Akademik Veri Yönetim Sistemi
17.Türk Rinoloji Kongresi, İzmir, Türkiye, 17 - 20 Mayıs 2023, ss.34-35, (Tam Metin Bildiri)
Özge Akgül1, Melike Tetik Oktay2, Cansu Aykaç2, Shoula Huseynzada3, Esra Nur Taşkın4, Pembe Keskinoğlu5, Mustafa Cenk Ecevit3 1 İzmir Demokrasi Üniversitesi, Fen-Edebiyat Fakültesi, Deneysel Psikoloji Anabilim Dalı, İzmir 2Dokuz Eylül Üniversitesi, Sağlık Bilimleri Enstitüsü, Sinir Bilimler Anabilim Dalı, İzmir 3Dokuz Eylül Üniversitesi Tıp Fakültesi, Kulak Burun Boğaz Hastalıkları Anabilim Dalı, İzmir 4Dokuz Eylül Üniversitesi Tıp Fakültesi, Odyoloji Anabilim Dalı, İzmir 5Dokuz Eylül Üniversitesi Tıp Fakültesi, Biyoistatistik ve Tıbbi Bilişim Anabilim Dalı Amaç: Koku alma ve işitsel uyaranlar arasındaki ilişki duyusal entegrasyon dahilinde ele alınabilmektedir ve koku ayırt etmenin daha karmaşık süreçlerle ilgili olabileceği çalışmalarca vurgulanmıştır. Ayrıca, içe dönüklerin dışa dönüklerle karşılaştırıldığında gürültüye karşı daha yüksek duyarlılığa sahip oldukları ve arka plandaki bir sesi dinlerken çeşitli görevlerde daha az başarılı performans gösterdikleri bildirilmiştir. Kişilik özellikleri açısından incelendiğinde arka plan sesinin koku ayırt etme performansını bozduğu hipotezini kanıtlamak için çok değişkenli modeller, makine öğrenme algoritmaları aracılığı ile çözümlenmiştir. Gereç-Yöntem: Çalışma, Dokuz Eylül Üniversitesi Tıp Fakültesi Kulak Burun Boğaz Hastalıkları Anabilim Dalında gerçekleştirilmiştir. DSM-V bozuklukları için yapılandırılmış klinik görüşme ile değerlendirilen, odyometrisinde işitme eşikleri normal saptanan ve muayene sonucunda normosmik olan 20 katılımcı çalışmaya dahil edilmiştir. Tüm katılımcılara randomize şekilde sesli ortam (sesli kitap/podcast) ve sessiz ortamda Sniffin Sticks koku ayırt etme testi ve Beş Faktör Kişilik Envanteri uygulanmıştır. Çalışmamızda n sayısı düşük (20), değişken sayısı yüksektir. Veri yapısı, k>n olduğu durumda (değişken sayısı>gözlem sayısı) çok değişkenli model sonuçları için, makine öğrenmesi yöntemleri, klasik çok değişkenli analiz yöntemlerinden daha iyi model performansı ve tahminciler geliştirmektedir. Çalışmamızda makine öğrenme algoritmalarından karar ağacı, rasgele orman, yapay sinir ağı ve lojistik regresyon ile ayırt edicilik belirlenmiştir. Bulgular: Katılımcıların 7’si erkek, 13’ü kadın olup yaş ortalamaları 34.05 ± 12.01, toplam eğitim yılları ise 15.20 ± 4.07 olarak saptanmıştır. Sessiz ortamda AUC’e göre ayırt edicilik en iyi rasgele orman, en düşük karar ağacı ile elde edilmiştir. Sessiz ortam eğri altında kalan alanlar, sınıflandırılan n sayılarına göre istatistiksel anlamlılık göstermiştir (dört model için de p<0.05). Sessiz ortamda duyarlılık %71.3 ile 76.3 arasında bulunmuştur. Sesli ortamda AUC’e göre ayırt edicilik değerlendirildiğinde; karar ağacı ve rasgele orman ile ayırt edicilik tahminlenebilirken yapay sinir ağı ve lojistik regresyon ile başarılı olarak ayırt edicilik tahminlenememiştir. Sesli ortamda karar ağacı ile ayırt etmek için sınıflama başarısı oldukça iyi saptanmıştır, duyarlılık gruplardaki düşük n sayılarına rağmen %96.3’tür. Sonuç: Çalışmamızda arka plan sesinin koku ayırt etme performansı üzerindeki kişilik özelliklerinin etkisi farklı veri özeliklerinin bulunduğu 8 model makine öğrenme algoritması ile değerlendirilmiştir. Arka plan sesi olduğunda koku ayırt etme performansı 2 algoritmada düşük (istatistik olarak anlamlı değil) saptanmıştır. Bu bulgu arka plan sesinin ayırt ediciliği bozduğu yönünde değerlendirilebilir, buna rağmen diğer makine öğrenme algoritmaları ile koku ayırt ediciliğin tahminlenebildiği de saptanmıştır. Bu çalışma veri yapısında makine öğrenme yöntemleri sonuç tahmini için önemli katkı sağlamaktadır. Anahtar Kelimeler: koku ayırt etme, makine öğrenme