Theses supervised by Prof. Dr. Kemal Turhan
11 theses · Karadeniz Technical University
Pozisyon süresinin yatağa bağımlı hastalarda basınç yarası oluşumu üzerine etkisi ve akıllı yatak öneri
Bu araştırma pozisyon süresi olarak adlandırdığımız pozisyon verilme sıklığı, cinsiyet, yaş, klinik tanı, kilo, uyaran, nem, beslenme, hemoglobin değeri, vücut ısısı, Braden Ölçeği gibi faktörlerin basınç yarası oluşumu üzerine etkisini incelemek amacıyla deneysel olarak planlanmıştır. Çalışma üç gruba ayrılan ve her birinde beş hasta bulunan gruplara belirlenen pozisyon sürelerinin verilmesi ve çıkan sonuçların bir forma kaydedilmesi şeklinde yürütülmüştür. Bir saat aralıklı pozisyon verilecek olan birinci gruptaki hasta sayısı tamamlandıktan sonra, sırasıyla ikinci ve üçüncü gruptaki hastalara iki ve üç saatlik pozisyon verilmiş ve çıkan sonuçlar forma her bir hasta için bir hafta süresince kaydedilmiştir. Çalışmada hastalar rastgele seçilmiştir. Grup içindeki hasta takipleri aynı anda başlatılamamış olmakla birlikte, gruplar arası pozisyon süreleri de aynı anda başlatılmadan, her gruptaki hasta sayısı tamamlanacak şekilde çalışma yürütülmüştür. Çalışma sonucuna göre, vücut sıcaklığının basınç yarası oluşumu üzerinde anlamlı bir etkisi olmadığı görülmüştür (p>0.05). Hastalara ait ölçüm sonuçlarına göre pozisyon değiştirme süresinin basınç yarası oluşumu üzerinde etkili olduğu (p<0.05) ve önceliğine bakıldığında ise en etkili faktör olduğu görülmüştür (x2=779.4992 p<0.05). Pozisyon süresi ile hastalarda mevcut yara oluşumu arasındaki korelasyona bakıldığında, aralarında güçlü bir ilişki olduğu görülmüştür (r:0.896 p<0.05). Hastalardaki yara oluşum oranı hesaplandıktan sonra yapılan analiz sonucunda, pozisyon değiştirme sıklığının artması sonucu yara oluşma oranının azaldığı görülmüştür (K-Wallis:11.677 p<0.05). Araştırmanın sonucunda pozisyon değiştirme süresinin diğer faktörler ile birlikte basınç yarası oluşumu üzerinde etkili olduğu sonucuna varılmış ve hastanın tüm parametrelerini dahil ederek, sık pozisyon verebilen akıllı bir yatak önerisinde bulunulmuştur.
Makine öğrenmesi yöntemleriyle tümör kontrol olasılığının hesaplanması
Çok büyük miktardaki verinin elle işlenmesi ve analizinin yapılması mümkün değildir. Bununla birlikte çoğu zaman geçmişteki veriler kullanılarak gelecek için tahminde, çıkarımda bulunmak mümkündür. Bu çıkarımları yapabilmek için makine öğrenmesi yöntemleri kullanılır. Makine öğrenmesinin kullanıldığı sistemler, karar destek sistemleridir. Karar destek sistemleri kullanım alanına bağlı olarak çeşitlilik göstermektedir. Tıp alanındaki uygulamalarda klinik karar destek sistemleri kullanılmaktadır. Tıbbi verilerin karmaşıklığı karşısında geleneksel veri analiz yöntemleri yetersiz kalabilmektedir. Bu sebeple karmaşık yapıların anlaşılması, çözümlenebilmesi için makine ögrenmesi yöntemlerine başvurulur. Sağlık alanı, makine öğrenmesi yöntemlerinin sınırlı kullanıldığı ancak çok önemli kullanım potansiyeli olan alanlardan biridir. Bu çalışmada küçük hücreli dışı akciğer kanseri hastalarının radyoterapi verileri kullanılmıştır. Radyoterapi de sözü edilen karmaşık verilerin çok sayıda yer aldığı alanlardan biridir. Radyoterapi alacak her hastaya ayrı bir plan çizilir. Tümörün radyoterapiye