Tez No	İndirme	Tez Künye	Durumu
515234		Pulmoner emboli klinik tanı sistemi / Pulmonary embolism clinical support system Yazar:ÖZLEM KARADENİZ Danışman: YRD. DOÇ. DR. BURÇİN KURT Yer Bilgisi: Karadeniz Teknik Üniversitesi / Sağlık Bilimleri Enstitüsü / Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı Konu:Biyoistatistik = Biostatistics Dizin:Destek vektör makineleri = Support vector machines ; Dispnea = Dyspnea ; Emboli = Embolism ; Emboli ve tromboz = Embolism and thrombosis ; Karar ağacı = Decision tree ; Pulmoner emboli = Pulmonary embolism ; Teşhis = Diagnosis ; Teşhis teknikleri ve prosedürleri = Diagnostic techniques and procedures ; Teşhis-ayırıcı = Diagnosis-differential ; Yapay sinir ağları = Artificial neural networks	Onaylandı Yüksek Lisans Türkçe 2018 50 s.
Pulmoner emboli (PE) vücudun herhangi bir yerinde oluşan pıhtının koparak akciğerleri tıkaması durumudur. PE damarın tıkanıklığına göre ölüme neden olabilir. Genellikle sık karşılaşılan ölüm oranı yüksek ve kısa sürede müdahale edilmesi gereken bir hastalıktır. Ölüm oranı % 7 ile % 12 arasında değişmektedir. Bu yüzden PE‟de erken ve doğru teşhis tedavide büyük rol oynamaktadır. Son yıllarda makine öğrenmesi ve veri madenciliği yöntemleriyle özellikle tıp alanında birçok hastalığın sınıflandırılması, tahminlenmesi, risk hesaplanması gibi önemli çalışmalar yapılmaktadır. Bu tez çalışmasında makine öğrenmesi yöntemleri kullanılarak pulmoner emboli teşhisinde hekime yardımcı olabilecek bir klinik tanı sistemi geliştirilmesi hedeflenmiştir. Sistemin geliştirilmesi için yapay sinir ağı (YSA), destek vektör makinesi (DVM) ve karar ağacı yöntemleri kullanılmıştır. Bu tez çalışmasında 2012-2017 yılları arasında KTÜ Tıp Fakültesi Farabi Hastanesi Acil Tıp Servisine nefes darlığı şikayeti ile başvuran ve pulmoner emboli tanısı alan ve pulmoner emboli tanısı almayan 240 hasta verisi kullanılmıştır. Kullanılan hasta verilerinin biyokimya laboratuvar test sonuçları uzman hekim yardımıyla incelenerek elde edilmiştir. Cinsiyet, yaş, D_dimer, PaCO2, PaO2 ve lokosit girdi verileri kullanılarak hekime yardımcı bir klinik tanı sistemi geliştirilmiştir. Geliştirilen DVM modeline göre % 91 duyarlılık, % 77 özgüllük, karar ağacı modeline göre % 84 duyarlılık, % 88 özgüllük ve YSA modeline göre % 93 duyarlılık, % 85 özgüllük değerleri elde edilmiştir. Bu tez çalışmasında geliştirilen YSA, DVM ve karar ağacı modellerine göre en iyi sonucu YSA modelinin verdiği görülmüştür. Anahtar Sözcükler: Destek vektör makinesi, karar ağacı, klinik tanı sistemi, nefes darlığı, pulmoner emboli, yapay sinir ağı
Pulmonary Embolism Clinical Support System Pulmonary embolism (PE) is a condition in which the clot that forms anywhere in the body breaks and blocks the lungs. PE can cause death according to occlusion of the vein. Generally, it is common disease which has high mortality rate and must be cured in short time. Mortality rate ranges from 7 % to 12 %. So early and correct diagnosis of PE plays a major role in the treatment. In recent years, important studies such as classification, estimation and risk calculation of many diseases have made especially in the field of medicine with machine learning and data mining methods. This thesis study, it is aimed to develop a clinical diagnosis system which can help the diagnosis pulmonary embolism using machine learning methods. Artificial neural network (ANN), support vector machine (SVM) and decision tree methods are used for system development. In this thesis study, 240 patients who applied with the complaint of dyspnea to Farabi Hospital Emergency Medicine Department of KTU Medical Faculty between the years of 2012-2017 and who did and did not receive a pulmonary embolism were used. Patient data obtained were obtained by examining the biochemical laboratory test results with help of specialist physician. Clinical diagnostic system has developed to aid in the treatment of patients using sex, age, D-dimer, PaCO2, PaO2 and leukocyte input data. According to developed SVM model, 91 % sensitivity, 77 % specificity, according to decision tree model, 84 % sensitivity, 88 % specificity and and 93 % sensitivity, 85 % specificity according to ANN model have obtained. In this thesis study, the best result was given by ANN model to ANN, SVM and decision tree models have developed. Key Words: Artificial neural network, clinical diagnosis system, decision tree, dyspnea, pulmonary embolism, support vector machine