Kronik böbrek hastalığı ve diyabet için elektrokardiyogram üzerinden iyonik konsantrasyon tahmini

Kronik böbrek hastalığı ülkemizde ve dünyada önemli bir sağlık problemi olarak ortaya çıkmaktadır. Türk Nefroloji Derneği tarafından ülkemizde yapılan çalışmalarda, erişkinlerin %15,7'sinde çeşitli evrelerde kronik böbrek hastası bulunmaktadır. Bu oranın, yaklaşık olarak 7,5 milyona yakın kişinin kronik böbrek hastası bulunduğunu ve her 7 erişkinden birinin böbrek hastası olduğu anlamına gelmektedir. Bu hastalar için ilk tedavi hemodiyalizdir. Bununla birlikte, diyalize giren hastalarda kardiyovasküler hastalıkların neden olduğu ölüm sıklığı, genel popülasyona göre %10 ile %30 daha yüksektir. Bu iki hastalık arasındaki bağlantı nedenlerinden biri, iki hasta grubunda kalsiyum ve potasyumun değişen iyonik konsantrasyonları olabilmektedir. Altta yatan etkileri analiz etmek ve olası bir risk tahmini için diyalizden etkilenen iyonik konsantrasyonların sürekli olarak izlenmesinin önemli olduğu görülmektedir. Özellikle hemodiyaliz tedavisi gören hastalarda, elektrokardiyogram (EKG) tabanlı kan potasyum (K+) ve kalsiyum (Ca2+) seviyelerinin tahmini, elektrolit dengesizliklerini izlemek için umut verici bir invaziv olmayan yöntemdir. Bu yöntem, QRS kompleksi ve T dalgası gibi EKG sinyallerindeki morfolojik değişikliklerden yararlanarak serum elektrolit konsantrasyonlarını tahmin edebilir ve bu da sık sık kan testlerine olan ihtiyacı azaltılmasına yardımcı olmaktadır. Kronik böbrek hastalığına benzer bir şekilde Diyabet hastalığı, insülin salgısındaki, insülin etkisindeki veya her ikisindeki bozukluklar nedeniyle hiperglisemi ile karakterize edilen bir durumdur ve bu da uzun vadede organ hasarına yol açmaktadır. Patojenik süreçler, pankreatik β-hücrelerin otoimmün yıkımından insülin direncine ve yetersiz insülin salgılanmasına neden olmaktadır. Diyabet hastalığının belirtileri arasında kilo kaybı ve bulanık görme yer almaktadır. Kronik hiperglisemi, büyüme bozukluğuna ve enfeksiyonlara karşı artan duyarlılığa yol açmaktadır. Akut uzun vadeli komplikasyonlar arasında retinopati, nefropati, periferik ve otonom sinir hastalığı ile kardiyovasküler hastalıklar için risk bulunmaktadır. EKG ve kan şekeri arasındaki ilişki, son dönemde yapılan araştırmaların önemli bir odak noktası haline gelmiştir. Kan şekeri seviyelerindeki değişimlerin, kalbin elektriksel aktivitesini etkilediği bilinmektedir. Hipoglisemi (düşük kan şekeri) ve hiperglisemi (yüksek kan şekeri) dönemleri, EKG'deki belirli parametreler üzerinde önemli etkiler yaratmaktadır. Özellikle, ST, QT, PR aralıkları ve HRV parametreleri bu değişikliklere duyarlı olabilir. Yapılan çalışmalar, bu parametreler ile kan şekeri seviyeleri arasında bir doğrusal ilişki olduğunu göstermektedir. Bu bulgu, kan şekeri seviyelerinin non-invaziv olarak EKG verileri üzerinden tahmin edilmesine olanak tanıyacak yeni yöntemlerin geliştirilmesine kapı aralamaktadır. Böylelikle, sürekli glükoz takibinin, özellikle diyabet hastaları için, ağrısız, düşük maliyetli ve kullanıcı dostu