Spondiloartrit hastalarında periferik ve aksiyel tutulumu ön görebilecek faktörlerin derin öğrenme yöntemleri ile saptanması
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: EMİNE SENA SÖZEN
Danışman: Yüksel MARAŞ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Spondiloartrit (SpA), aksiyel iskelet, periferik eklemler ve entezlerde inflamasyonla karakterize kronik inflamatuar bir hastalık grubudur. Aksiyel ve periferik tutulum gösteren SpA alt tiplerinin doğru sınıflandırılması, hastalık yönetimi ve tedavi açısından kritik öneme sahiptir. Geleneksel klinik ve radyolojik değerlendirme yöntemlerinin sınırlılıkları nedeniyle, yapay zeka tabanlı modellerin bu süreçteki rolü giderek daha fazla araştırılmaktadır. Bu çalışmada, periferik ve aksiyel SpA tutulumunu öngörebilecek klinik, laboratuvar ve görüntüleme verilerini kullanarak, makine öğrenmesi (ML) ve derin öğrenme (DL) yöntemleriyle tahmin yapabilen bir sınıflandırma modeli geliştirmek amaçlanmıştır. Gereç ve Yöntemler: Bu retrospektif çalışma kapsamında, 2019-2023 yılları arasında ASAS sınıflama kriterlerine uygun olarak seçilen hastaların verileri incelenmiş, bunu takiben aksiyel ve periferik SpA hastalarının bilgileri ML ve DL modelleri kullanılarak analiz edilmiş ve modellerin performansları karşılaştırılmıştır. Geleneksel istatistiksel yöntemler ile aksiyel ve periferik SpA hastaları arasındaki farklılıklar değerlendirildikten sonra, bu veriler kullanılarak ML ve DL modelleri eğitilmiş ve performansları karşılaştırılmıştır. Farklı makine öğrenmesi algoritmaları (Gaussian Naive Bayes, Support Vector Machines, Random Forest vb.) ve çok katmanlı algılayıcı (MLP) gibi derin öğrenme modelleri test edilmiştir. Modellerin doğruluk oranları, ROC AUC,F1 skoru ve GPS gibi metrikler kullanılarak değerlendirilmiştir. Bulgular: Periferik artrit, entezit, daktilit ve inflamatuvar barsak hastalığının periferik SpA hastalarında aksiyel SpA'ya kıyasla daha yaygın olduğu saptanmıştır (p<0,001). Ancak yaş, cinsiyet, semptom başlangıç yaşı ve inflamatuvar belirteçler (CRP, ESR) açısından iki grup arasında anlamlı bir fark bulunmamıştır. HLA-B27 x pozitifliği aksiyel SpA hastalarında daha sık görülmekle birlikte, bu fark istatistiksel olarak anlamlı bulunmamıştır (p=0,494). Tedavi yanıtları açısından, aksiyel ve periferik SpA hastaları arasında non steroid antiinflamatuar ilaç (NSAİİ) ve konvansiyonel sentetik DMARD'lara yanıt açısından anlamlı bir fark saptanmazken, periferik SpA hastalarında çoklu DMARD kullanımının daha yaygın olduğu gözlemlenmiştir (p=0,002). Makine öğrenmesi modelleri, derin öğrenme modelleriyle benzer doğruluk oranları sergilese de , genel olarak daha stabil performans göstermiştir. Gaussian Naive Bayes algoritması %94,07 doğruluk oranı ile en iyi ML modeli olurken, en başarılı derin öğrenme modeli olan MLPClassifier (30, 20) %93,3 doğruluk oranına ulaşmıştır. Ancak, GPS skorları değerlendirildiğinde DL modellerinin hafif bir üstünlüğü olduğu gözlemlenmiştir. Bu durum, veri setinin boyutu ve yapısı göz önüne alındığında, ML modellerinin daha az veriyle daha iyi genelleme yapabilme avantajına sahip olduğunu göstermektedir. DL modelleri ise genişletilmiş veri setlerinde potansiyel olarak daha iyi performans gösterebilir. Sonuç: Bulgularımız, yapay zeka tabanlı modellerin, özellikle ML algoritmalarının, aksiyel ve periferik SpA sınıflandırmasında önemli bir rol oynayabileceğini doğrulamaktadır, bu da çalışmanın amaçlarına uygun olarak, hastalık yönetimi ve tedavi seçeneklerinin iyileştirilmesine katkı sağlayabilir. ML modellerinin yapılandırılmış klinik ve laboratuvar verileri üzerinde başarılı performans sergilediği, ancak DL modellerinin büyük veri setlerine ihtiyaç duyduğu belirlenmiştir. Spondiloartrit alt gruplarını ayırt edebilecek yapay zeka modellerinin geliştirilmesi için daha geniş veri setleri, görüntüleme verilerinin entegrasyonu ve doğal dil işleme (NLP) tekniklerinin kullanılması gerekmektedir. Gelecekteki çalışmalarda, ML ve DL yöntemlerini birleştiren hibrit modellerin geliştirilmesi, hasta yönetimini ve tanısal doğruluğu artırma potansiyeline sahiptir.