vereceği yanıt her hasta için farklıdır. Bunun nedenleri arasında radyoterapiyi etkileyen birçok parametre olması ve hastaların her biri kişisel özellikleri bakımdan birbirinden farklı olması sayılabilir. Karmaşık verilerin analiz edilip incelenmesi, radyoterapi sonucunda tümörün radyoterapiye yanıtı hakkında çıkarım yapmak için makine öğrenmesi yöntemleri kullanılabilir. Çalışmada radyasyon onkolojisindeki hasta verilerinin makine öğrenmesi yöntemleriyle sınıflandırılması ve çıkarım yapılması amaçlanmıştır. Çalışma kapsamında Karadeniz Teknik Üniversitesi Tıp Fakültesi Farabi Hastanesi Radyasyon Onkolojisine 2012-2015 yılları arasında gelen hastaların verileri kullanılmıştır. Bu kapsamda, destek vektör makineleri (DVM) ve yapay sinir ağları (YSA) ile tümörün radyoterapiye verdiği yanıtlar sınıflandırılması ve bunların karşılaştırılması ele alınmıştır. Bu çalışmada 30 hasta verisi kullanılarak DVM ve YSA makine öğrenmesi yöntemleri yardımıyla iki farklı karar destek sistemi modeli geliştirilmiştir. DVM modeli için %90 duyarlılık, %100 özgüllük değeri elde edilmiş; YSA modeli için % 80 duyarlılık, % 100 özgüllük değeri elde edilmiştir. Bu çalışmada SVM modelinin %90 duyarlılıkla en başarılı sonucu verdiği görülmüştür. Bu model sayesinde radyoterapi alacak hastanın tedavi sonunda tümöründe ne kadar değişiklik olacağı hakkında bir öngörü oluşacaktır. Bu çalışmada veriler önce ön 2 işlemeye ve elemeye tabi tutulmuştur. Bunun sonucunda ise veri sayısında azalma olmuştur. Daha sonra yapılması planlanan çalışmaların başarısı için bu eksiklikler göz önünde bulundurularak yeni parametreler eklenmeli ve veriler eksiksik bir biçimde elde edilmelidir.
Koroner bypass yapılan olgularda postoperatif dönemde gelişen atriyal fibrilasyon gelişme riski için bir tahmin modeli önerisi
Büyük miktarda veri içerisinden, gizli kalmış, değerli, kullanılabilir bilgileri açığa çıkarmak ve stratejik karar destek sağlamak amacıyla veri madenciliği kullanılır. Bunun yanı sıra veri madenciliği, sağlık verilerinin kullanımında yeni bir perspektif yaratmış ve kullanım yaygınlığı hızla artmaya devam eden bir yöntem haline gelmiştir. Atriyal Fibrilasyon (AF), açık kalp cerrahisi sonrasında en fazla rastlanan komplikasyonlardandır. Çalışma ile AF gelişme riski olan hastalara yönelik, preoperatif dönemde önleyici tedbirler alınmasında hekimlere destek olacak bir sistem geliştirilmesi amaçlanmıştır. Çalışmada Ordu Devlet Hastanesinde 01.01.2015 ve 31.06.2016 tarihleri arasında, Kalp ve Damar Cerrahisi Kliniğinde Koroner Arter Bypass Greft (KABG) operasyonu olan hastaların arşiv dosyaları, AF'nin preoperatif, postoperatif risk faktörleri; cinsiyet, hipertansiyon, EKG'de p dalgasında uzama, total drenaj miktarı, kilo, preoperatif EF, kalp kapak hastalıkları, preoperetif metoprolol kullanımı, yaş, greft sayısı, pulmoner hipertansiyon, diyabetes mellitüs, laboratuar değerleri (CRP, üre, kreatin, AST, GGT, HGB, HCT, Ca, K) yönünden retrospektif olarak incelendi. Hastalar, operasyon sonrası AF geçiren ve geçirmeyen olmak üzere iki gruba ayrıldı. Çalışmaya sadece KABG operasyonu geçiren hastalar dahil edilmiştir. Kronik AF'li hastalar, aynı anda başka bir operasyon yapılanlar dahil edilmemiştir. Karar ağaçları, DVM ve YSA ile KABG sonrası