Tez No	İndirme	Tez Künye	Durumu
275109		Koroner arter hastalığı ve lezyon lokalizasyonu tahminlerinde efor stres testinin yapay zeka yöntemleri ile değerlendirilmesi / Assessment of exercise stress testing with artificial intelligence methods in both the coronary artery disease and the lesion localization predictions Yazar:İSMAİL BABAOĞLU Danışman: YRD. DOÇ. DR. ERKAN ÜLKER Yer Bilgisi: Selçuk Üniversitesi / Fen Bilimleri Enstitüsü / Bilgisayar Mühendisliği Ana Bilim Dalı Konu:Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol = Computer Engineering and Computer Science and Control Dizin:	Onaylandı Doktora Türkçe 2010 104 s.
Egzersiz stres testi (EST), koroner arter hastalığının (KAH) tanısında, yaygınlığının değerlendirilmesinde ve prognozunun (hastalığın seyri ve gelişimi hakkında tahmin) tayininde yaygın olarak kullanılan kolay uygulanabilir, ucuz ve invazif (girişimsel) olmayan bir tanı aracıdır. Bu özellikleri nedeniyle klinisyenler tarafından yaygın olarak kullanılmakla birlikte özellikle düşük duyarlılık (%45-92) ve özgüllüğünün (%17-92) yanında lezyon lokalizasyonu hakkında bilgi vermemesi EST'nin kullanımını sınırlayan en önemli kısıtlılıklarıdır. EST'nin değerlendirilmesinde çok damar hastalığı veya ana koroner arter lezyonları için yüksek risk kriterleri tanımlanmış olmakla birlikte hangi damarda lezyon olduğu söylenememektedir. Bunun tek istisnası EST sırasında ST segment yüksekliği görülmesidir, fakat bu oldukça nadir görülen bir durumdur.Günümüzde kalp hastalıklarının teşhis edilmesinde invazif ve invazif olmayan tekniklerle elde edilen verilerin yapay zeka yöntemleri ile değerlendirildiği çalışmalar yapılmaktadır. Yapay zeka ve makine öğrenmesi algoritmalarının gelişmesi, karma algoritmaların verimliliğinin artması lineer olmayan sistemlerde karar destek imkanını gerçeğe daha çok yaklaştırmaktadır.Bu tez çalışmasında her geçen gün tıp alanında daha geniş kullanım imkanı bulan yapay zeka yöntemlerinin EST verilerine dayanarak KAH varlığı ve lezyon lokalizasyonunu belirlemedeki başarısının ve etkinliğinin araştırılması amaçlanmıştır. Çalışma ile sadece KAH'nın tanısı değil lezyon varsa, mevcut lezyonun lokalizasyonunun da belirlenebilmesi amaçlanmıştır. Gerçekleştirilen çeşitli yapay zeka ve makine öğrenmesi modelleri ve ayrıca bu modellerle birlikte uygulanan çeşitli özellik seçim yöntemleri ile EST verilerine dayanarak KAH tahmininde ve lezyon lokalizasyonunu belirlemede konvansiyonel yöntemlerden daha yüksek duyarlılık, özgüllük ve tanısal doğruluk değerleri elde edilmiştir. Aynı zamanda bu çalışma, EST'nin lezyon lokalizasyonunun belirlenmesinde kullanıldığı sınırlı çalışmalardan biridir.
Exercise stress test (EST) is a simple, inexpensive and non-invasive diagnostic tool which is most widely used in the diagnosis and evaluation of prognosis (expected future course and outcome of a disease) of coronary artery disease (CAD). Clinical usefulness has been limited, however, by poor sensitivity (45-92%) and specificity (17-92%) and disability to predict the lesion localization. Although high risk criteria are properly defined for multi-vessel CAD and left main coronary artery lesions in the assessment of EST, it is often difficult to specify which artery has a lesion. Only, there are some data shows that ST segment elevations are indicators of lesion localization, and it is rarely seen.Today, there are studies, dealing with invasive and non-invasive techniques in the diagnosis of heart diseases as well as artificial intelligence. The development of artificial intelligence and machine learning algorithms and the increase of the efficiency of the hybrid algorithms make decision support process more close to reality in non-linear systems.In this thesis study, it is aimed to assess the achievement of artificial intelligence techniques, which is becoming more and widely utilizable in medical field day by day, and its efficiency in determining CAD and lesion localization based upon EST data. Not only the diagnosis of CAD, but also the localization of an existing lesion is aimed to be determined in the study. Together with some implemented artificial intelligence and machine learning models and some feature selection methods applied with these models in the study, more sensitivity, specificity and diagnostic accuracy rates are obtained compared to sensitivity specificity and diagnostic accuracy rates obtained from conventional methods on the assessment of CAD and localization of the lesion based upon EST data. Furthermore, this study is one of the rare studies in which EST is used to determine the lesion localization.