Work

Yoğun bakım hastaları için yapay zeka tabanlı ventilasyon modlarının sınıflandırılması ve solunum verilerinin tahmini

Year: 2024
Type: dissertation
Abstract: Hastanelerde, akciğer patolojileri ve çeşitli hastalıklar nedeniyle yoğun bakım ünitelerinde solunum desteğine ihtiyaç duyan birçok hasta bulunmaktadır. Solunum yetmezliği olan hastalar için en sık uygulanan uygulamalardan biri mekanik ventilasyon desteğidir. Mekanik ventilasyon ihtiyacı, hastanın tedavi süreciyle birlikte zamanla azalabilmekte veya artabilmektedir. Ancak bu süreçte, hastaların komplikasyon ve enfeksiyon riskine maruz kalma olasılığı artmaktadır. Hastaların mekanik ventilasyona daha kısa süre bağımlı kalması, iyileşme süreçlerinin hızlanması açısından önemlidir. Mekanik ventilasyon modunun doğru seçimi, hastaların iyileşme sürecini hızlandırmada ve komplikasyon risklerini azaltmada büyük rol oynar. Bu çalışmada, yapay zeka desteği ile ventilasyon modlarının doğru karar verilebilmesi ve solunum verilerinin tahmin edilmesini sağlayarak sağlık çalışanlarına destek sağlanması hedeflenmektedir. Veriler, nöroloji yoğun bakım ünitesinde yatan 23 hastadan, 24 saat boyunca 1 saatlik periyotlarla kaydedilerek oluşturulmuştur. Toplamda 18 özellik içeren veri seti, dört farklı ventilasyon modu (CMV, PSIMV, ASV, SPONT) ile etiketlenmiş ve yapay zeka modellerinin daha iyi sonuç vermesi amacıyla Min-Max normalizasyonu, hareketli ortalama filtresi ve Gaussian filtresi ön işleme adımlarından geçirilmiştir. Ventilasyon mod sınıflandırması için Rastgele Orman, Karar Ağacı, Gradyan Artırma, Uyarlamalı Artırma (AdaBoost), Çok Modelli Bootstrap (Bagging), K-En Yakın Komşu, Gaussian Naive Bayes ve Aşırı Gradyan Artırma (XGBoost) gibi makine öğrenmesi algoritmalarının yanı sıra Uzun kısa süreli bellek (LSTM) ve CNN-LSTM gibi derin öğrenme modelleri kullanılmıştır. Sınıflandırma sonucunda, %98 doğruluk oranı ile en yüksek performansı XGBoost algoritması sağlamıştır. Solunum verilerinin zaman serisi tahmini ise yoğun bakım hastalarının solunum durumu yönetimi ve olası sorunların erken tespiti açısından büyük önem arz etmektedir. Bu amaçla, derin öğrenme modelleri olan LSTM, Zamansal Evrişimsel Ağlar (TCN), CNN-LSTM ve TCN-LSTM modelleri kullanılmıştır. TCN-LSTM modeli, en düşük hata oranı ve en yüksek R2 değeri ile en başarılı sonucu elde etmiştir. Ayrıca, toraks sensörleri ve pulse oksimetre ile 10 gönüllüden farklı pozisyonlarda (oturma, yürüme, yatma) solunuma bağlı göğüs kuvveti, solunum hızı, SpO2 ve PRbpm verileri toplanmış ve XGBoost algoritması ile %99.74 doğruluk oranında pozisyon sınıflandırması yapılmıştır. Bu sonuçlar, yapay zekanın solunum verilerinde yüksek doğruluk oranlarıyla sınıflandırma ve tahmin yapabilme kabiliyetini ortaya koymaktadır. Bu çalışmanın bulguları, yapay zeka destekli sağlık karar sistemlerinin gelişimine katkı sağlayarak hasta yönetiminde yenilikçi çözümler sunma potansiyelini göstermiştir.
Language: English
Field: Medicine
Open Access status: green
OpenAlex ID: W7219348587
Cites: 60
Cited by:
Related to: 10