Makine öğrenmesi modelleri kullanılarak oral glukoz tolerans testi (OGTT) uygulanmadan glukoz intoleransının tahminlenmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Dokuz Eylül Üniversitesi, Sosyal Bilimler Enstitüsü, Ekonometri Ana Bilim Dalı, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: BANU İŞBİLEN BAŞOK
Danışman: İPEK DEVECİ KOCAKOÇ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Araştırma sorusu: Gebelik şekeri olarak da bilinen gestasyonel diyabet mellitus (GDM), ilk kez gebelik sırasında saptanan veya başlayan, anne ve bebek sağlığını olumsuz etkileyen yüksek kan şekeri ile karakterize bir hastalıktır. GDM tanısı hamileliğin 6-7. aylarında şeker içeren solüsyonların gebeye içirilmesi (Oral Glukoz Tolerans Testi (OGTT)) ile konulur. Testin tolere edilememesi ya da bebeğe zarar vereceği düşüncesiyle reddi giderek artmaktadır. Makine öğrenmesi (ML) modelleri kullanılarak GDM tahmini yapılması ve tahmin gücünün değerlendirilmesi amaçlanmıştır. Yöntem: Ekim 2022-Temmuz 2023 tarihlerinde OGTT için Kadın Hastalıkları ve Doğum Hastanesine başvuran 364 gebede yaş, sosyoekonomik, göçmenlik durumu, eğitim düzeyi, sosyoekonomik düzey, sigara/alkol/madde kullanımı, iri bebek doğum öyküsü, GDM öyküsü, ailede DM öyküsü, gebelik öncesi geçirilen hastalıklar, boy, kilo, kan basıncı bilgileri anket usulü ile laboratuvar test sonuçları hasta kayıtlarından alınmıştır. Oluşturulan veri setinde Python dili kullanılarak Jupyter Notebook arayüzünde CatBoost ve LightGBM ML sınıflayıcı algoritmaları geliştirilmiştir. Performans metrikleri ile model performansları belirlenmiştir. Modellerin açıklanabilirlik analizleri SHAP ve "feature importance" yöntemleriyle değerlendirilmiştir. Bulgular: K-katlamalı çapraz doğrulama yönteminden faydalanılarak model eğitimi ve doğrulaması gerçekleştirilmiştir. LGBM ve CatBoost ML modellerinin performans metrikleri benzer bulunmuştur. Doğruluk metriğinde CatBoost modelinin doğruluk yüzdesi LGBM'den düşük olmasına rağmen, ROC analizinde AUC'u daha yüksek bulunmuştur. Her iki ML modelinin SHAP analizleri karşılaştırıldığında vücut kitle indeksi, mevcut kilo, yaş ve eritrosit değişkenlerinin modellerin karar vermesinde öne çıktığı görülmektedir. Bu değişkenler, gruplar arasında istatistiksel olarak anlamlı düzeyde farklı çıkan değişkenler arasında da yer almaktadır. Sonuç: Çalışmamızda yaş, etnik köken, sosyodemografik veriler, boy, kilo, tansiyon ölçümleri gibi klinik veriler ile tetkik sonuçları üzerinden, GDM tahminleme gücüne sahip ML modelleri geliştirilmiştir. Anahtar kelimeler: Gestasyonel diyabetes mellitus, oral glukoz tolerans testi, makine öğrenmesi.