Estimating the chance of success and suggestion for treatment in IVF

Tı p alanı nda, bir tedavi sonucunda ba şarı ya ula şma şansı nı n karar verilmesi çok önemlidir. Bu tez çal smas ı, t üp bebek tedavisinde dikkate al ınması gereken iki önemli a şama üzerine odaklanmı şt ır. Bu a şamalardan birincisi gelen hastan ın t üp bebek tedavisi i çin uygun olup olmad ığı dı r. Hastanı n tedaviye uygun oldu ğu kararı verildikten sonra ikinci a şama hastaya uygulanacak olan en uygun tedavi y önteminin belirlenmesidir. Hem doktorlar, hem de tedavi uygulanacak olan aday hasta çifti i çin ilk de ğerlendirmeden sonra hastaya uygulanacak olan tedavi sonucunda ba şarı ya ula şma şansı çok önemlidir. E ğer ba şarı şansı d ü şük ise, hasta çifti bu pahal ı ve stresli tedaviye devam etmek istemeyebilir. Tedavi uygulama karar verildikten sonra doktorlar i çin karar verilmesi gerekilen ikinci konu hasta çifti i cin en uygun olan tedavi y öntemini se çmektir. Bu tez çalı şması ndaki ilk amacı mı z tedavi i çin gelen bir hasta çifti i cin ba şarı şansı nı tahmin etme ve t üp bebek tedavisindeki ba şar ı oranı nı etkileyen fakt örleri bulmak ve amac ıyla teknikler geli ştirmektir. Bu ama çlar do ğrultusunda s ıralama algoritmaları kullan ılmaktadı r. Kullan ılan metodlar RIMARC (Ranking Instances by Maximizing the Area under the ROC Curve), SVMlight (Support Vector Machine Ranking Algorithm) ve RIkNN (Ranking Instances using k Nearest Neighbour)'dir. Bu algoritmaları n her u ç u de örnek hastaları onlara atanmı ş olan skor de ğerlerine g öre sı ralamaya dayalı bir model ö ğrenir. RIMARC, Receiver Operating Characteristics (ROC) e ğrisi alt ında kalan alanı maksimize ederek örnekleri sı ralayan bir metoddur. SVMlight, destek vekt ör makinesi algoritması nı n örnek sı ralamas ı i çin geli ştirilmi ş bir versiyonudur. RIkNN, en yakı n kom şu algoritması n ı esas alan ve örnek sı ralaması nda benzerlik ol ç üt ün ü kullanan bir algoritmadı r. Bunlara ek olarak, bu tez calı şması nda RIkNN algoritması nı n bir versiyonu olan ve her bir öznitelik i çin konunun uzmanlar ı tarafı ndan belirlenmi ş olan öznitelik a ğı rl ıklar ın ı da dikkate alan RIwkNN algoritmas ını da kulland ık. Bu algoritmalar ı de ğerlendirmek i çin ROC e ğrisi altı ndaki alan (AUC) de ğeri ve katmanla ştı rı lmı ş 10'lu çapraz ge çerlilik y öntemlerini kulland ık. Ek olarak, tasarlanan sı ralama algoritmaların ı birer sınıflandırma algoritması haline getirdik ve bu algoritmalar ı de ğerlendirmek i çin accuracy de ğeri ve katmanla ştı rılm ış 10'lu çapraz ge çerlilik y öntemlerini kulland ık. Yan ür ün olarak RIMARC algoritması t üp bebek tedavisinde ba şarı şansı nı etkileyen fakt örleri ö ğrenmektedir. Bu ama çla öznitelik a ğı rlı kları nı hesaplar ve insanların kolaylı kla anlayı p yorumlayabilecekleri kurallar üretir. Gelen hasta çifti i cin ilk de ğerlendirmeden sonra tedavi sonras ı şansı nı n yüksek oldu ğuna karar verilir ise ikinci a şamaya ge çilir. Bu a şama hasta i çin en uygun olan tedavi y önteminin belirlenmesi a şamas ıdı r. T üp bebek tedavisi i çerisinde çok say ıda ila ç yer almaktad r fakat bu ila çlardan hangisinin hasta i çin en uygun oldu ğu kesin olarak bilinememektedir. Doktorlar genellikle hasta i çin ila ç se çimi yaparken ge çmi şte tedavi ettikleri hastaları n de ğerlerine bakarak karar verirler. Bu karar her zaman olumlu bir şekilde sonu çlanmayabilir ç ünk ü insan haf ızası gere ği doktorlar ın ge çmi şte tedavi ettikleri b üt ün hasta pro fillerini do ğru bir şekilde hatı rlayabilmeleri m ümk ün de ğildir. Bildi ğimiz kadar ıyla, istenilen sonucu elde etme şansı nı artt ırmak amacı yla en iyi öznitelik de ğerini önermek i çin model ö ğrenen bir method bulunmamaktadı r. Biz bu t ur bir sistemi Önerme Sistemi olarak adland ıraca ğı z. Doktorlara, uygun tedavi y öntemlerini belirleme a şamas ında yard ımcı olmak i çin bilinen makine ö ğrenmesi tekniklerine dayalı ü ç önerme sistemi geli ştirdik. Bu çal smanı n bir par çası olarak geli ştirilen önerme sistemlerini NSNS (Nearest Successful Neighbour Based Suggestion), kNNS (k Nearest Neighbour Based Suggestion) ve DTS (Decision Tree Based Suggestion) olarak adland ıracağı z. Bunlara ek olarak, bu tez çalı şması nda NSNS algoritması nı n bir versiyonu olan ve her bir öznitelik i çin RIMARC algoritması tarafı ndan belirlenmi ş olan öznitelik a ğı rlı kları nı da dikkate alan wNSNS algoritması nı da kulland ık. Ayrı ca, önerme algoritmaları nı n do ğrulu ğunu de ğerlendirmek i çin performans kriterleri tasarladık. Bu ama çla, bu tez çalı şmas ında, pessimistic metric (mp), optimistic metric (mo), validated optimistic metric (mvo) ve validated pessimistic metric (mvp) olarak adland ır ılan d ört adet de ğerlendirme kriteri sunuyoruz. Geli ştirilen bu algoritmalardan doktorları n faydalanması nı sa ğlamak amacı ile RAST (Risk Analysis and Suggestion for Treatment) adı verilen bir karar destek sistemi geli ştirdik. Sistem şuanda Ankara Etlik Z übeyde Han ım Kadı n Hastal ıklar ı E ğitim ve Ara ştı rma Hastanesi T üp Bebek Merkezi'nde aktif olarak kullanı lmaktad ır.