML) tabanlı yaklaşımlar giderek daha fazla önem kazanmaktadır. Bu tez çalışmasinda, 2010-2024 yılları arasında Ege Üniversitesi Kadın Hastalıkları ve Doğum Anabilim Dalı'nda izlenmiş 4.395 gebenin retrospektif verileri değerlendirilmiştir. Çalışma grubunu 3.195 GDM tanısı almış gebe, kontrol grubunu ise 1.200 sağlıklı gebe oluşturmuştur. Serum ve idrar biyobelirteçleri ile klinik ve demografik veriler toplamda 39 değişken analiz edilmiştir. Eksik veriler k-en yakın komşu (k-NN) imputasyon yöntemiyle tamamlanmış, veriler standartize edilerek Lojistik Regresyon (LR), Random Forest (RF) ve XGBoost algoritmalarıyla tahmin analizleri yapılmıştır. Model performansları bağımsız test seti üzerinde doğruluk, duyarlılık, özgüllük, ROC-AUC, PR-AUC ve Brier skoru gibi metriklerle değerlendirilmiştir. SHAP analizi ile değişkenlerin model tahminine olan etkisi incelenmiştir. Bulgulara göre, LR modeli en yüksek duyarlılık (%97.4) göstermesine rağmen özgüllük açısından sınırlı performans göstermiştir (%13.6, AUC – 0.76). RF modeli daha dengeli bir performans sergilemiş, doğruluk %80.1, duyarlılık %92.3, özgüllük %47.5 ve AUC 0.83 olarak hesaplanmıştır. XGBoost modeli ise en başarılı sonuçları sağlamıştır. (AUC – 0.87, doğruluk %81.1, kesinlik %82, duyarlılık %94.8, PR-AUC – 0.95, en düşük Brier skoru – 0.133). SHAP analizinde idrar ketonu, idrar glukozu, INR, ALT, AST ve sodyum düzeyleri öne çıkan belirteçler olmuştur. Sonuç olarak, geniş ve heterojen bir hasta kohortu üzerinde yürütülen bu çalışma, serum ve idrar biyobelirteçlerinin GDM'nin erken tanısında anlamlı katkı sağlayabileceğini ortaya koymuştur. ML algoritmaları, özellikle XGBoost, klinik pratikte OGTT'den önce risk gruplarını öngörmede potansiyel taşımaktadır. Bununla birlikte, retrospektif tasarım, veri eksiklikleri ve tek merkezli çalışma olması, bulguların genellenebilirliğini sınırlamaktadır. Prospektif, çok merkezli çalışmalarla modellerin doğrulanması kliniğe uygulanabilirliği açısından önem taşımaktadır.
Özet (Çeviri)
Gestational diabetes mellitus (GDM) is a significant health concern that arises during pregnancy and can lead to both short- and long-term complications for the mother and fetus. Current diagnostic methods are limited to the oral glucose tolerance test (OGTT), typically administered at 24-28 weeks of gestation. However, OGTT is invasive, time-consuming, and may delay diagnosis due to its late application. Therefore, early-pregnancy biomarkers and machine learning (ML)-based approaches are gaining increasing importance. In this dissertation, retrospective data from 4.395 pregnant women followed at Ege University, Department of Obstetrics and Gynecology between 2010 and 2024 were analyzed. The study group consisted of 3.195 women diagnosed with GDM, while the control group comprised 1.200 healthy pregnant women. A total of 39 variables, including serum and urinary biomarkers as well as clinical and demographic parameters, were evaluated. Missing values were imputed using the k-nearest neighbor (k-NN) method, and data were standardized prior to predictive modeling with Logistic Regression (LR), Random Forest (RF) and XGBoost algorithms. Model performance was assessed on an independent test set using accuracy, sensitivity, specificity, ROC-AUC, PR-AUC, and Brier score metrics. SHAP analysis was applied to interpret the contribution of individual variables to model predictions. The findings demonstrated that while the LR model achieved the highest sensitivity (97.4%), it performed poorly in terms of specificity (13.6%; AUC = 0.76). The RF model showed a more balanced profile, with an accuracy of 80.1%, sensitivity of 92.3%, specificity of 47.5%, and AUC of 0.83. XGBoost yielded the most robust results (AUC = 0.87, accuracy = 81.1%, precision = 82%, sensitivity = 94.8%, PR-AUC = 0.95, lowest Brier score – 0.133). SHAP analysis highlighted urinary ketones, urinary glucose, INR, ALT, AST, and sodium levels as the most influential predictors. In conclusion, this study, conducted on a large and heterogeneous cohort, demonstrates that serum and urinary biomarkers can provide valuable contributions to the early diagnosis of GDM. ML algorithms, particularly XGBoost, hold potential for identifying high-risk groups prior to OGTT in clinical practice. Nevertheless, the retrospective design, missing data, and single-center setting limit the generalizability of the findings. Prospective, multicenter validation studies are essential to confirm clinical applicability.
Benzer Tezler
- Gestasyonel diabeti olan gebelerde 24-26 gebelik haftası ile 36-38 gebelik haftalarındaki karotis intima media kalınlıklarının karşılaştırılması
Comparison of carotis intima media thicknesses at gestational weeks 24-26 and 36-38 in pregnant women with gestational diabetes.
MEHMET KAĞITCI
Tıpta Uzmanlık
Türkçe
2014
Kadın Hastalıkları ve DoğumRecep Tayyip Erdoğan ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
PROF. DR. GÜLŞAH BALIK
- 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
- Gestasyonel diyabet hastalarında prepartum ve postpartum dönemde ön ve arka segment göz bulgularının OKT ve OKTA ile değerlendirilmesi
Evaluation of anterior and posterior segment eye findings using OCT and OCTA in gestational diabetes patients in the prepartum and postpartum periods
MUKADDES DAMLA ÇİFTÇİ CÖMERTOĞLU
Tıpta Uzmanlık
Türkçe
2023
Göz HastalıklarıEge ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
PROF. DR. FİLİZ AFRASHİ
- Gestasyonel diyabetes mellitus tanılı hastalarda serum bakır, magnezyum ve demir düzeylerinin değerlendirilmesi
Evaluation of serum copper, magnesium and iron levels inpatients with gestational diabetes mellitus
AYÇA DURMUŞ
Tıpta Uzmanlık
Türkçe
2021
Kadın Hastalıkları ve DoğumSağlık Bilimleri ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
DOÇ. DR. ALİ GALİP ZEBİTAY