Tez No	İndirme	Tez Künye	Durumu
679547		Machine learning models for identifying cause effect relationship in medical treatment data / Tıbbi tedavi verilerinden sebep sonuç ilişkilerinin makina öğrenim yöntemleri ile belirlenmesi Yazar:MOHAMMED ABEBE YIMER Danışman: DR. ÖĞR. ÜYESİ ÖZLEM AKTAŞ Yer Bilgisi: Dokuz Eylül Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control ; Bilim ve Teknoloji = Science and Technology Dizin:Veri madenciliği = Data mining ; Yapay zeka = Artificial intelligence	Onaylandı Doktora İngilizce 2021 119 s.
Sağlık sektörü, çeşitli kaynaklardan toplanan bir veri hazinesiyle donatılmıştır. Bu büyük miktardaki veri harikalar yaratmak için kullanılabilir. Bu çalışmada, tıbbi tedavi verilerini kullanarak yoğun bakım ünitesi hastalarında günlük tıbbi değişiklikleri gözlemlemek ve yakalamak için temel bileşen analizini ana yöntem olarak kabul edilmiştir. Sonuçlar, bir müdahaleden sonra hangi laboratuar testlerinin değişkenlik gösterdiğini ve ilişkili epifenomenleri ile ilgili hekimleri bilgilendirmek için kullanılabilecektir. Ayrıca, hangi tedavi veya tanının daha sonra uygulanacağı, hangi reçetelerin verilmesi veya kaçınılması gerektiği gibi kararlar verebilmek için bir ipucu olarak kullanılabilecektir. Deneysel analiz sonuçları, temel bileşen analizinin belirli bir tedavi veya müdahaleden sonra hastanın günlük değişiklikler yakalayabildiğini göstermektedir. Model geçerliliği ve kararlılığı permütasyon ve önyükleme testi kullanılarak değerlendirilmiştir. Her iki durumda da, model hem tek kuyruklu hem de iki kuyruklu istatistiksel anlamlılık testleri için kabul edilebilir bir önem seviyesi sergilemektedir. Ayrıca nedensel etki analizi, Bayesci yapısal zaman serisi modelleri kullanılarak yapılmıştır. Sonuçlar, yaklaşımın tıbbi müdahalelerden bir neden-sonuç ilişkisi kurmak için büyük miktarlarda hasta verilerini yorumlamak için umut verici sonuçlar sağladığını ve bir erken uyarı sistemi olarak kullanılabileceğini göstermiştir. Bu çalışma, temel bileşen analizinin hastanın değişen koşulları hakkında klinisyenlere bir uyarı sağlama ve izleme kabiliyetlerini göstererek, hastalara zamanında müdahale fırsatları sağlama yeteneğini yansıtmaktadır. Diğer makine öğrenimi modelleriyle birleştirilirse, bu yaklaşım klinik karar vermeyi destekleyebilecek, daha iyi hasta sağlığı sonuçları için hastaya özel etkili bakımı sağlayabilir.
The healthcare industry is equipped with a treasure trove of data gathered from various sources. This massive amount of data can be used to work wonders. In this study, we used a carefully selected subset of data from the Medical Information Mart for Intensive Care database. We adopted principal component analysis as the main method, to observe and capture the daily medical changes in intensive care unit patients from their medical treatment data. The results can be used to inform the attending physicians, which laboratory tests are exhibiting variances after an intervention along with their associated epiphenomenon. This will be used to make decisions such as, which treatment or diagnosis to apply further or which prescriptions to give/avoid. Experimental analysis results indicate that principal component analysis was able to capture daily patient changes after a certain treatment or intervention. Model validity and stability are evaluated using permutation and bootstrap tests. In both cases, the model exhibited an acceptable significance level. Moreover, causal impact analysis is conducted using Bayesian structural time-series models. Results showed that the approach provides promising results for interpreting large quantities of patient data for establishing a cause-effect relationship from medical interventions and be used as an early warning system. The study reflected the capability of principal component analysis to monitor and provide an alert to the clinicians about the patient's conditions, thereby providing opportunities for timely interventions. If combined with other AI models, the approach can be able to support medical decision making and enable effective patient-tailored care for better patient health outcomes.