AF'nin sınıflandırılması ve bu yöntemlerin karşılaştırılması ele alınmıştır. Çalışma sonunda elde edilen sonuçlarda karar ağaçları ile yapılan analizde, duyarlılık değeri % 100, özgüllük değeri % 94.11; DVM'de duyarlılık değeri % 83.33, özgüllük değeri ise % 94.11; YSA ile yapılan analizlerde, duyarlılık % 100, özgüllük % 94.11 olarak hesaplanmıştır. Uygulanan metotların ROC eğrileri karşılaştırıldığında en iyi sınıflama YSA ve karar ağaçları ile yapılmıştır. Çalışma ile AF olasılığı yüksek bulunan hastalara, preoperatif dönemden itibaren önleyici tedbirlerin alınması konusunda katkı sağlanabileceği ortaya konulmuştur.
Acute appendicitis hybrid decision support system
Acute appendicitis is an inflammation that develops due to occlusion of appendix lumen. It is treated by surgical removal of the inflamed appendix. It can be difficult to diagnose appendicitis. Because its symptoms can also be seen in many other diseases. It is especially difficult to diagnose appendicitis since its location is variable. Unfortunately, some patients with acute appendicitis may be exposed to peritonitis or other complications during their diagnosis process. These patients have higher mortality rates than patients who are diagnosed timely. In this respect, early diagnosis of acute appendicitis is of great importance to the patient. There are various methods for the diagnosis of appendicitis. One such method is machine learning. Machine learning is used in many areas for solving problems that contribute to decision making and prediction by taking advantage of machine learning algorithms, artificial intelligence, mathematics and statistics. Among them, healthcare field is an important sector where machine learning exercise is thought to be beneficial to both physicians and patients when successful results are obtained. In this thesis, it is aimed to develop a decision support system which can help the diagnosis of acute appendicitis. In the development of the system, statistical methods, logistic regression analysis and one of machine learning method, support vector machine (SVM) are used together. The data used in the study includes 220 patients who were admitted to the Emergency Medical Service of KTU Medical Faculty Farabi Hospital with abdominal pain complaint between 2010 and 2016 years and who were or were not diagnosed with appendicitis. This patient data was obtained by examining biochemical laboratory test results and epicrisis reports in a specialist physician consultancy. Logistic regression analysis is used to select qualified data on the parameters of Gender, Age, Leukocyte, thrombocyte, neutrophil, lymphocyte, PDW (Platelet Dispersion Width), MPV (Mean Thrombocyte Volume), CRP (C-reactive protein), glucose, BUN (Blood Urea Nitrogen), creatinine, total protein, albumin, total bilirubin, direct bilirubin, AST (Aspartate aminotransferase), ALT (Alanine aminotransferase), and amylase. Subsequently, data on the qualified parameters were randomly divided into two groups, the train and the test sets. A hybrid decision support system was developed through SVM method, using 132 patient data from the train set. On the 88 test data, 87% sensitivity, 79% specificity and 82% accuracy values were obtained for the SVM model.
