Prematüre yenidoğanlarda vaka önleme ve yönetimi için dijital ikiz

Yeni doğan prematüreler anne karnında gelişimini tamamlamadan dünyaya gelmektedir. Bu bebekler gelişimlerinin tamamlanması ve süreçlerinin izlenmesini Yenidoğan Yoğun Bakım Ünitesinde (YYBÜ) geçirmektedir. Bu süre içerisinde hastalıklara çok daha yatkın olan prematüreler için medikal parametreler ve laboratuvar bulguları sürekli olarak izlenmekte ve kayıt edilmektedir. Bazı vakalar ortaya çıktıktan birkaç saat sonrasında bebeğin ölümüyle sonuçlanabilecek kadar hızlı ilerlemektedir. Bu sebeple vaka ortaya çıkmadan önce tespit etmek ve vaka yönetimi için stratejiler geliştirilmesini sağlamak önem arz etmektedir. Dijital ikizler fiziksel bir nesnenin veya sürecin sensör değerlerinin dijital ortama aktarılmasıyla sanal bir temsilinin oluşturulmasıdır. Dijital ikizler ile yapay senaryolar üreterek gerçek hayat simülasyonları oluşturmak da mümkündür. Yapay zeka dijital ikiz modellerine ileriye yönelik tahminler ve çıkarımlar yapabilmesini sağlayan özellikler kazandırmaktadır. Bu tez çalışmasında Selçuk Üniversitesi YYBÜ'de kalan 47 prematüre bebekten elde edilen laboratuvar bulguları, medikal parametreler ve hiperspektral görüntüler ile çalışılmıştır. Alınan tüm görüntü ve parametreler zaman etiketli olarak kayıt edilmiştir. Bu veriler ile bebeklerin mevcut ve geçmiş medikal parametrelerine bakarak ileriye yönelik CRP, bilirubin ve hemoglobin değerlerini tahmin eden zaman seri analizleri ve zaman etiketli hiperspektral görüntüler ile hastalık tahmini yapan yapay zekâ modelleri geliştirilmiştir. Laboratuvar bulgularının ileriye yönelik tahmini için kullanılan zaman seri analizi modellerinin geliştirilmesinde LSTM, Xgboost ve LSTM-Çok Başlı Dikkat Mekanizması (ÇBD) yöntemlerinden faydalanılmıştır. LSTM sinir ağı ile geliştirilen zaman seri analizi modelinde %29.09 CRP, %36.36 bilirubin ve %46.63 R-Kare doğruluğuna erişilmiştir. Xgboost modellerinde bilirubin için 9.76, hemoglobin için 16.8 Ortalama Karesel Hata (OKH) değerine ulaşılmıştır. LSTM-ÇBD modelinde CRP, Bilirubin ve Hemoglobin değerleri için R-Kare doğruluğu sırasıyla %91.78, %66.76 ve %77.62 değerlerine ulaşmıştır. Hiperspektral Görü Dönüştürücü (HSViT) ile zaman etiketli hiperspektral görüntülerde hastalık tahmini yapan yapay zeka modeli geliştirilmiştir. Hiperküp veri kümesine 5, 50, 100 olmak üzere farklı seviyelerde Temel Bileşen Analizi (TBA) uygulanmış ve modeller bu veri setleri ile eğitilmiştir. En iyi model performansını %98.92 doğruluk, %96.48 kesinlik, %99.50 duyarlılık ve %97.95 F1-Skor ile 50 temel bileşene indirgenen veri seti ile eğitilen model göstermiştir. Bu tez çalışması ile yenidoğan prematürelerde dijital ikiz ile vaka önleme ve takibi için yapay zeka modelleri ile ileriye yönelik tahminlerin yapılabileceği ve bu tahminlerin hastalık teşhisinde bir erken uyarı sistemi olarak kullanılabileceği kanıtlanmıştır.