Huzursuz bacaklar sendromunda inflamatuar risk faktörlerinin lojistik regresyon analizi ve makine öğrenmesi algoritmaları ile incelenmesi

Giriş: Son yıllarda teknolojinin hızla ilerlemesi, büyük ve karmaşık veri setlerinin çoğalmasıyla birlikte yapay zeka istatistik alanında da ilgi çekici hale gelmiştir. Özellikle sağlık ile ilgili çalışmalarda lojistik regresyon analizi ve makine öğrenmesi yöntemlerinin karşılaştırılmasına yönelik ilgi artmıştır. Çalışmamızda uyku bozukluğu hastalığı olan huzursuz bacaklar sendromu (HBS)'na sahip hastalarda sistemik inflamatuar belirteçlerin patogenezdeki olası rolünü lojistik regresyon analizi ve makine öğrenme yöntemlerini kullanarak araştırmayı amaçladık. Yöntem : Ocak 2022-Haziran 2023 tarihleri arasında HBS tanısı almış 18-65 yaş arası 230 hasta 230 sağlıklı kontrol alındı. Hasta ve kontrol gruplarına ait demografik ve laboratuvar verileri retrospektif olarak kaydedildi. Hastalık tahmininde olası rolü araştırılan bağımsız değişkenler lojistik regresyon, destek vektör makineleri (SVM) ve K en yakın komşu (KNN) algoritmaları ile analiz edildi. R istatistik yazılımı ile veriler eğitim ve test verisine ayrıldıktan sonra elde edilen bulgular karşılaştırıldı. Bulgular: Hasta grubunda yaş medyan 51,0 (IQR: 44,0–58,0) yıl ve kadın oranı %73,9, , kontrol grubunda yaş medyan 43,5 (IQR: 37,0–49,0) yıl ve kadın oranı %58,7 idi. Oluşturulan modelin test verisi doğru tahmin yüzdesi KNN algoritması %65,21, SVM algoritması %51,44, LR modeli ile %50,0 olarak bulunmuştur. Çalışmamızda her üç model metrik ölçütleri karşılaştırıldığında KNN modeli hem eğitim verisi hem de test verisi üzerinde diğer iki modele göre daha yüksek performans sergilemiştir. Sonuçlar: Çalışmamızda HBS varlığını tahminde KNN algoritmasının LR ve SVM algoritmasından daha iyi performans gösterdiği saptadık. Makine öğrenmesi algoritmalarının geliştirilmesinin, sağlık alanında da gelişmelere katkı sağlayacağına inanmaktayız.