Hiperbarik oksijen tedavisi uygulanan ani sensörinöral işitme kaybı hastalarının yapay zekâ destekli değerlendirilmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, HAMİDİYE TIP FAKÜLTESİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: CELALEDDİN FURKAN BAYINDIR
Danışman: Abdullah ARSLAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, ani sensörinöral işitme kaybı (ASNİK) tanısıyla hiperbarik oksijen tedavisi (HBOT) uygulanan hastalarda tedaviye yanıtın öngörülmesinde Python tabanlı yapay zekâ tabanlı modellerin etkinliğini değerlendirmek, bu modelleri SPSS üzerinden yapılan istatistiksel analiz yöntemleriyle karşılaştırmak ve klinik kullanım potansiyeline sahip makine öğrenmesi temelli bir prognoz tahmin aracı geliştirmektir. Gereç ve Yöntem: Konya Şehir Hastanesi Hiperbarik Oksijen Tedavi Ünitesi'nde 2023 yılı içerisinde tedavi gören 144 idiyopatik ASNİK hastasının verileri retrospektif olarak incelendi. Hastaların demografik, klinik ve tedaviye ilişkin değişkenleri çeşitli makine öğrenmesi algoritmaları ile (Linear Regression, Random Forest, XGBoost vb.) karşılaştırıldı. Tüm analizler Python 3.13 ortamında yürütüldü; modellerin performansı R², MAE ve RMSE ölçütleriyle değerlendirildi. Veriler SPSS 28.0 (Statistical Package for the Social Sciences) programı ile analiz edildi ve istatistiksel anlamlılık düzeyi p<0,05 olarak kabul edildi. İstatistik sonuçları değerlendirildi. Makine öğrenmesi algoritma sonuçları karşılaştırıldı. Alınan sonuçlarla HBOTune adlı çevrim içi tahmin uygulaması geliştirildi. Bulgular: Hastaların yaş ortalaması 52,2 ± 16,7 yıl olup, %55,6'sı erkekti. HBOT'ye başlama süresi ortalama 16,8 ± 7,4 gün, ortalama seans sayısı 13,1 ± 5,8 olarak saptandı. Başlangıç Saf Ses Ortalaması (PTA) 64,6 ± 28,3 dB iken, tedavi sonrası 48,4 ± 28,1 dB'ye düşmüş ve ortalama işitme kazanımı 16,2 ± 17,2 dB olarak hesaplandı. Siegel kriterlerine göre hastaların %25'inde tam, %9'unda belirgin, %19,4'ünde kısmi iyileşme gözlenmiş, %46,5'inde iyileşme saptanmamıştır. İstatistiksel analizlerde tedaviye geç başlanması işitme kazanımını anlamlı biçimde azaltmıştır (r = –0,294; p < 0,001). Başlangıç PTA ile işitme kazanımı arasında pozitif (r = 0,323; p < 0,001), son PTA ile negatif ilişki (r = –0,248; p = 0,003) saptanmıştır. Sistemik steroid tedavisi işitme kazanımını artırırken (p = 0,015), sigara kullanımı tedavi yanıtını olumsuz etkilemiştir (p = 0,014). Çoklu regresyon analizinde işitme kazanımını etkileyen en güçlü değişkenler başlangıç PTA, tedavi gecikmesi ve sistemik steroid kullanımı olarak belirlenmiştir. Makine öğrenmesi analizlerinde, işitme kazanımını tahmin etmek amacıyla geliştirilen modeller arasında Random Forest algoritması en yüksek performansı göstermiştir (R² = 0,345; MAE ≈ 11 dB; RMSE ≈ 14 dB). Değişken önem sıralamasında Başlangıç PTA (0,396), Tedavi Gecikmesi (0,210) ve Yaş (0,157) öne çıkmıştır. Random Forest modeli, klinik değişkenler üzerinden anlamlı doğrulukta bireysel öngörüler yapabilmiş ve bu model HBOTune uygulamasına entegre edilmiştir. Sonuç: Bu çalışma, HBOT uygulanan ASNİK hastalarında yapay zekâ tabanlı yaklaşımların tedavi yanıtının öngörülmesinde kullanılabilirliğini ortaya koymuştur. Bulgular, işitme kazanımının çoklu klinik değişkenlerin etkileşimiyle belirlendiğini ve veri odaklı modellerin bu karmaşık ilişkiyi açıklamada SPSS ile değerlendirilen klasik istatistiksel yöntemlere kıyasla daha esnek bir yapı sunduğunu göstermiştir. Random Forest modeliyle geliştirilen HBOTune uygulaması, temel klinik parametreleri kullanarak bireysel düzeyde işitme kazanımını tahmin edebilmiş ve klinik karar destek sistemi olarak kullanılabilir bir potansiyel göstermiştir. Anahtar Kelimeler: Ani sensörinöral işitme kaybı (ASNİK), HBOTune, Hiperbarik oksijen tedavisi (HBOT), Makine öğrenmesi, Prognostik faktörler, Random Forest, Yapay zekâ