bir yöntemle sağlanabileceği düşünülmektedir Diyabet ve kronik böbrek hastalığı (KBH) gibi yaygın sağlık sorunlarını yönetmek için elektrolit dengesizliklerini doğru bir şekilde izlemek, hastaların tedavi süreçlerini iyileştirmek için çok önemlidir. Bu dengesizliklerin izlenmesi mevcut klinik uygulamalarda genellikle kan testleri ile yapılmaktadır. Bununla birlikte, bu testlerin invaziv olması hastaları rahatsız edebilir ve sürekli gözlem gerektiren durumlarda yetersiz olabilir. Sonuç olarak, çağdaş tıp, daha az invaziv olan ve sürekli takip gerektiren alternatif yöntemler üretilmelidir. Bu tez çalışması, iyonik konsantrasyonları izlemek için biyo-sinyallerin, özellikle EKG sinyallerinin nasıl kullanılabileceğini incelemektedir. EKG, kalbin elektriksel aktivitesini kaydeder ve vücuttaki elektrolit seviyelerindeki değişiklikler bu sinyallerle ilişkilendirilebilir. Elektrolit seviyelerindeki değişiklikler, EKG'de belirli dalgalar üzerinde morfolojik değişikliklere sebep olabilir. Bu elektrolit ve EKG arasındaki ilişki, EKG sinyallerinin iyonik konsantrasyon tahmininde kullanılabileceğini göstermektedir. Çalışmada, Potasyum, Kalsiyum ve Glükoz için sırasıyla 116, 101 ve 1062 bireyden alınan EKG sinyali kullanılmıştır. Sınıflandırma ve regresyon için EKG sinyali kullanılarak yapay zekâ tabanlı algoritmalar tasarlanmıştır. Çalışma için EKG'den 61, özellik çıkarılmıştır. Çıkarılan özelliklerin, ANOVA ve F-test yöntemiyle, istatistiksel olarak, normal ve anormal durumlar veya konsantrasyon seviyeleri için ayırt edici olup olmadığı tespit edilmeye çalışılmıştır. Ayrıca, özellikler, ANOVA ve F-test özellik seçme yöntemleriyle üç defa azaltılarak sınıflandırma ve regresyon algoritmalarına uygulanmıştır. Çalışmanın ilk bölümünde makine öğrenmesi yöntemlerinin bu alanda nasıl kullanılabileceği tartışılmıştır k-NN, DVM ve Ensemble Öğrenme Yöntemleri kullanarak potasyum, kalsiyum ve glükoz konsantrasyonlarındaki anormal ve normal durumları tahmin etmek için sınıflandırma modelleri incelenmiştir. Bu modellerin performansı, doğruluk, duyarlılık, özgüllük, F-ölçümü, MCC ve kappa skoru dahil olmak üzere bir dizi kriter kullanılarak karşılaştırılmıştır. Sınıflandırma sonuçlarına göre kalsiyum verisi için normal ve anormal durumları 14 özellik ile, %75,93 duyarlılık, %55,32 özgüllük ve %66,34 sınıflandırma doğruluk oranı ile k-NN sınıflandırıcısı yardımıyla başarı ile sınıflandırılmıştır. Potasyum verisi için normal ve anormal durumları 6 özellik ile, %47,83 duyarlılık, %86,02 özgüllük ve %78,45 sınıflandırma doğruluk oranı ile Ensemble sınıflandırıcısı yardımıyla başarı ile sınıflandırılmıştır. Glükoz verisi için Hipoglisemi Hiperglisemi Euglisemi durumlarını 61 özellik ile, %56,47 duyarlılık, %80,52 özgüllük ve %80,13 sınıflandırma doğruluk oranı ile başarıyla gerçekleştirilmiştir Ensemble için belirlenen modeller, özellikle potasyum ve glükoz seviyelerinin tahmininde yüksek doğruluk göstermiştir. Ancak, düşük duyarlılık oranı nedeniyle doğru pozitif sonuçlar göz ardı edilir. Bu durum, modelin potasyum ve glükoz tahminlerinde