Sigara bağımlılığında genetik-çevre etkileşiminin araştırılması
Dünya Sağlık Örgütü (WHO) tarafından en yaygın halk sağlığı sorunlarından ve önlenebilir erken ölüm nedenlerinden biri olarak tanımlanan sigara bağımlılığı diğer birçok bağımlılık gibi, genetik ve çevresel etkenlere bağlı olarak ortaya çıkan karmaşık bir davranış şeklidir. Sigara bağımlılığının genetik yönü geçmişte birçok aile çalışmaları, ikiz çalışmaları ve moleküler genetik çalışmalar ile araştırılmıştır. Bu çalışmalar, sigara bağımlılığının %56 genetik, %24 ailesel, %29 çevresel etkenlerden kaynaklandığı bildirmektedir. Sigara bağımlılığı konusunda yayınlanmış moleküler genetik çalışmalar çoğunlukla aday genlerin sigara bağımlılığı ile ilişkisinin değerlendirilmesi şeklinde yapılmıştır. Bu çalışmalarda, aday genler çoğunlukla nikotinik asetilkolin reseptörlerini kodlayan genler, nikotinin metabolizmasını etkileyen genler, dopamin ile ilişkili genler ve serotonerjik ve noradrenerjik sistemlerle ilişkili proteinleri kodlayan genler arasından seçilmiştir. Bu çalışmada, sigara bağımlılığına etki eden genetik ve çevresel etkenleri ve bu etkenlerin birbirleri ile olan etkileşimlerini ortaya koyan bir sigara bağımlılığı modeli üzerine çalışılmıştır. Yapısal eşitlik modelleme (YEM) analizi ve makine öğrenmesi yöntemleri ile hâlihazırda sigara bağımlılığı ile ilişkisi keşfedilmiş gen ve genetik varyantların çevresel değişkenler ile olan ilişkileri de araştırılmıştır. Sigara bağımlılığının genetik yönünü temsilen hem hazır yazılım ile hemde geliştirilen ve belirli varyantlar için çalıştırılabilen yazılım ile poligenik risk skoru (PRS) hesaplanmış ve modele dâhil edilmiştir. Elde edilen bağımlılık modeli, hâlihazırda sigara ve diğer madde bağımlılıkları ile sosyoekonomik durum arasında daha önce gösterilmiş bazı ilişkileri desteklerken bazı yeni bulgular da ortaya koymuştur. Ayrıca çok katmanlı algılayıcı (MLP) tabanlı bir karar destek sistemi geliştirilmiş ve %85 oranında sınıflama başarımı elde edilmiştir. Karar destek sisteminin başarımını artırmak amacıyla veri setinde boyut azaltma amacıyla YEM analizi ilk kez kullanılmıştır. Bu yöntem ile literatürdeki yöntemlerle yarışır düzeyde başarılı bir özellik seçimi yapılabileceği gösterilmiştir. Böylece sigara bağımlılığının altyapısını genetik ve çevresel yönleriyle ortaya koyan bir model elde edilirken, geliştirilen PRS yazılımı ve YEM analizi ile özellik seçimi yöntemleri ile de literatüre katkıda bulunulmuştur.
Derin öğrenme yaklaşımı ile sigara bırakma tedavisinin belirlenmesi için karar destek sisteminin geliştirilmesi
Dünya Sağlık Örgütü (DSÖ), sigara bağımlılığının dünyada en yaygın bağımlılık olduğunu ve her yıl 6 milyon kişinin sigara kullanımına bağlı hastalıklardan hayatını kaybettiğini bildirmiştir. Dünyada ve ülkemizde sigara bırakma oranları çok düşüktür ve kişiye göre farklılık göstermektedir. Bunun için de doktorlar, hastalar için uygun tedavi yöntemini belirlerken bireysel farklılıkları dikkate alan tedavi planları yapmalıdır. Bu çalışma, tedavide uzmana yardımcı olmak için bilgisayarlı klinik karar destek sistemlerini ve hasta özelliklerine göre kişiselleştirilmiş hasta önerileri sağlayan kişiselleştirilmiş bir sağlık bakım sistemini tanıtmaktadır. Çalışmaya Trabzon Farabi Hastanesi Göğüs Hastalıkları Anabilim Dalı Sigara Bırakma Polikliniğine 2015-2020 yılları arasında başvuran 383 hasta dahil edildi. Bu hastalardan elde edilen veriler kullanılarak sigara bırakma başarısını etkileyen faktörler IBM SPSS23 ve R paket programı kullanılarak analiz edildi. Lojistik regresyon geriye