Lomber Disk Hernisi (LDH)'nin farklı klinik süreçlerinin yönetiminde yapay zeka ile tahminleme: Prospektif bir çalışma

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, HAMİDİYE SAĞLIK BİLİMLERİ ENSTİTÜSÜ, SAĞLIK YÖNETİMİ ANABİLİM DALI, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: FURKAN ALP

Danışman: Betül AKALIN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Lomber Disk Hernisi (LDH), sağlık sisteminde artan tedavi maliyetleri, iş gücü kaybı ve klinik belirsizlikler nedeniyle sağlık yöneticileri açısından çözülmesi gereken önemli bir sorundur. Özellikle 2. ve 3. evre LDH vakalarında tanı ve cerrahi karar süreçlerindeki tutarsızlıkların azaltılması, hizmet kalitesi ve kaynak verimliliği açısından kritik öneme sahiptir. Bu çalışmada, Manyetik Rezonans (MR) görüntüleri ve klinik verilerden yararlanarak LDH evrelerini sınıflandıran ve ağrı yoğunluğunu tahmin eden iki yapay zeka tabanlı yaklaşım geliştirilmiştir. İlk aşamada farklı derin öğrenme mimarileri değerlendirilmiş ve LDH sınıflandırması için Çok Aşamalı Federatif Çift Belirsizlik Farkındalıklı Öğrenme Yaklaşımı (Fed-MDUA) tasarlanmıştır. İkinci aşamada ise MR görüntülerinden ağrı yoğunluğunu tahmin etmek için bilgi damıtma, Evrişimsel Blok Dikkat Modülü (CBAM) ve Matris Kuvvetiyle Normalleştirilmiş Kovaryans Havuzlama (MPN-COV) bileşenlerini içeren bir model oluşturulmuştur. Modeller doğruluk, kesinlik, duyarlılık, F1-skoru vb. parametreler ile değerlendirilmiştir. Çalışmanın ilk aşamasında geliştirilen Fed-MDUA yaklaşımı, mevcut yöntemlere kıyasla en yüksek sınıflandırma performansını göstermiş olup doğruluk 0,68, kesinlik 0,67, duyarlılık 0,67 ve F1-skoru 0,68 olarak elde edilmiştir. İkinci aşamada ise, ağrı yoğunluğunu belirlemeye yönelik geliştirilen yaklaşım literatürde yaygın olarak kullanılan derin öğrenme modellerine göre doğruluk, kesinlik, duyarlılık ve F1-skoru 0,79 seviyesine ulaşarak daha yüksek performans göstermiştir. Bu çalışma, LDH hastalarında hem evre sınıflandırması hem de ağrı yoğunluğu tahmini için etkili iki farklı yapay zeka yaklaşımı sunmaktadır. Fed-MDUA orta evredeki vakalarda karar desteği sağlarken, ağrı yoğunluğu yaklaşımı klinik değerlendirmeyi güçlendirmiştir. Elde edilen analiz sonuçlarına göre geliştirilen yöntemlerin LDH yönetiminde klinik karar destek sistemi olarak kullanılabileceği tespit edilmiştir.