Dikkat eksikliği hiperaktivite bozukluğu'nun tarama ve teşhisinde hızlı, duyarlı ve güvenilir bir tanı aracı olarak makine öğrenimi yöntemlerinin kullanılması
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA ŞEHİR SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, ÇOCUK VE ERGEN RUH SAĞLIĞI VE HASTALIKLARI ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2024
Tezin Dili: Türkçe
Öğrenci: ESRA ÇETİN
Danışman: Esra ÇÖP
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:AMAÇ: Bu çalışmanın amacı; Dikkat Eksikliği Hiperaktivite Bozukluğu (DEHB) tanısı olan çocuk ve ergenler ile herhangi bir psikiyatrik hastalığı olmayan sağlıklı çocuk ve ergenlerden elde edilen verilerin makine öğrenimi yöntemleriyle analiz edilerek DEHB'li çocuk ve ergenlerin DEHB'si olmayan çocuk ve ergenlerden ayırt edilmesinde ve DEHB tanısında makine öğrenimi yöntemlerinin kullanıp kullanılamayacağını araştırmaktır. GEREÇ VE YÖNTEM: Çalışma örneklemimiz DEHB grubu (n=61) ve sağlıklı kontrol grubu (n=52) olmak üzere 2 gruptan ve toplam 113 çocuk ve ergenden oluşmuştur. Katılımcıların tümü "Okul Çağı Çocukları için Duygulanım Bozuklukları ve Şizofreni Görüşme Çizelgesi—Şimdi ve Yaşam Boyu Şekli (ÇDŞG-ŞY)" ile değerlendirilmiş ve bu şekilde DEHB grubunda ek tanıların varlığı, kontrol grubunda ise psikiyatrik tanılar dışlanmıştır. Ebeveynler tarafından Conner's Ana/Baba Derecelendirme Ölçeği (CADÖ-48), çocuğun öğretmeni tarafından Conner's Öğretmen Derecelendirme Ölçeği (CÖDÖ-28), çocuklar tarafından 'Çocuk ve Ergenler İçin Depresyon Ölçeği (ÇDÖ) ve Çocukluk Çağı Kaygı Bozuklukları Öz bildirim Ölçeği Çocuk Formu (KAYBÖ)' ve araştırmacı tarafından aileyle birlikte Sosyodemografik Veri Formu ve hastane sistemindeki doktor notu kayıtlarından Doktor Notları İpucu Tarama Formu doldurulmuştur. BULGULAR: Kullanılan 5 makine öğrenimi yönteminde ''Karar Ağacı (KA), Rastgele Orman (RO), Destek Vektör Makineleri (DVM), Lojistik Regresyon (LR), Naive Bayes (NB)'' risk faktörleri veri seti hariç diğer veri setleri ve bunların kombine modelleri ile yüksek duyarlılık, doğruluk, kesinlik, F1 skoru ve Eğrinin Altında Kalan Alan' performans değerleri sağlanmıştır. En yüksek performans Lojistik Regresyon makine öğrenimi algoritması ile elde edilmiştir. Veri setleri kıyaslandığında ise en yüksek doğruluk değerleri sırasıyla üçlü modelde RO, CADÖ-48&CÖDÖ-28 birleştirilmiş ölçek modelinde LR algoritmasında görülmüştür. En düşük performans ölçüt değerleri ise risk faktörü veri seti NB algoritmasında ölçülmüştür. SONUÇ: Conner's derecelendirme ölçekleri, hastalığa ait risk faktörleri ve klinik görüşmede tutulan doktor notlarından elde edilen ipucu kelimeler aracılığıyla oluşturulan modellerin makine öğrenimi algoritmaları ile analiz edilmesi sonucu Dikkat Eksikliği Hiperaktivite Bozukluğu tanısında yüksek doğrulukla kullanılabilir ve DEHB olan ve olmayan bireyleri yüksek sınıflandırma yeteneğine sahiptir. İleride daha büyük örneklemlerden farklı çeşitlerde veri toplama aracı ile elde edilecek daha büyük miktardaki veriler ile makine öğreniminin DEHB tanısında kullanımının doğruluğuna dair bilgilerimiz artacak ve MÖ kullanımının önemi netleşecektir.Anahtar Sözcükler: Çocuk ve Ergen, Dikkat Eksikliği Hiperaktivite Bozukluğu, Makine Öğrenimi, Tanı