doğru eliminasyon yöntemi kullanılarak 383 hastadan elde edilen faktörlerden sigara bırakma başarısında etkili olduğu ortaya çıkan 12 faktör tespit edildi. Son yıllarda gelişmekte olan derin öğrenme yöntemi, tıbbi verilerin analiz edilmesinde ve hastalıkların teşhisinde kullanılmaktadır. Bu amaçla bu tez çalışmasında, bireysel farklılıklara göre sigara içenlerin sigara bırakma oranlarını tahmin edebilen derin bir öğrenme modeli oluşturulmuştur. Derin öğrenme yaklaşımının bir yöntemi olan konvolüsyonel sinir ağı (CNN) tabanlı karar destek sistemi, 1000 örneklem 12 faktörden oluşan bir veri seti kullanılarak Google Colaboratory platformunda geliştirilmiştir. Bu veri setinde verilerin %80'i eğitim ve %20'si test verisi olarak rastgele bölünen CNN ağında %79'luk başarı yüzdesi elde edilmiştir. 200 test verisi üzerinde geliştirilen en iyi CNN modeli için %64 duyarlılık, %88 özgüllük ve %79 doğruluk değerleri elde edilmiştir. CNN'nin yöntemi 7 farklı makine sınıflandırıcıları (RF, DT, NB, SVM, LR, KNN ve MLP) ile karşılaştırılmıştır. CNN yönteminin %79 doğrulukla diğer makine sınıflandırıcıları üzerinde etkili olduğu kanıtlanmıştır. Bu uzman sistem sayesinde sigara bırakma polikliniğine başvuran hastalarda sigara bırakma oranları sınıflandırılmıştır.
İşlemsel ilaç yeniden konumlandırma yaklaşımının geliştirilmesi
Hesaplamalı ilaç yeniden konumlandırma, FDA onaylı ilaçları analiz ederek yeni tedavi alanlarını keşfetmeyi amaçlamaktadır. Yeniden ilaç geliştirmenin yüksek maliyeti nedeniyle, onaylanmış bir ilacın başka bir hastalığın tedavisi için yeniden kullanılması, dünyada ölümlere en çok sebep olan kanser tedavisi için önemli bir teknik haline gelmiştir. Bu tez çalışması, ağ teorisine dayalı bir ilaç yeniden konumlandırma yaklaşımı geliştirerek kansere neden olan proteinlerin ekspresyon profillerini değiştirebilecek aday ilaçlar bulmayı amaçlamıştır. Ağ yapısı oluşturulurken literatürden elde edilen protein-protein etkileşim ağı bilgisi kullanılmıştır. Oluşturulan ağ yapısı üzerinde hastalık proteinleri ve bu molekülleri baskılaması muhtemel ilaç adaylarına ait transkriptom profilleri LINCS L1000 projesinden alınmış, bu ağ yapısı üzerinde ayrı ayrı haritalanmıştır. İstatistiksel metotlar kullanılarak bu iki ağın örtüşme puanları hesaplanarak ilaç yeniden konumlandırma yaklaşımı oluşturulmuştur. Geliştirilen ilaç yeniden konumlandırma yaklaşımı akciğer ve meme kanserlerine uygulanmıştır. Hesaplamalarda beş farklı uzaklık metriği (en kısa yol, ağırlıklandırılmış jaccard, öklid, manhattan, canberra) kullanılmıştır. Sonuçlar karşılaştırıldığında en kısa yol algoritmasının diğer metriklerin tahmin ettiği bileşikleri de içerdiği görülmüş ve en kısa yol algoritmasının sonuçları değerlendirmeye alınmıştır. Tüm bileşikler, akciğer kanseri hastalık ağındaki normalleştirilmiş benzerlik puanlarına göre sıralandığında, akciğer kanseri tedavisi için 14 aday, meme kanseri için 36 aday bileşik önerilmiştir. Önerilen aday bileşikler literatür taraması, klinik faz çalışmaları ve benzer ağ tabanlı yaklaşımlarla karşılaştırıldığında ortak bileşiklerin ve faz-II ya da faz-III klinik çalışmalarının (akciğer kanseri için mitoxantrone, dinaciclib ve foretinib, meme kanseri için alvocidib, AT-7519, mocetinostat, entinostat, mitoxantrone ve sunitinib) olduğu bulunmuştur. Literatür taramaları, geliştirilen yaklaşım ile tahmin edilen bileşiklerin her iki kanser türü tedavisi için potansiyel aday bileşikler olabileceğini göstermiştir. Ancak, hem in-vitro deneyler hem de klinik deneylerle bu bileşiklerin doğrulanması önerilmektedir.
