Karpal tünel ön tanılı hastaların yapay zeka kullanılarak EMG analizi

Amaç: Karpal tünel sendromu (KTS), genel popülasyonda en sık görülen kompresyon nöropatisidir ve tanısında EMG testi altın standarttır. Yapay zeka (YZ) ise sağlık hizmetlerinde devrim meydana getirerek daha doğru teşhis ve sınıflandırma sağlamıştır. Bu çalışmada, EMG parametrelerini YZ algoritmaları ile değerlendirerek YZ'nin sağlık sektöründeki kullanımını geliştirmeyi hedefliyoruz. Gereç ve Yöntem: Çalışmada kullanılan veriler, 01.10.2011- 30.06.2023 tarihleri arasında hastanemizdeki Dahili Tıp Bilimleri Nöroloji Anabilim Dalı Elektronörofizyoloji Laboratuvarı'ndan toplanmıştır. Araştırmaya toplamda 1.649 hastaya ait her el için birer tane olmak üzere toplamda 3298 EMG verisi dahil edilmiştir. Toplanan ve ön işleme tabi tutulan EMG verileri, makine öğrenimi algoritmaları ile analiz edilmiştir. Bu çalışmada kullanılan makine öğrenimi algoritmaları arasında; "Decision Tree", "K-Nearest Neighbour", "Suport Vector Machine", "Random Forest", "Naive Bayes", "CatBoost", "Xgboost", "Light GBM" yer almaktadır. Bulgular: Tüm modellerin doğruluk oranları (accuracy) yüksek olmakla birlikte, özellikle CatBoost, Random Forest ve XGBoost modelleri en yüksek doğruluk oranlarını elde etmiştir (%90, %90, %89 sırasıyla). KNN ve Naive Bayes modelleri, doğruluk oranı açısından diğerlerine göre daha düşük performans sergilemiştir (%77, %79 sırasıyla). Sonuç: Tezimizde kullanılan makine öğrenmesi metotları genel olarak karpal tünel tanısı ve derecesi tahmininde yüksek başarı göstermekle beraber özellikle "hafif KTS" ve "ağır KTS" grupları tahmininde bazı sınırlamalar olduğunu gösteriyor. Anahtar Kelimeler: Derin Öğrenme, Elektromiyografi, Karpal Tünel Sendromu, Makine Öğrenmesi, Yapay Zeka