Kronik obstrüktif akciğer hastalığı teşhisi için makine öğrenmesi tabanlı yeni bir yöntem geliştirilmesi

Geçmiş ve Amaç: Kronik Obstrüktif Akciğer Hastalığı KOAH nefes almayı zorlaştıran ve zamanla kötüleşen bir tür akciğer hastalığıdır. Normalde, ciğerlerimizdeki hava yolları ve hava keseleri elastik veya esnektir. Nefes aldığınızda, hava yolları hava keselerine hava getirir. Hava kesecikleri küçük bir balon gibi hava ile dolar. Nefes verdiğimizde hava keseleri şişer ve hava dışarı çıkar. KOAH'ınız varsa, bir veya daha fazla sorun nedeniyle solunum yollarına daha az hava girer ve çıkar. KOAH kalıcı bir hastalık olarak, zamanla tedavi edilmezse tedavisi zorlaşır, bu hastalığın en büyük nedeni sigara, zararlı partiküller, dışardaki çevresel etkenler ve gazlar sebebi sonucu meydana gelmektedir. Özellikle küçük çocuk, engelli veya ilerlemiş seviyedeki hastaların spirometre aracını kullanma zorlukları ve hastaneye erişimindeki zorlukları, teşhis sürecinin kolaylaştırılması ve kısaltılmasını zorunlu kılmaktadır. Bu sorunların önüne geçebilmek, KOAH'ta erken teşhis ve daha kolay takip için KOAH teşhisinde Fotopletismografi (PPG) sinyalinin kullanımının faydalı olacağı değerlendirilmektedir. PPG, deri yüzeyinden vücudun herhangi bir yerinde ölçülebilen bir biyosinyaldir. Kalbin her atışında oluşan PPG sinyal ölçümü kolay bir sinyaldir. Literatürde PPG sinyalinin vücuda ait oldukça fazla bilgi içerdiği bilgisine yer verilmiştir. Bu çalışmada PPG sinyalinin KOAH teşhisini kullanılabilmesi için makine öğrenmesi yöntemiyle KOAH tahmin modelleri geliştirilmiştir. Yöntemler: Bu çalışmada PPG sinyalinin KOAH teşhisinde kullanılabilmesi için bir sistem tasarımı yapılmıştır. Çalışmanın amacı "PPG ile KOAH teşhis edilebilir mi?" ve "Edilebilir ise en az kaç saniyelik sinyal yardımı ile bu işlem yapılabilir?" bunu belirlemektir. Bu amaç doğrultusunda çalışma için 14 bireyden (8 KOAH, 6 Sağlıklı) ortalama 7-8 saatlik PPG kaydı alınmıştır. Alınan kayıtlar 2, 4, 8, 16, 32, 64, 128, 256, 512 ve 1024 saniyelik parçalara ayrılmıştır. Her saniye grubu için işlemler yapılmış ve hangi saniyelik sinyallerle daha performanslı teşhis yapılabildiği tespit edilmeye çalışılmıştır. Hasta bireye ait 8 saatlik kayıtlar 2 saniyelik parçalara ayrıldığında her parçaya hasta etiketi verilmiştir. Aynı işlem sağlıklı birey için yapıldığında tüm parçalara Sağlıklı etiketi verilmiştir. Her bir sinyal grubu öncellikle 0.1-20 Hz sayısal filtreleme yöntemiyle temizlenmiştir. Ardından 25 adet zaman domeninde özellik çıkarılmıştır. En sonunda oluşan veri setleri (2, 4, 8. sn) karar ağaçları makine öğrenmesi yöntemleri ile sınıflandırılmıştır. Çalışmada PPG sinyali gürültüden temizlenmiş ve PPG'nin üç alt frekans bantlarına sahip yeni PPG sinyalleri elde edilmiştir. Dört sinyalden her birinden 25 adet özellik çıkarılmıştır. Toplam 100 adet özellik çıkarılmıştır. Buna ek olarak yaş, kilo ve boy özellik olarak kullanılmıştır. Performansın artırılması amacıyla Fisher özellik seçme algoritması kullanılmıştır. Sonuçlar: Geliştirilen PPG tahmin modelleri tüm bireyler için doğruluk oranı 0.95 performans değerlerine sahiptir. Özellik seçme algoritmasında kullanılar sınıflandırma algoritmalari performans artışına yardımcı olmuştur. Çözüm: Elde edilen sonuçlara göre 2 saniyelik veri grubu ile en yüksek performans değerlerine ulaşılmış olup 0.99 duyarlık, 0.99 özgüllük ve %98.99 doğruluk oranı elde edilmiştir. Elde edilen sonuçlara göre PPG bazlı KOAH tahmin modelleri pratikte kullanılabileceği düşünülmektedir.