Tez No	İndirme	Tez Künye	Durumu
805405		Algorithmic learning of clinically acceptable levels of laboratory test results from electronic medical records: Personalized reference intervals / Elektronik hasta kayıtlarından laboratuvar test sonuçlarının klinik olarak kabul edilebilir seviyelerinin algoritmik olarak öğrenilmesi: Kişiselleştirilmiş referans aralıkları Yazar:OKTAY YILDIRIM Danışman: DR. ÖĞR. ÜYESİ ÖZLEM AKTAŞ Yer Bilgisi: Dokuz Eylül Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı / Bilgisayar Mühendisliği Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:Hiyerarşik kümeleme = Hierarchical clustering ; Makine öğrenmesi = Machine learning	Onaylandı Doktora İngilizce 2023 65 s.
Laboratuvar sonuçları, hekimlere teşhis ve tedavi süreçlerine yardımcı objektif veriler sağlayan önemli bir araçtır. Sonuçlarının anlamlı olabilmesi için referans aralıkları ile birlikte rapor edilmesi gerekmektedir. Referans aralıkları yaş, cinsiyet gibi demografik özelliklere göre ayrı ayrı belirlenmelidir. Makine öğrenmesi algoritmaları ile kolay, hızlı, güvenli ve ekonomik şekilde referans aralıklarının hesaplanması amaçlanmıştır. Çalışmamızda ilk olarak "Canadian Laboratory Initiative on Pediatric Reference Intervals" çalışması kapsamında direkt yöntemle elde edilen laboratuvar sonuçları kullanılarak, Gauss Karışım Modeli ve Hiyerarşik Kümeleme algoritmalarının kullanılabilirliği valide edildi. Daha sonra, 2018-2019-2020 yıllarında Dokuz Eylül Üniversitesi Merkez Laboratuvarında çalışılan, İnorganik Fosfor, Kalsiyum, Kreatinin, Neonatal Bilirubin ve Üre Azotu testlerinin yenidoğan dönemine ait sonuçları hastane veri tabanından alınarak, geliştirdiğimiz algoritma kullanılarak, ilgili testlere ait yaş kırılımları ve buna bağlı referans aralıkları hesaplandı. Geliştirdiğimiz denetimsiz makine öğrenme yönteminin referans aralıklarının belirlenmesinde indirekt yöntemlere yeni, çağdaş bir alternatif olduğu belirlendi. Çalışmamızda referans aralıklarının hesaplanmasında temel basamak olan yaş aralıklarını yüksek çözünürlükte belirleyebilen, matematiksel ve istatistiksel temellere dayanan, denetimsiz makine öğrenme algoritması çözümü sunulmuştur. Çalışmada geliştirilen algoritmik yöntemi kullanarak her laboratuvar kendi popülasyon ve analitik yöntemlerine uygun referans aralıklarını kolay, hızlı, güvenli ve ekonomik bir şekilde hesaplayabilecektir.
Laboratory results are an important tool that provides objective data to help physicians in diagnosis and treatment processes. Results must be reported with reference ranges to be useful. Reference intervals should be determined separately according to demographic characteristics such as age and gender. It is aimed to determine reference intervals in an easy, fast, safe and economical way with machine learning algorithms. In our study, firstly, the usability of Gaussian Mixture Model and Hierarchical Clustering algorithms was validated by using the laboratory results obtained by the direct method within the scope of the "Canadian Laboratory Initiative on Pediatric Reference Intervals" study. Then, the results of the neonatal period of the Inorganic Phosphorus, Calcium, Creatinine, Neonatal Bilirubin and Urea Nitrogen tests, which were studied in the Central Laboratory of Dokuz Eylül University in 2018-2019-2020, were taken from the hospital database, and the age partitions of the relevant tests were obtained using the algorithm we developed. It was determined that the unsupervised machine learning method we developed is a new, modern alternative to indirect methods in determining reference intervals. In this study, an unsupervised machine learning algorithm solution based on mathematical and statistical foundations, which can determine the age ranges, which is the basic step in the calculation of reference intervals, with high resolution is presented. By using the algorithmic method developed in the study, each laboratory will be able to calculate reference intervals compatible with their own population and analytical methods in an easy, fast, safe and economical way.