Makine öğrenmesi ile AHİ (Apne-Hipopne İndeksi) hesaplaması yapılmadan polisomnografi verilerinden AHİ tahmini: Fizyolojik parametrelere dayalı regresyon modeli geliştirilmesi

Makine Öğrenmesi ile AHI (Apne-Hipopne İndeksi) Hesaplaması Yapılmadan Polisomnografi Verilerinde AHI Tahmini: Fizyolojik Parametrelere Dayalı Regresyon Modeli Geliştirilmesi Amaç: Bu çalışmanın amacı, polisomnografi (PSG) sırasında ölçülen ancak Apne-Hipopne İndeksi (AHI) hesaplamasına doğrudan dahil edilmeyen fizyolojik parametreler kullanılarak, makine öğrenmesi temelli regresyon ve sınıflama modelleri ile AHI değerinin tahmin edilebilirliğini değerlendirmektir. Çalışmanın özgün katkısı, oksijenizasyon, arousal ve uyku mimarisi değişkenlerini çok boyutlu olarak işleyen yapay zeka modelleri geliştirmesi ve ağır OSA hastalarını erken dönemde doğru şekilde saptayabilecek klinik uygulanabilir bir karar destek yaklaşımı sunmasıdır. Gereç ve Yöntem: Retrospektif kesitsel tasarlanan çalışmaya PSG testi tamamlanmış 922 birey dahil edilmiştir. Hastaların demografik verileri ve PSG parametreleri kaydedilmiştir. Regresyon (AHI tahmini) ve sınıflama (ağır OSA tespiti) görevleri için üç farklı makine öğrenmesi algoritması (Random Forest, XGBoost, CatBoost) kullanılmıştır. Model eğitiminde nested cross-validation ve hiperparametre optimizasyonu uygulanmış; korelasyon, VIF ve SHAP analizleri ile değişkenlerin ilişkileri, çoklu doğrusal bağlantı ve açıklanabilirlik değerlendirilmiştir. Performans ROC-AUC, PR-AUC, F1 skoru, MAE, RMSE ve Brier skoru ile ölçülmüştür. Bulgular: Çalışmada oksijenizasyon değişkenleri (≥%3 desatürasyon olay sayısı, ortalama desatürasyon yüzdesi, minimum SaO₂) ve arousal sayısı, AHI ile en güçlü ilişki gösteren bağımsız değişkenler olarak saptanmıştır. CatBoost modeli hem regresyon hem sınıflama analizlerinde en yüksek performansı göstermiştir (ROC-AUC >0.90, yüksek PR-AUC, düşük MAE/RMSE, iyi kalibrasyon). VIF değerlerinin 10'un altında olması multikolinearitenin kritik düzeyde olmadığını doğrulamıştır. SHAP analizleri, modelin öngörü gücünde en baskın katkıyı oksijenizasyon metrikleri ve arousal sayısının sağladığını ortaya koymuştur. Modellerin klinik faydasını değerlendiren Decision Curve Analysis (DCA), CatBoost'un tüm olasılık eşiklerinde en yüksek net faydayı sağladığını göstermiştir. Sonuç: Bu çalışma, klasik AHI hesaplamasına dahil olmayan fizyolojik PSG parametreleri ile AHI'nin yüksek doğrulukla tahmin edilebileceğini ortaya koymuştur. Elde edilen makine öğrenmesi modelleri, özellikle ağır OSA hastalarının erken ve doğru tanınmasında klinik olarak güçlü bir karar destek potansiyeline sahiptir. Oksijenizasyon bozukluğu ve uyku fragmantasyonu, AHI'den bağımsız olarak hastalık yükünün belirlenmesinde belirleyici rol oynamaktadır. Geliştirilen modellerin yüksek performansı, OSA tanısında otomatik skorlama, iş yükü azaltma ve maliyet etkinliğin artırılması açısından gelecekte klinik uygulamalara entegre edilebilecek nitelikte olduğunu göstermektedir..