Fotopletismografi sinyali ile Bruksizm teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi

Uyku Bruksizmi (SB), bireyin farkında olmadan dişlerini sıkması veya gıcırdatması sonucu çene kaslarında anormal aktivitelere yol açan; hem dental hem de genel sağlık üzerinde olumsuz etkileri olabilen bir durumdur. Diş aşınması, çene eklemi bozuklukları, baş ağrısı ve uyku kalitesinde bozulma gibi çeşitli şikâyetlere neden olabilirken; tedavi edilmediği takdirde daha ciddi nöromüsküler ve psikolojik komplikasyonlara yol açabilmektedir. Bruksizmin erken teşhisi, neden olduğu olumsuz etkiler başlamadan önce önlem alınmasına olanak tanır. Ancak, bruksizmin kesin teşhisi için kullanılan polisomnografi (PSG), yüksek maliyeti, sınırlı erişilebilirliği ve uygulama zorlukları nedeniyle yaygın olarak kullanılamamaktadır. Bu durum, bruksizmin genellikle klinik muayene veya anket gibi subjektif değerlendirme yöntemleriyle "olası" ya da "muhtemel" olarak teşhis edilmesine yol açmaktadır. Oysa erken ve kesin teşhis, hem bireyin yaşam kalitesinin korunması hem de sağlık sistemine olan yükün azaltılması açısından büyük önem taşımaktadır. Bu tez çalışmasında, SB'nin noninvaziv, pratik ve yüksek doğrulukla teşhisini mümkün kılan; fotopletismogram (PPG) ve PPG'den elde edilen kalp atış hızı değişkenliği (HRV) verileri kullanılarak geliştirilen yapay zeka (AI) tabanlı bir teşhis modeli sunulmuştur. Bu kapsamda, 2013 yılına ait Sakarya Hendek Devlet Hastanesi Göğüs Hastalıkları Uyku Laboratuvarına ait kayıtlar retrospektif olarak incelenmiş; 12 uyku apnesi (SA) ve 5 uyku apnesi olmayan (Non-SA) olmak üzere toplam 17 bireye ait uyku kayıtları çalışmaya dahil edilmiştir. PSG kayıtları, Amerikan Uyku Tıbbı Akademisi (AASM) uyku evreleme kriterlerine göre uzman hekim tarafından etiketlenmiş; sadece "uyku" olarak belirlenen epoklar değerlendirmeye alınmıştır. Bu epoklardaki çene elektromiyogram (EMG) kayıtları, yine AASM kriterlerine göre uzman hekim tarafından "bruksizm" (fazik, tonik ve karma) ve "kontrol" (mikro uyarılma, solunum çabası ile ilişkili uyarılma - RERA ve periyodik bacak hareketleri - PLM) olarak etiketlenmiştir. Etiketlenen bu epokların senkronize PPG kayıtları alınarak 623 bruksizm ve 875 kontrol olmak üzere toplam 1498 veri elde edilmiştir. Veriler uygun filtre kullanılarak temizlenmiş; zaman domeninde karakteristik ve istatistiksel olmak üzere toplam 96 özellik çıkarılmıştır. Temel Bileşen Analizi (PCA) ile özellik sayısı 96'dan 47'ye düşürülmüştür. Ardından, Fisher özellik seçme yöntemi ile özelliklerin Fisher skorları hesaplanarak, en etkili biyobelirteçlerin belirlenmesi amacıyla farklı veri setleri oluşturulmuştur. Dört farklı makine öğrenmesi algoritması (destek vektör makinesi - SVM, k en yakın komşu - kNN, Ensemble ve Sinir Ağları - NN) kullanılarak, 5-kat çapraz doğrulama ve hiperparametre optimizasyonu uygulanmış; bruksizm - kontrol ikili sınıflandırma modelleri geliştirilmiştir. Modellerin performansı, daha önce görülmemiş test verileri üzerinde doğruluk, duyarlılık, özgüllük, F-ölçümü, Kappa ve alıcı işletim karakteristiği (ROC) eğrisi altındaki alan (AUC) ölçütleri ile değerlendirilmiştir. Veri seti hem SA ve hem de Non-SA bireyleri içerdiğinden, sınıflandırma başarısının bu duruma bağlı olup olmadığı analiz edilmiştir. Tüm verilerde %92,8 doğruluk ve 0,9727 AUC, sadece SA'lı bireylerde %92,3 doğruluk ve 0,9722 AUC, sadece Non-SA'lı bireylerde ise %92,9 doğruluk ve 0,9705 AUC elde edilmiştir. Bu sonuçlar, modelin SA durumunda bağımsız olarak yüksek performans gösterdiğini ortaya koymuştur. PCA sonrası 47 özellikli veri seti ile oluşturulan Ensemble modelinde %92,4 doğruluk ve 0,9676 AUC elde edilmiştir. Bu performans, 96 özellikli tüm veri setiyle elde edilen sonuçlara çok yakındır ve PCA veri setinin tüm veriyi %100 temsil ettiğini göstermektedir. PCA sonrasında özelliklerin Fisher skorları hesaplatılmış ve en yüksek Fisher skor değerine sahip özellikten başlayarak özellik sayısını her defasında bir artırarak 47 farklı veri seti elde edilmiştir. Bu veri setlerinde yapılan sınıflandırmalar sonucunda, 33 özelliğin kullanıldığı modelde %92,7 doğruluk ve 0,9685 AUC ile en yüksek başarı elde edilmiştir. Bununla birlikte, sadece 15 özelliğin kullanıldığı modelde %92 doğruluk ve 0,9691 AUC ile oldukça yakın bir başarı sağlanmıştır. Özellik sayısının 10'a düşürüldüğü durumda %91,1 doğruluk ve 0,96 AUC; yalnızca bir özelliğin (86 numaralı) kullanıldığı durumda ise %89,1 doğruluk ve 0,9374 AUC elde edilmiştir. Modellerin bireyden bağımsız performansını test etmek amacıyla Birini Dışarıda Bırak (LOO) yöntemi kullanılmıştır. Her birey sırasıyla testte, diğer bireyler eğitimde kullanılarak oluşturulan modellerin performansları; sınıflandırma başarısının bireylere özgü olmadığını ve genellenebilir olduğunu doğrulamıştır. Ayrıca, kontrol grubunun içerdiği üç farklı uyarılma türü (mikro uyarılma, RERA ve PLM uyarılma) ayrı ayrı analiz edilmiş; 47 özellikli modelde bruksizm, mikro uyarılmadan %93, RERA'dan %89,3 ve PLM uyarılmadan %87 doğruluk ile ayırt edilebilmiştir. Sonuçlar, PPG ve HRV kullanılarak geliştirilen AI destekli modellerin; yüksek doğrulukla, erken, güvenilir ve kullanıcı dostu bir şekilde bruksizmi teşhis etmede etkili olabileceğini göstermektedir. Bu yaklaşım, mevcut teşhis sistemlerine önemli bir alternatif sunmakta ve sağlıkta fırsat eşitliğini destekleme potansiyeline sahiptir. Ayrıca, bu çalışma PPG tabanlı bruksizm teşhisine yönelik literatürdeki ilk çalışma olması bakımından da önemli bir katkı sunmakta; gelecekte yapılacak çalışmalara ışık tutması beklenmektedir.