Omuz distosisinin öngörülmesine yönelik makine öğrenimi tabanlı ebe klinik karar destek sistemi ve mobil uygulamasının geliştirilmesi (MID-DEC)
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, GÜLHANE SAĞLIK BİLİMLERİ ENSTİTÜSÜ, EBELİK ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: İLKNUR SİRKECİ
Danışman: Nazan KARAHAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Omuz distosisi, nadir görülen ancak ciddi maternal ve neonatal morbiditeye yol açabilen bir obstetrik acildir. Mevcut tahmin yöntemlerinin sınırlı klinik faydası göz önünde bulundurularak bu çalışmada; omuz distosisinin öngörülmesine yönelik makine öğrenimi tabanlı bir klinik karar destek modelinin geliştirilmesi ve ebelik pratiğine yönelik bir mobil uygulamaya entegre edilmesi amaçlanmıştır. Gereç ve Yöntem: Ankara Etlik Şehir Hastanesi'nde Ekim 2022–Eylül 2025 tarihleri arasında retrospektif vaka-kontrol tasarımıyla yürütülen çalışmaya 84 omuz distosisi vakası ve 840 kontrol olmak üzere toplam 924 olgu dahil edilmiştir. Analizde; maternal özellikler, obstetrik ve tıbbi öykü, intrapartum müdahaleler fetal antropometrik ölçümler, fetal geometrik oranlar ile üç farklı formülle hesaplanan TFA değerleri beş farklı kombinasyonda gruplandırılarak model eğitiminde kullanılmıştır. On denetimli makine öğrenimi algoritması, beş farklı değişken setiyle tabakalı 3-katlı çapraz doğrulama yöntemiyle değerlendirilmiştir. Model performansı; dengeli doğruluk, duyarlılık, MCC, ROC-AUC ve PR-AUC metrikleriyle ölçülmüştür. Elde edilen bulgular ile mobil uygulama geliştirilmiş, 13 ebe tarafından SUS-TR ile değerlendirilmiştir. Çalışma, TRIPOD+AI raporlama kılavuzu doğrultusunda raporlanmıştır. Bulgular: Ridge Regresyon modeli Değişken Seti 5'te en yüksek dengeli doğruluk (0,801), duyarlılık (0,818) ve MCC (0,380) değerlerini vermiş, ROC-AUC 0,861 ve PR-AUC 0,407 olarak elde edilmiştir. Ham biyometrik ölçümler yerine fetal geometrik oranların değişken setine eklenmesinin model performansını artırdığı gözlemlenmiştir. Seçilen model; persantil eşikleri ve anatomik tutarlılık kurallarına dayalı iki katmanlı veri doğrulama mekanizmasını kullanan, iOS, Android ve web platformlarında çalışan MID-DEC uygulamasına entegre edilmiştir. Uygulamanın kullanılabilirliği 13 ebe ile SUS-TR kullanılarak test edilmiş olup ortalama puan 80,96'dır. Sonuç: Bu çalışma, rutin klinik ve ultrasonografik veriler ile fetal geometrik oranların makine öğrenimi algoritmaları aracılığıyla birleştirilmesinin omuz distosisini klinik açıdan anlamlı bir ayırt edicilikle öngörebildiğini ortaya koymaktadır. MID-DEC, omuz distosisinin öngörülmesine yönelik olarak ebeler için tasarlanmış ilk makine öğrenimi tabanlı mobil klinik karar destek sistemi olma özelliğini taşımaktadır. Bağımsız veri setleri ile dış doğrulama çalışmaları ve prospektif klinik değerlendirme yapılması öncelikli araştırma hedefleri olarak önerilmektedir. Anahtar Kelimeler: Ebelik, omuz distosisi, makine öğrenimi, ridge, klinik karar destek sistemi, mobil uygulama