Osas hastaları için CPAP cihazlarındaki optimum basıncın yapay zeka ile tahmini

Tıkayıcı uyku apne sendromu (Obstructive Sleep Apnea Syndrome: OSAS), uyku sırasında tekrarlayan üst solunum yolu daralmaları veya tıkanmaları nedeniyle soluk kesilmeleri şeklinde kendini gösteren bir uyku bozukluğudur. Uykuda oluşan soluk kesilmeleri kişilerin uyku devamlılığını bozmakta, derin ve dinlendirici bir uyku uyunmasını engellemekte ve bu sayede günlük yaşamlarını olumsuz bir şekilde etkilemektedir. Ayrıca soluk kesilmeleri sıklıkla kanda oksijen doygunluğunu azaltarak başta kalp damar hastalıkları olmak üzere birçok ciddi hastalığın ortaya çıkmasına neden olmakta ve hatta ölüme bile sebebiyet verebilmektedir. Tüm bu olumsuz etkilerin ortadan kaldırılabilmesi için OSAS teşhisi konulmuş hastalara etkili bir tedavinin uygulanması gerekmektedir. Sürekli Pozitif Havayolu Basınç (Continious Positive Airway Pressure: CPAP) terapisi OSAS için altın standart tedavi yöntemidir. CPAP cihazları ile gerçekleştirilen bu tedavide, belirlenen sabit basınç ile hastaların üst solunum yolunun açık kalması sağlanmaktadır. Hastalar için tedavi edici en etkin basınç (optimum CPAP seviyesi) uyku uzmanları tarafından uyku laboratuvarlarında manuel titrasyon süreci ile belirlenir. Fakat bu süreç hem maliyetli ve zaman alıcı hem de oldukça yorucudur. Bu nedenle, optimum CPAP seviyesinin belirlenebilmesi amacıyla, titrasyona alternatif çözümler geliştirme yönünde literatürde çok sayıda çalışma yürütülmüştür. Çalışmaların büyük kısmı hastaya uygulanacak optimum CPAP seviyesinin doğrudan tahmini üzerinde durmuş ve tahmin için çoğunlukla benzer özellikler üzerine kurulmuş regresyon tabanlı formülleri alternatif çözümler olarak üretmişlerdir. Ancak günümüze kadar klinikte tam manasıyla kabul gören, uygulanabilir ve yüksek doğrulukta bir alternatif çözüm halen geliştirilememiştir. Gerçekleştirilen bu tez çalışmasında, OSAS şüphesi ile Necmettin Erbakan Üniversitesi, Meram Tıp Fakültesi, Göğüs Hastalıkları Anabilim Dalı, Uyku Kliniğine başvuran kişiler arasından CPAP terapisi ile tedavi edilmesi gerekli görülenlerin optimum CPAP seviyeleri tahmin edilmiştir. Tahmin işlemi gerçekleştirilmeden önce Doğrusal Olmayan Analiz ve Kural Tabanlı Algoritma yaklaşımları ile polisomnografi sinyallerinden olan nazal kanül hava akımı ve oksimetri sinyalleri kullanılarak, tez çalışmasına dahil edilen kişilerin OSAS hastası olup olmadığı ve CPAP terapisi gerektirip gerektirmediği belirlenmiştir. Doğrusal Olmayan Analiz Yaklaşımı ile OSAS hastaları sağlıklı bireylerden %93.10 doğruluk, %96.43 duyarlılık ve %81.82 özgüllük değerleri ile ayırt edilmiş ve CPAP terapisi gerektiren hastalar %96.25 duyarlılık ve %89.53 kesinlik ile tespit edilebilmiştir. Kural Tabanlı Algoritma yaklaşımı ise OSAS hastalarını sağlıklı bireylerden %98.62 doğruluk, %98.21 duyarlılık ve %100 özgüllük ile ayırırken, CPAP terapisi gerektiren hastaları %100 duyarlılık ve %100 kesinlik ile belirleyebilmiştir. OSAS terapisi ile tedavi gerektiren hastaların belirlenmesinin ardından, bu hastaların demografik ve antropometrik bilgileri, nazal kanül hava akımı ve oksimetri sinyalleri, gece boyunca geçirmiş olduğu apneik atakları ve oksijen azalımları göz önünde bulundurularak farklı özellik setleri oluşturulmuştur. Daha sonra farklı özellik setlerindeki özellikler arasından optimum CPAP seviyeleri üzerinde en etkili olanların seçimi gerçekleştirilmiş ve hem tüm özelliklerin hem de etkin olarak seçilen özelliklerin doğrusal regresyon analizleri ve çeşitli yapay zeka yöntemleri ile kullanılmasıyla hastalara ait optimum CPAP seviyeleri tahmin edilmiştir. Son olarak yüksek tahmin performansının sağlandığı özellikler ve yöntemlerle (adım adım çoklu doğrusal regresyon analizi, yapay sinir ağları, destek vektör makinesi, rastgele orman ve k en yakın komşuluk) 40 farklı CPAP tahmin modeli geliştirilmiştir. Bu 40 CPAP tahmin modelinin 36 tanesi farklı yapay zeka yöntemleri ile elde edilirken, yalnızca 4 tanesi doğrusal regresyon analizi ile elde edilmiştir. Sonuç olarak, polinom veya radyal tabanlı çekirdek fonksiyonlarına sahip Destek Vektör Makineleri, yapay zeka yöntemleri ile geliştirilen 36 modelden 24'ünü oluşturarak tahmin işleminde en başarılı yöntem olmuştur. Geliştirilen 40 modelin 25'i tez çalışmasında tahmin edilen CPAP seviyeleri ile uzmanların uyku laboratuvarlarında belirlediği optimum CPAP seviyeleri arasında yüksek ilişki (0.6 ≤ r <0.8; 0.36 ≤ r2<0.64) ortaya koymuş, 10'u ise bu ilişkiyi çok yüksek (r ≥ 0.8; r 2 ≥ 0.64) olarak tanımlamıştır. Tez çalışmasında elde edilen tüm sonuçlar genel olarak değerlendirildiğinde, hava akımı ve oksimetri sinyallerine, OSAS hastalarının geçirmiş oldukları apneik ataklara ve ataklara bağlı olarak oluşan oksijen seviyelerindeki azalımlara ait özelliklerin optimum basınçlar üzerinde büyük etkileri olduğu görülmüştür. Ayrıca, bu tez çalışması, tahmin için kullanılan özellikler arasındaki doğrusal ve doğrusal olmayan ilişkilerin yapay zeka yöntemleri ile daha iyi açıkladığını ve bu sayede optimum CPAP seviyelerinin tahmini için literatürde çoğunlukla tercih edilen doğrusal regresyon analizlerine göre birçok yapay zeka yönteminin genellikle daha başarılı sonuçlar ürettiğini ortaya koymuştur. Tez çalışması geliştirilen yeni CPAP tahmin modellerini ve modellerde tahmin parametreleri olarak kullanılan yeni özellikleri literatüre kazandırmıştır.