Tez No	İndirme	Tez Künye	Durumu
650386		Osas hastaları için CPAP cihazlarındaki optimum basıncın yapay zeka ile tahmini / Prediction of optimum pressure in CPAP devices for osas patients by artificial intelligence Yazar:FATMA ZEHRA GÖĞÜŞ Danışman: PROF. DR. GÜLAY TEZEL Yer Bilgisi: Konya Teknik Üniversitesi / Lisansüstü Eğitim Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2020 156 s.
Tıkayıcı uyku apne sendromu (Obstructive Sleep Apnea Syndrome: OSAS), uyku sırasında tekrarlayan üst solunum yolu daralmaları veya tıkanmaları nedeniyle soluk kesilmeleri şeklinde kendini gösteren bir uyku bozukluğudur. Uykuda oluşan soluk kesilmeleri kişilerin uyku devamlılığını bozmakta, derin ve dinlendirici bir uyku uyunmasını engellemekte ve bu sayede günlük yaşamlarını olumsuz bir şekilde etkilemektedir. Ayrıca soluk kesilmeleri sıklıkla kanda oksijen doygunluğunu azaltarak başta kalp damar hastalıkları olmak üzere birçok ciddi hastalığın ortaya çıkmasına neden olmakta ve hatta ölüme bile sebebiyet verebilmektedir. Tüm bu olumsuz etkilerin ortadan kaldırılabilmesi için OSAS teşhisi konulmuş hastalara etkili bir tedavinin uygulanması gerekmektedir. Sürekli Pozitif Havayolu Basınç (Continious Positive Airway Pressure: CPAP) terapisi OSAS için altın standart tedavi yöntemidir. CPAP cihazları ile gerçekleştirilen bu tedavide, belirlenen sabit basınç ile hastaların üst solunum yolunun açık kalması sağlanmaktadır. Hastalar için tedavi edici en etkin basınç (optimum CPAP seviyesi) uyku uzmanları tarafından uyku laboratuvarlarında manuel titrasyon süreci ile belirlenir. Fakat bu süreç hem maliyetli ve zaman alıcı hem de oldukça yorucudur. Bu nedenle, optimum CPAP seviyesinin belirlenebilmesi amacıyla, titrasyona alternatif çözümler geliştirme yönünde literatürde çok sayıda çalışma yürütülmüştür. Çalışmaların büyük kısmı hastaya uygulanacak optimum CPAP seviyesinin doğrudan tahmini üzerinde durmuş ve tahmin için çoğunlukla benzer özellikler üzerine kurulmuş regresyon tabanlı formülleri alternatif çözümler olarak üretmişlerdir. Ancak günümüze kadar klinikte tam manasıyla kabul gören, uygulanabilir ve yüksek doğrulukta bir alternatif çözüm halen geliştirilememiştir. Gerçekleştirilen bu tez çalışmasında, OSAS şüphesi ile Necmettin Erbakan Üniversitesi, Meram Tıp Fakültesi, Göğüs Hastalıkları Anabilim Dalı, Uyku Kliniğine başvuran kişiler arasından CPAP terapisi ile tedavi edilmesi gerekli görülenlerin optimum CPAP seviyeleri tahmin edilmiştir. Tahmin işlemi gerçekleştirilmeden önce Doğrusal Olmayan Analiz ve Kural Tabanlı Algoritma yaklaşımları ile polisomnografi sinyallerinden olan nazal kanül hava akımı ve oksimetri sinyalleri kullanılarak, tez çalışmasına dahil edilen kişilerin OSAS hastası olup olmadığı ve CPAP terapisi gerektirip gerektirmediği belirlenmiştir. Doğrusal Olmayan Analiz Yaklaşımı ile OSAS hastaları sağlıklı bireylerden %93.10 doğruluk, %96.43 duyarlılık ve %81.82 özgüllük değerleri ile ayırt edilmiş ve CPAP terapisi gerektiren hastalar %96.25 duyarlılık ve %89.53 kesinlik ile tespit edilebilmiştir. Kural Tabanlı Algoritma yaklaşımı ise OSAS hastalarını sağlıklı bireylerden %98.62 doğruluk, %98.21 duyarlılık ve %100 özgüllük ile ayırırken, CPAP terapisi gerektiren hastaları %100 duyarlılık ve %100 kesinlik ile belirleyebilmiştir. OSAS terapisi ile tedavi gerektiren hastaların belirlenmesinin ardından, bu hastaların demografik ve antropometrik bilgileri, nazal kanül hava akımı ve oksimetri sinyalleri, gece boyunca geçirmiş olduğu apneik atakları ve oksijen azalımları göz önünde bulundurularak farklı özellik setleri oluşturulmuştur. Daha sonra farklı özellik setlerindeki özellikler arasından optimum CPAP seviyeleri üzerinde en etkili olanların seçimi gerçekleştirilmiş ve hem tüm özelliklerin hem de etkin olarak seçilen özelliklerin doğrusal regresyon analizleri ve çeşitli yapay zeka yöntemleri ile kullanılmasıyla hastalara ait optimum CPAP seviyeleri tahmin edilmiştir. Son olarak yüksek tahmin performansının sağlandığı özellikler ve yöntemlerle (adım adım çoklu doğrusal regresyon analizi, yapay sinir ağları, destek vektör makinesi, rastgele orman ve k en yakın komşuluk) 40 farklı CPAP tahmin modeli geliştirilmiştir. Bu 40 CPAP tahmin modelinin 36 tanesi farklı yapay zeka yöntemleri ile elde edilirken, yalnızca 4 tanesi doğrusal regresyon analizi ile elde edilmiştir. Sonuç olarak, polinom veya radyal tabanlı çekirdek fonksiyonlarına sahip Destek Vektör Makineleri, yapay zeka yöntemleri ile geliştirilen 36 modelden 24'ünü oluşturarak tahmin işleminde en başarılı yöntem olmuştur. Geliştirilen 40 modelin 25'i tez çalışmasında tahmin edilen CPAP seviyeleri ile uzmanların uyku laboratuvarlarında belirlediği optimum CPAP seviyeleri arasında yüksek ilişki (0.6 ≤ r <0.8; 0.36 ≤ r2<0.64) ortaya koymuş, 10'u ise bu ilişkiyi çok yüksek (r ≥ 0.8; r 2 ≥ 0.64) olarak tanımlamıştır. Tez çalışmasında elde edilen tüm sonuçlar genel olarak değerlendirildiğinde, hava akımı ve oksimetri sinyallerine, OSAS hastalarının geçirmiş oldukları apneik ataklara ve ataklara bağlı olarak oluşan oksijen seviyelerindeki azalımlara ait özelliklerin optimum basınçlar üzerinde büyük etkileri olduğu görülmüştür. Ayrıca, bu tez çalışması, tahmin için kullanılan özellikler arasındaki doğrusal ve doğrusal olmayan ilişkilerin yapay zeka yöntemleri ile daha iyi açıkladığını ve bu sayede optimum CPAP seviyelerinin tahmini için literatürde çoğunlukla tercih edilen doğrusal regresyon analizlerine göre birçok yapay zeka yönteminin genellikle daha başarılı sonuçlar ürettiğini ortaya koymuştur. Tez çalışması geliştirilen yeni CPAP tahmin modellerini ve modellerde tahmin parametreleri olarak kullanılan yeni özellikleri literatüre kazandırmıştır.
