Yapay zeka tabanlı non-ınvazıv kan şekeri ölçümü

Kan şekeri seviyelerinin tahmini, diyabetin etkili yönetiminde kritik bir görevdir. Çalışma, Fotopletismografi (PPG) sinyallerini kullanarak kan şekeri seviyelerini tahmin etmek için CatBoost, XGBoost ve ekstra ağaç regresör gibi makine öğrenimi modellerinin gücünden, SHAP değerleri ve karışıklık matrisi gibi açıklanabilir yapay zeka teknikleriyle birlikte yararlanmaya odaklanıyor. Bu araştırmada oluşturulan veri seti, PPG sinyallerinden glikoz tahmini için dikkatlice seçilmiştir. Etik kurul onayı alınarak çalışma süresi boyunca Abant İzzet Baysal Üniversitesi Dahiliye bölümüne diyabet şikâyeti için gelen 50 kişiden alınan verilerden oluşmaktadır. Her bireyin bilgileri, laboratuvar glikoz ölçümlerini ve yaklaşık bir dakikalık kaydedilen parmak PPG sinyallerini içerir. Test edilen çeşitli makine öğrenimi modelleri arasında CatBoost, kan şekeri seviyelerini tahmin etmede en iyi performansı gösteren model olarak ortaya çıktı. CatBoost modeli, 0.7191'lik etkileyici bir determinasyon katsayısı (R²) metriğine ve 25.21'lik ortalama mutlak hataya (MAE) ulaşarak glikoz seviyesi tahminlerindeki verimliliğini ve doğruluğunu ortaya koydu. Özellik önemi analizi, CatBoost ile oluşturulan tahmin modelinde medyan fark ve basıklık gibi belirli özelliklerin önemini vurgulayarak bunların kan şekeri seviyelerinin belirlenmesindeki önemli rolünün altını çizdi. Açıklanabilir yapay zeka tekniklerinin dahil edilmesi, tahmine dayalı modellerin yorumlanabilirliğini ve şeffaflığını arttırdı. SHAP değerlerini ve karışıklık matrisini kullanarak çalışma, tahminleri etkileyen faktörlere ilişkin değerli bilgiler sunarak modellerin karar verme sürecinin daha derinlemesine anlaşılmasını kolaylaştırdı. Sonuç olarak bu araştırma, PPG sinyallerinden kan şekeri seviyelerinin tahmin edilmesinde makine öğrenimine dayalı yaklaşımların potansiyelini vurgulamaktadır. CatBoost gibi gelişmiş modellerden yararlanan ve açıklanabilir yapay zeka yöntemlerini kullanan bu çalışma, doğru, invaziv olmayan ve veriye dayalı tahmine dayalı metodolojiler yoluyla gelişmiş diyabet yönetiminin yolunu açıyor. ANAHTAR KELİMELER: Kan Şekeri Tahmini, Fotopletismografi, Makine Öğrenmesi, SHAP, Açıklanabilir Yapay Zeka