yüksek doğruluk gerektiren ancak yanlış negatif sonuçların tolere edilebileceği durumlar için kullanılabileceğini göstermektedir. Kalsiyum seviyeleri üzerinde daha dengeli çalışan k-NN modeli en yüksek F-ölçümü skorunu almıştır. Bu, k-NN'nin yanlış pozitif ve negatif sonuçlar arasında denge gerektiren uygulamalar için uygun bir model olabileceğini göstermektedir. Ensemble yöntemleri, belirli bir alanda öne çıkmaksızın tüm ölçütlerde ortalama değerler sunarak dengeli bir yaklaşım sağlamıştır. Bu, modelin uygulamanın gereksinimlerine uygun olarak seçilmesi gerektiğini vurgulamaktadır. Çalışmanın ikinci bölümünde, kronik böbrek hastalığı ve diyabet hastalarında kalsiyum, potasyum ve glükoz seviyelerinin tahminine yönelik regresyon modelleri ile yöntemler önerilmektedir. Bu hastalar için, iyonik konsantrasyonların doğru bir şekilde izlenmesi çok önemlidir. Bu konsantrasyon seviyelerindeki değişiklikler, hemodiyaliz tedavisi gören hastalarda kalp hastalığı riskini artırabilmekte ya da diyabet hastalarında ani kan şekeri yükselmesine bağlı sağlık sorunlarını ortaya çıkarabilmektedir. Bu nedenle, hastaların yaşam kalitesi ve hayatta kalma şansı, sürekli izleme ve hızlı müdahale ile artırılabilir. Bu amaçla, EKG sinyallerinden önemli özellikler kaşrılaştırılarak Ensemble regresyon, YSA regresyon modeli ve FIS regresyon algoritmaları kullanılarak değerlendirilmektedir. RMSE ve R2 gibi ölçütler kullanılarak önerilen yaklaşımın performansı değerlendirilmiştir. Regresyon sonuçlarına göre konsantrasyon değerlerinin tahmininde, RMSE değeri 0,646 ve R² değeri 0,3495 ile potasyum için Ensemble regresyon yönteminde başarılı olmuştur. Kalsiyum veri kümesi için ise NN-R ile yüksek performans göstermektedir. Bu sonuçlara göre seçilen 4 özellik ile, R² 0,3732 değeri ve RMSE 0,71 değeri elde edilmiştir. Glükoz için Ensemble yöntemler, Bagging modeli ile en düşük RMSE değeri olan 2,3061 ve R² 0,4354, ile 13 özellikli modelde en iyi performansı göstermiştir. Bu da özellik seçiminin doğruluk üzerinde etkili olduğunu göstermektedir. NN-R algoritmasında ise, 2 katmanlı ve sigmoid aktivasyonlu model en iyi sonucu vermiştir (RMSE 2,8375, R² 0,1737), ancak NN-R modellerinde genel olarak R² değerleri düşük kalmıştır. Bu durum, NN-R modellerinin bu veriyi açıklamada sınırlı kaldığını göstermektedir. Sonuç olarak, bu doktora tezi çalışması, sağlık alanında iyonik konsantrasyonların izlenmesi ve tahmin edilmesi için yeni bir yöntem sunmaktadır. EKG sinyallerinin biyobelirteç olarak kullanılması, ucuz, güvenilir ve sürekli izleme sağlayan bir alternatif olarak büyük potansiyele sahiptir. Bu çalışmanın sonuçları, daha geniş kapsamlı klinik uygulamalar ve sağlık hizmetlerinde yeni teknolojiler için gelecekte temel oluşturabilir. Ek olarak, hastaların yaşam kalitesi ve sağlık hizmetlerinin etkinliği, bu yöntemlerin daha da geliştirilmesi ve mevcut sağlık izleme sistemlerine dahil edilmesi yoluyla iyileşecektir. Bu nedenle, sağlık alanında makine öğrenmesi ve sinyal işleme tekniklerinin daha yaygın olarak kullanılması beklenmektedir.