Obstructive Sleep Apnea Syndrome (OSAS) is a sleep disorder that manifests itself as breathing breaks due to recurrent upper airway constrictions or obstructions during sleep. The breathing breaks during sleep disrupt the continuity of individuals' sleep, prevent deep and restful sleep, and thus negatively affect their daily lives. In addition, breathing breaks often reduces oxygen saturation in the blood, causing many serious diseases, especially cardiovascular diseases, and may even lead to death. In order to eliminate all these negative effects, an effective treatment should be applied to patients diagnosed with OSAS. Continuous Positive Airway Pressure (CPAP) therapy is the gold standard treatment method for OSAS. In this treatment performed with CPAP devices, the upper airway of the patients is kept open with the determined constant pressure. The most effective therapeutic pressure (optimum CPAP level) for patients is determined by sleep specialists through a manual titration process in sleep laboratories. However, this process is both costly, time consuming and quite tiring. For this reason, many studies have been conducted in the literature to develop alternative solutions to titration in order to determine the optimum CPAP level. Most of the studies focused on the direct prediction of the optimum CPAP level to be applied to the patient, and they produced regression-based formulas based on similar features as alternative solutions. However, until today, an alternative solution that is fully accepted in the clinic, applicable and with high accuracy has not been developed yet. In this thesis study, the optimum CPAP levels of those who applied to Necmettin Erbakan University, Meram Medical Faculty, Department of Chest Diseases, Sleep Clinic with the suspicion of OSAS were predicted. Before the prediction process was performed, it was determined whether the subjects included in the thesis study were OSAS patients or not and required CPAP therapy or not by using Nonlinear Analysis and Rule-Based Algorithm approaches and nasal cannula airflow and oximetry signals, which are among the polysomnography signals. With the Nonlinear Analysis Approach, OSAS patients were differentiated from healthy individuals with 93.10% accuracy, 96.43% sensitivity and 81.82% specificity, and patients requiring CPAP therapy could be identified with 96.25% sensitivity and 89.53% precision. The Rule-Based Algorithm approach distinguished OSAS patients from healthy individuals with 98.62% accuracy, 98.21% sensitivity and 100% specificity, while it was able to identify patients requiring CPAP therapy with 100% sensitivity and 100% precision. After the identification of patients requiring treatment with OSAS therapy, different feature sets were created by taking into account the demographic and anthropometric information of these patients, nasal cannula airflow and oximetry signals, apneic attacks and oxygen reductions during the night. Afterwards, the most effective ones were selected among the features in different feature sets on the optimum CPAP levels and the optimum CPAP levels of the patients were predicted by using both all features and effectively selected features with linear regression analysis and various artificial intelligence methods. Finally, 40 different CPAP estimation models were developed with the features and methods (stepwise multiple linear regression analysis, artificial neural networks, support vector machine, random forest and k closest neighborhood) with high prediction performance. 36 of these 40 CPAP estimation models were obtained by different artificial intelligence methods, only 4 of them were obtained by linear regression analysis. As a result, Support Vector Machines with polynomial or radial basis kernel functions created 24 of 36 models developed with artificial intelligence methods and became the most successful method in prediction process. 25 model among the developed 40 models revealed a high correlation (0.6 ≤ r <0.8; 0.36 ≤ r2<0.64) between the CPAP levels predicted in the thesis and the optimum CPAP levels determined by the specialists in sleep laboratories, and 10 model defined the this relationship as very high (r ≥ 0.8; r2 ≥ 0.64). When all the results obtained in the thesis were evaluated in general, it was seen that the characteristics of airflow and oximetry polysomnography signals, apneic attacks experienced by OSAS patients and the decreases in oxygen levels due to the attacks had great effects on optimum pressures. In addition, this thesis study revealed that the linear and nonlinear relationships between the features used for prediction can be explained better with artificial intelligence methods, and thus, many artificial intelligence methods generally produce more successful results compared to linear regression analyzes, which are mostly preferred in the literature for prediction of optimum CPAP levels. The thesis study has brought developed new CPAP prediction models and new features used as prediction parameters in models to the literature.