Covıd-19 servislerinde görev yapan sağlık çalışanlarının ses sinyallerinden olası anksiyetelerinin makine öğrenmesi yöntemi ile belirlenmesi
Ruh sağlığı alanında bireyler değerlendirilirken genellikle nitel yöntemlerden yararlanılmaktadır. Bu sorular ayrıntılı ve uzun olmakla birlikte nitel soru-cevap şeklinde ilerlediği için bazen yanlış yönlendirmelere neden olabilmektedir. Pandemide COVID-19 hastalığına doğrudan maruz kalan sağlık çalışanları da kendilerini tehdit altında hissetmeye başlamıştır. Anksiyete, kaygılı ve tehdit altında hissedildiğinde vücudun doğal bir tepkisidir. Anksiyete, duygu, düşünce ve fiziksel durumu etkilemektedir. Bu çalışma, ses verisiyle elde edilen çıktıların, anksiyetenin tanılanma sürecinin şekillendirilmesinde, sağlık profesyonellerine yardımcı olması amacıyla yürütülmüştür. Anksiyetenin tespiti için Durumluk-Sürekli Kaygı Ölçeği (DSKÖ) (State- Trait Anxiety Inventory- STAI) kullanılmıştır. Katılımcılar, Ordu ilinde COVID-19 pandemi kliniklerinde aktif olarak görev alan 30 sağlık çalışanı ile COVID-19 pandemi kliniklerinde aktif olarak görev almayan 30 sağlık çalışanından randomize olarak seçilmiştir. Phonic.ai aracılığı ile beş adet sözel soruya sesli yanıt ve ardından DSKÖ'ye yanıtlar alınmıştır. DSKÖ verilerinin analizinde SPSS paket programları kullanılmış olup analiz sonucunda Acil Servis'te çalışan sağlık çalışanlarında durumluk kaygı düzeyleri anlamlı olarak yüksek bulunmuştur. Sesli yanıtlardan makine öğrenmesi algoritmaları oluşturabilmek için Python yazılım dili kullanılmıştır. Tasarlanan algoritmalar ile çıktılar elde edilmiştir. DSKÖ'nün çıktıları ile makine öğrenmesi yönteminin çıktıları karşılaştırılmıştır. Modeller karşılaştırıldığında (VGG-19, ResNet50, AlexNet) en başarılısı 1D(boyutlu) CNN (konvolüsyonel sinir ağı) tabanlı model olmuştur. Modelin duygu analizinde; doğruluk %63.7 (%63 hassasiyet, %91 özgüllük) anksiyete analizinde ise doğruluk %73.5 (%73 hassasiyet, %94 özgüllük) saptanmıştır. Bu sonuçlar doğrultusunda geliştirilen modelin gelecek çalışmalarda görüntü ve video kaydı gibi yöntemlerle desteklendiğinde başarısının artacağı düşünülmektedir.
