Diyabetik ayak hastalarının ampütasyon riskinin yapay zekâ teknikleri ile öngörülmesi

Diyabetik ayak sendromuna bağlı gelişen diyabetik ayak ülserleri, yüksek morbidite ve mortalite ile karakterize olup hastalar için ampütasyon gibi hayati sonuçları olabilen diyabetin en önemli komplikasyonları arasında bulunmaktadır. Bu doktora tez çalışmasının temel amacı diyabetik ayak hastalarının ampütasyon riskinin yapay zekâ-makine öğrenmesi sınıflandırma algoritmaları kullanılarak öngörülmesidir. Çalışmada kullanılan veri seti, İstanbul Üniversitesi Tıp Fakültesi Sualtı Hekimliği ve Hiperbarik Tıp Anabilimdalı'nda diyabetik ayak infeksiyonu tanısıyla Ocak 2009 – Eylül 2019 tarihleri arasında tedavi görmüş ve takip süreçleri sonlanmış 407 hastayı içermektedir. Bu tez çalışmasında, diyabetik ayak hastaları retrospektif olarak değerlendirilmiş, hastaların başvuru anındaki demografik ve klinik özellikleri ile takip ve tedavi sonucu sağlanan fayda ve ampütasyon ilişkisi yapay zekâ teknikleri ile açığa çıkarılmıştır. Araştırmada yöntem olarak Veri Tabanlarında Bilgi Keşfi süreci takip edilmiştir. Veri setindeki diyabetik ayak hastalığına ilişkin en önemli nitelikler Temel Bileşenler Analizi yoluyla belirlenmiştir. Bu tez çalışmasında diyabetik ayak hastalarının hem genel hem de majör ve minör ampütasyon riskinin öngörülmesi için çeşitli tahmin/sınıflandırma modelleri oluşturulmuştur. Bu modellerin kurulmasında, k-En Yakın Komşu algoritması, Sade Bayes Sınıflandırıcı, Sınıflandırma ve Regresyon Ağaçları algoritması (CART), Rastgele Orman Algoritması, Yapay Sinir Ağları, Aşırı Öğrenme Makineleri, Destek Vektör Makineleri, Lojistik Regresyon ve XGBoost algoritmalarından yararlanılmıştır. Hiperparametre optimizasyonu için ayrıca Genetik Algoritma ve Parçacık Sürü Optimizasyonu algoritmaları da kullanılmıştır. Model performans değerlendirme yöntemleri olarak; çapraz geçerleme, ikili ayırma yöntemi, "bootstrap sampling" ve üçlü ayırma yöntemleri kullanılmıştır. Veri seti ve alt kırılım veri setlerinde uygun makine öğrenmesi sınıflandırma algoritmalarının uygulanması hem nitelik seçimi işlemi gerçekleştirilmeden hem de gerçekleştirildikten sonra tekrarlanmıştır. Sonuç olarak nitelik seçimi yapılarak oluşturulmuş, kategorik ve nümerik değerlerden oluşan alt kırılım veri setinde daha iyi test performansı gösteren modeller; temelinde topluluk öğrenme metodolojisi bulunan "ensemble" bir yöntem olan "Rastgele Orman Algoritması" (doğruluk: 0,78; duyarlılık: 0,67; belirleyicilik: 0,87; kesinlik: 0,80; Negatif Öngörü Değeri: 0,77; F-Ölçütü:0,73) ve "Lojistik Regresyon" (doğruluk: 0,90; duyarlılık: 0,94; belirleyicilik: 0,86; kesinlik: 0,84; Negatif Öngörü Değeri: 0,95; F-Ölçütü: 0,89) algoritmaları olup, seçilen deney koşullarında diğer algoritmalara kıyasla daha iyi performans göstermiştir. R-Shiny kullanıcı ara yüzüne bu nedenle genel ampütasyonu tahmin etmek için oluşturulmuş ve ilgili deney koşullarında en yüksek performansı gösteren bu iki model entegre edilerek diyabetik ayak tedavisi ile uğraşan hekim ve sağlık personeline yardımcı bir karar destek sistemi geliştirilmiştir.