Akademik Veri Yönetim Sistemi
8. Nöromusküler Hastalıklar Kongresi, İzmir, Türkiye, 17 - 20 Eylül 2025, ss.22-23, (Özet Bildiri)
Giriş: Sinir ileti çalışmaları (SİÇ); çocuklar ve ergenlerde kas zayıflığı, duyusal bozukluklar
ve nöromüsküler hastalıkların tanısında sıkça kullanılmaktadır. Çocuklardaki SİÇ ;in
yorumlanmasında kullanılan küçük örneklem büyüklükleri ve güvenilirlik sınırlamaları
nedeniyle, pediatrik SİÇ’ de daha güvenilir normatif verilerin belirlenmesine ihtiyaç
duyulmaktadır. Bu çalışmada yapay zekâ yardımıyla tüm yaş grupları için normal ve nöropati
tanımı yapabilecek yeni bir tanı aracı oluşturmak amaçlanmıştır.
Materyal ve Metot: Bu retrospektif çalışmada, 2019-2025 yılları arasında SİÇ yapılan
hastaların verileri analiz edilmiştir. Motor değerlendirmede median, ulnar, peroneal ve tibial
sinir kullanılırken duysal değerlendirmede median ve sural sinir kullanılmıştır. Değerler yaş
ve cinsiyet değişkenleri kullanılarak Random Forest, Lojistik Regresyon ve XGBoost makine
öğrenim modelleri ile eğitilmiş; yanıtsız ve eksik veriler ön veri temizleme işlemi ile dışarıda
bırakılmıştır. Model genellenebilirliği, eğitim ve test setlerindeki F1 skorlarının farkı (Delta-
F1) incelenerek değerlendirilmiştir.
Bulgular: Çalışmaya dahil edilen 1007 hastanın medyan yaşı dokuzdu (2 ay-17 yaş) ve 512’si
(%50,8) erkekti. Tüm sinirler ayrı olarak değerlendirildi (Tablo-1). Model karşılaştırmaları
sonucunda, dört sinirin tamamında yüksek doğruluk ve F1 skoru elde edildi (Şekil 1).
Peroneal sinirde, Random Forest modeli %99.4 doğruluk ve %99.7 F1 skoru ile öne çıkarken,
ROC-AUC değeri 1.00 olarak hesaplanmıştır. Tibial sinirde ise en iyi sonuç XGBoost
modeliyle elde edilmiş olup %100 doğruluk ve 1.00 ROC-AUC değeriyle mükemmel
sınıflandırma başarısı göstermiştir. Median sinirde, Random Forest modeli %98.3 F1 skoru ve
%99.8 AUC değeri ile en etkili model olmuştur. Ulnar sinirde ise tüm modeller benzer
doğruluk seviyelerinde performans göstermiştir; ancak XGBoost %96.4 F1 skoru ve %99
AUC değeriyle bir adım öne çıkmıştır. Random Forest ve XGBoost modelleri tüm sinirler
için oldukça stabil sonuçlar üretmiş; Delta-F1 farkı genellikle 0.01’in altında kalarak
genellenebilir olduğunu göstermiştir (Şekil 2).
Sonuç:
Bu çalışma, hasta verilerinin makine öğrenmesi yaklaşımları ile, 2 ay-17 yaş arasındaki çocuk
hasta grubunda nöropati tanısında yüksek doğrulukta ve yorumlanabilir sınıflandırma
modelleri oluşturabileceğini göstermiştir. Random Forest ve XGBoost gibi ağaç tabanlı
yöntemler, hem performans hem de genellenebilirlik açısından geleneksel Lojistik Regresyon
modeline göre daha avantajlı olmuştur. Bu yaklaşım, gelecekte uzman yorumunu destekleyen
yapay zekâ destekli klinik karar destek sistemlerinin gelişiminde önemli bir adım olarak
değerlendirilebilir.