Riboşalterlerin insan genomunda aranması ve bilgisayar ortamında vaka çalışmaları ile potansiyel bir ilaç hedefi olarak tahmin edilmesi
Riboşalterler genellikle mRNA'nın 5' ucu bölgelerinde bulunan genetik düzenleyici yapılardır. Riboşalterlerin en belirleyici özelliği, doğrudan bir fizyolojik sinyali tanımaları ve RNA yapısında ortaya çıkan kaymalar ile spesifik genlerin regülasyonunu etkilemeleridir. Mevcut Rfam veri tabanı 40 riboşalter ailesi içermektedir. Riboşalterler, belirli efektörleri bağlamak için farklı moleküler belirleyiciler geliştirdiklerinden, sadece ideal geri bildirim mekanizmaları için değil, aynı zamanda yeni ilaç hedefleri olarak hizmet etme potansiyelleri için de ilgi toplamışlardır. Diğer taraftan, riboşalterlerin, geri besleme mekanizmaları yoluyla hücrede hayati yolların düzenlenmesinde önemli rolleri vardır. Bu özelliklerinden dolayı riboşalterler, çoklu ilaç direncine (MDR) bir çözüm bulmak amacıyla, teorik ve pratik olarak antibiyotik tasarımı için potansiyel yeni hedefler olarak kabul edilmiştir. Bu çalışmada iki amaç yer almaktadır. Birinci amacımız insan genomunda literatürde mevcut olan riboşalter yapılarıyla anlamlı derecede uyumluluk gösteren gen sekanslarının tespit edilmesi ve bu gen sekanslarının bilinmeyen fonksiyonlarının ortaya çıkarılmasıdır. Bu doğrultuda lizin (lysine) riboşalteri ile insan genomunun belirli bölgelerinde anlamlı kabul edilebilecek sınıra yakın eşleşmeler elde edilmiştir. Çalışmamızın ikinci amacı ise, "Rfam" biyolojik veri tabanında yer alan erişime açık verileri kullanarak, riboşalter RNA aile üyelerinin potansiyel bir ilaç hedefi olarak düşünüldüğü sanal tarama analizi süreçlerini organize eden bir ardışık düzen oluşturmaktır. Çalışma sonucunda oluşturduğumuz ardışık düzen "V. vulnificus" genomuna ait sanal tarama analizi sonuçlarını elde etmeyi başarmıştır. Elde edilen sanal tarama analizleri Lipinski kuralı dikkate alınarak incelendiğinde "ZINC000040394717" erişim kimliğine sahip molekülün "Ceftazidime"; "ZINC000004097280" erişim kimliğine sahip molekülün ise "Ciprofloxacin" ile benzer moleküller olduğu söylenebilir. Ceftazidime ve Ciprofloxacin "V. vulnificus" organizması kaynaklı hastalıkların tedavisinde kullanılan ilaçlar arasındadır. Benzerlik bulduğumuz ZINC erişim kimliğine sahip moleküllerin literatürde henüz bilinen bir kullanımı yoktur. Bu açıdan literatüre katkıda bulunulmuştur.
Hemşirelerin bilişim yetkinlikleri ve teknolojiye bağlı streslerinin iş performansları üzerine etkisinin belirlenmesi
Araştırma, hemşirelerin bilişim yetkinlikleri ve teknolojiye bağlı streslerinin iş performansları üzerine etkisini belirlemek amacıyla yapılmıştır. Tanımlayıcı kesitsel olarak gerçekleştirilen çalışmaya 147 hemşire alınmıştır. Verilerin toplanmasında, "Tanıtıcı Özellikler Formu", "TIGER Temelli Hemşirelik Bilişimi Yetkinliklerini Değerlendirme Aracı", "Tekno-stres Ölçeği" ve "Bireysel İş Performansı Ölçeği" kullanılmıştır. Veriler, t testi, Mann Whitney U testi, Kruskal Wallis testi, Pearson korelasyon ve linneer regresyon (stepwise) analizi ile değerlendirilmiştir. Lineer regresyon (stepwise) analizine göre TIGER Temelli Hemşirelik Bilişim Yetkinlikleri Değerlendirme Aracı'nın dört faktörü ve TSÖ'nin bir faktörü BİPÖ üzerinde etkili bulunmuştur (p<0.05). Söz konusu