Makine öğrenmesi teknikleri kullanılarak hasta verileri ve laringoskopi görüntüleri üzerinden zor entübasyon sınıflandırması
Küçük Resim Yok
Tarih
2026
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Düzce Üniversitesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Zor entübasyon, acil ve cerrahi işlemler sırasında hava yolunu güçleştirerek, mortalite başta olmak üzere birçok ciddi komplikasyonlara yol açabilen kritik bir klinik problemdir. Bu nedenle, hasta güvenliğinin artırılması ve süreç yönetiminin iyileştirilmesi için entübasyon öncesinde zor hava yolunun erken ve doğru olarak öngörülebilmesi hayati önem taşımaktadır. Geleneksel yöntemler genellikle, değerlendirme skorları ve hekimin deneyimine dayanmaktadır. Bu durum, özellikle sınırda vakalar için öngörüye ve kararların standartlaştırılmasına engel olmaktadır. Bu tezde, hastaların klinik ve demografik verileri ile laringoskopi görüntülerinin bir araya getirildiği veri odaklı bir yaklaşım önerilmiş ve makine öğrenmesi algoritmaları ile bu verilerden zor entübasyonun doğru bir şekilde sınıflandırılması amaçlanmıştır. Tezde kullanılan veri seti, Destek Vektör Makineleri (SVM), Rastgele Orman (Random Forest), CatBoost, Lojistik Regresyon, K-En Yakın Komşu (K-Nearest Neighbours), XGBoost, Gaussian Naive Bayes ve Karar Ağaçları (Decision Tree) olmak üzere sekiz farklı makine öğrenmesi algoritması ile eğitilmiş ve kapsamlı olarak değerlendirilmiştir. Deneysel sonuçlar, 0,8939 doğruluk değeri ile SVM algoritmasının klinik sınıflandırmalardaki başarısını ortaya koymuştur. Ek olarak, F1-Skor, recall ve AUC değerlendirme metriklerinde de SVM algoritması en iyi performansı göstermiştir. Bu gösterge, modelin hem gereksiz yapılan "zor entübasyon" tahminlerinin azaltılması hem de gerçek "zor entübasyon" vakalarının yakalanmasında klinik açıdan yüksek başarı gösterdiğini ortaya koymaktadır. Çalışmanın bulguları, hasta verileri ile laringoskopi görüntülerinin birlikte değerlendirilmesinin, klasik skorlamalara dayanan geleneksel yaklaşımlara oranla, "zor entübasyon" vakalarının önceden tespit edilme başarısını önemli ölçüde artırdığını göstermektedir. Ayrıca, entübasyon öncesi kritik karar verme sürecinde, makine öğrenimi tabanlı karar destek sisteminin anestezi uzmanlarına önemli bir destek sağlaması beklenmektedir. Bu çerçevede bu tez, entegrasyonu mümkün bir yapay zeka destekli karar destek altyapısının geliştirilmesine zemin hazırlayarak, uzun vadede yoğun bakım ünitelerinde ve ameliyathanede kullanılabilecek bir sistem sunarak önemli bir katkı sağlamaktadır.
Difficult intubation is a critical clinical problem that can complicate the airway during emergency and surgical procedures, leading to many serious complications, particularly mortality. Therefore, early and accurate prediction of a difficult airway before intubation is crucial for improving patient safety and process management. Traditional methods often rely on conventional assessment scores and physician experience. This hinders prediction and standardized decision-making, especially for borderline cases. This thesis proposes a data-driven approach combining patient clinical and demographic data with laryngoscopy images. This approach aims to accurately classify difficult intubation using machine learning algorithms. The dataset used in this thesis was trained and comprehensively evaluated with eight different machine learning algorithms: Support Vector Machines (SVM), Random Forest, CatBoost, Logistic Regression, K-Nearest Neighbors, XGBoost, Gaussian Naive Bayes, and Decision Trees. Experimental results demonstrated the success of the SVM algorithm in clinical classification with an accuracy value of 0.8939. Additionally, the SVM algorithm performed best in the F1-Score, recall, and AUC evaluation metrics. This indicator demonstrates the model's high clinical success in both reducing unnecessary "difficult intubation" predictions and detecting actual "difficult intubation" cases. The thesis findings demonstrate that the combined evaluation of patient data and laryngoscopy images significantly increases the success rate in early detection of "difficult intubation" cases compared to traditional approaches based on classical scoring. Furthermore, a machine learning-based decision support system is expected to provide significant support to anesthesiologists during the critical pre-intubation decision-making process. In this context, this thesis makes a significant contribution by paving the way for the development of an integratable AI-supported decision support infrastructure and presenting a system that can be used in intensive care units and operating rooms in the long term.
Difficult intubation is a critical clinical problem that can complicate the airway during emergency and surgical procedures, leading to many serious complications, particularly mortality. Therefore, early and accurate prediction of a difficult airway before intubation is crucial for improving patient safety and process management. Traditional methods often rely on conventional assessment scores and physician experience. This hinders prediction and standardized decision-making, especially for borderline cases. This thesis proposes a data-driven approach combining patient clinical and demographic data with laryngoscopy images. This approach aims to accurately classify difficult intubation using machine learning algorithms. The dataset used in this thesis was trained and comprehensively evaluated with eight different machine learning algorithms: Support Vector Machines (SVM), Random Forest, CatBoost, Logistic Regression, K-Nearest Neighbors, XGBoost, Gaussian Naive Bayes, and Decision Trees. Experimental results demonstrated the success of the SVM algorithm in clinical classification with an accuracy value of 0.8939. Additionally, the SVM algorithm performed best in the F1-Score, recall, and AUC evaluation metrics. This indicator demonstrates the model's high clinical success in both reducing unnecessary "difficult intubation" predictions and detecting actual "difficult intubation" cases. The thesis findings demonstrate that the combined evaluation of patient data and laryngoscopy images significantly increases the success rate in early detection of "difficult intubation" cases compared to traditional approaches based on classical scoring. Furthermore, a machine learning-based decision support system is expected to provide significant support to anesthesiologists during the critical pre-intubation decision-making process. In this context, this thesis makes a significant contribution by paving the way for the development of an integratable AI-supported decision support infrastructure and presenting a system that can be used in intensive care units and operating rooms in the long term.
Açıklama
Anahtar Kelimeler
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Kara Timuçin, E. (2026). Makine Öğrenmesi Teknikleri Kullanılarak Hasta Verileri Ve Laringoskopi Görüntüleri Üzerinden Zor Entübasyon Sınıflandırması (Tez No. 993269) [Doktora Tezi, Düzce Üniversitesi].
