Akademik Veri Yönetim Sistemi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Sağlık Bilimleri Enstitüsü, Medikal İnformatik Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: CELAL ŞENER
Danışman: Pembe Keskinoğlu
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Demans hafızayı, düşünmeyi, davranışı ve yaşam kalitesini etkileyen karmaşık bir sağlık durumudur. Demanstan önce genellikle, günlük yaşam aktivitelerinin korunmuş olmasına rağmen zayıf bilişsel test puanları ile bilişsel endişeler olarak tanımlanan hafif bilişsel bozukluk (MCI) gelir. Veriyi bilgiye dönüştürme araçlarından makine öğrenme algoritmaları, klasik istatiksel yöntemlere alternatif olmaya başlamıştır. Demans risk puanlarının yakın zamanda yayınlanan sistematik bir incelemesi, yayınlanan modellerin yaklaşık %40 ının bir makine öğrenimi algoritması benimsediğini göstermiştir. Demans için klinik risk tahmini geliştirmeye yönelik en uygun metodolojinin seçimine rehberlik etmesi için makine öğrenimi ile geleneksel istatistiksel yöntemlerin tarafsız karşılaştırmalarına ihtiyaç vardır. Bu çalışmada Demans ve hafif kognitif bozukluk ayırıcı tanısında karar ağacı, lojistik regresyon ve k-en yakın komşu makine öğrenme yöntemleri uygulandı. Veri tabanındaki, kimliksizleştirilmiş 65 yaş üstü 39 HKB ve 38 AH hastasının demografik bilgileri, hastalık özgeçmişleri, nöropsikiyatrik değerlendirmeler; Yesavage geriatrik depresyon skalası (YGDS), Barthel indeksi (BI), mini-mental durum testi (MMSE) ve DEKODa apraksi testinin sonuçları Orange programlarında analiz edildi. Analiz sonuçları Demansı olan 65 yaş ve üzeri yaşlıların %79,4'ü HKB'li yaşlıların %54,5'u kadındır, kadın cinsiyette demans oranı istatistik anlamlı olarak daha yüksektir (p=0.004). Demanslı yaşlıların %66.7'si, HKB'li yaşlıların %25.5'inin medeni durumu duldur ve bu fark istatistikolarak anlamlıdır. (p=0.031). Eğitim durumları değerlendirildiğinde demanslı Yaşlıların %82,5'unun hiç eğitimi yok iken, HKB'li hastaların(%58.2'sinin eğitimi yoktur ve bu saptanan fark istatistik olarak anlamlıdır (p=0.004) Makine öğrenme algoritmalarının AUC değerleri bu değişkenlerle, 0.938-0.846 arasında değiştiği gözlemlenmiştir. Bu değerler daha önceki daha fazla sayıda değişkenin yer aldığı modellerin AUC değerlerinden daha yüksektir. Hastalık ile ilgili bilgiler çıkarıldığında modellerde tahmin için bilgi kaybı olmadığı görülmektedir.