değişkenler BİPÖ toplam puanındaki değişimin %29.0'unu açıklamaktadır (R2= 0.290). Modele göre TSÖ'nin "Tekno-Karmaşıklık" alt boyut toplam puanı ile BİPÖ toplam puanının negatif yönde anlamlı bir ilişki gösterdiği tespit edilmiştir (p<0.001). Lineer regresyon (stepwise) analizine göre teknostres ölçeğinin tekno-karmaşıklık alt boyutunun bireysel iş performansını negatif yönde etkilediği saptanmıştır (R2= 0.138, B= -0.305, p< 0.001). TIGER Temelli Hemşirelik Bilişim Yetkinlikleri Değerlendirme Aracı ve TSÖ toplam puanının BİPÖ toplam puanı üzerindeki lineer regresyon (stepwise) analizine göre TSÖ'nin model için anlamlı olduğu bulunmuştur. Modele göre TSÖ toplam puanı ile BİPÖ toplam puanının negatif yönde anlamlı bir ilişki gösterdiği belirlenmiştir (p<0.001). TSÖ toplam puanı bir birim arttıkça BİPÖ toplam puanı 0.3 birim azalmaktadır (B= -0.332, p< 0.001). Söz konusu değişken BİPÖ toplam puanındaki değişimin %12.0'sini açıklamaktadır (R2= 0.120). Sonuç olarak, hemşirelerin tekno-karmaşıklık ve genel teknostes düzeylerindeki artış ile bireysel iş performanslarının azaldığı belirlenmiştir. Elde edilen bu sonuçlar doğrultusunda, hemşirelerin teknostres düzeylerinin azaltılmasına yönelik eğitimlerin verilmesi önerilmektedir.
Genişletilmiş lateral inhibisyon yöntemiyle oct verileri üzerinden retinal hastalıkların sınıflandırılması
Bu tez çalışması, Optik Koherens Tomografi (OCT) görüntüleri üzerinden retinal hastalıkların otomatik olarak sınıflandırılması amacıyla lateral inhibisyon prensibini entegre eden yenilikçi bir derin öğrenme modeli geliştirmeyi hedeflemektedir. Retina hastalıkları, küresel ölçekte ciddi görme kaybına yol açmakta olup, erken ve doğru tanının önemi büyüktür. Geleneksel yöntemlerle OCT görüntülerinin manuel analizi, zaman alıcı ve hata payı yüksek bir süreçtir. Bu durum, makine öğrenimi destekli analiz yöntemlerine olan ihtiyacı belirgileştirmiştir. Son yıllarda derin öğrenme teknikleri, retinal hastalıkların sınıflandırılması görevlerinde yüksek doğruluk oranları sağlamıştır. Ancak biyolojik esinlenmeli yaklaşımların bu alandaki potansiyeli yeterince incelenmemiştir. Bu çalışmada, biyolojik sinir ağlarında bulunan lateral inhibisyon mekanizmasından esinlenerek, bunun derin öğrenme mimarilerine entegre edilmesiyle, retinal hastalıkların daha etkin sınıflandırılmasına yönelik bir model geliştirilmiştir. DenseNet121, InceptionV3, ResNet50 ve Xception gibi popüler CNN mimarileri kullanılarak elde edilen sonuçlar, lateral inhibisyonun genel model performansını belirgin ölçüde artırdığını göstermiştir. Yapılan karşılaştırmalı analizlerde lateral inhibisyon uygulanan modellerin özellikle CNV ve DME sınıflarında daha yüksek F1-skorları ve doğruluk değerleri elde ettiği tespit edilmiştir. Sonuçlar, lateral inhibisyon prensibinin derin öğrenme modellerine entegrasyonunun OCT görüntülerinin sınıflandırılmasında önemli bir performans artışı sağladığını ortaya koymaktadır. Bu yaklaşımın klinik ortamlarda retinal hastalıkların erken ve doğru teşhisine katkıda bulunacağı düşünülmektedir. Gelecekte yapılacak çalışmaların, farklı tıbbi görüntüleme yöntemleri ve daha geniş veri setleri üzerinde lateral inhibisyon prensibinin etkisini inceleyerek, bu yöntemin klinik uygulamalarda yaygın olarak kullanılabileceği düşünülmektedir.