DENETİMLİ MAKİNE ÖĞRENMESİ YÖNTEMLERİ İLE OSTEOPOROZ İLE İLİŞKİLİ FAKTÖRLERİN SAPTANMASI

Abstract

Bu çalışmada, Fırat Üniversitesi Tıp Fakültesi Hastanesi'ne başvuran 50 yaş ve üzeri hastaların demografik ve biyokimyasal parametrelerinin kemik mineral yoğunluğu ile ilişkisinin denetimli makine öğrenmesi yöntemleri kullanılarak incelenmesi amaçlanmıştır. Retrospektif tipteki çalışmanın evrenini Ocak 2018-Ocak 2022 tarihleri arasında Fırat Üniversitesi Tıp Fakültesi Hastanesi'ne başvuran 50 yaş ve üzeri tüm bireyler oluşturmuştur. Örneklem hesabı yapılmadan tüm evrene ulaşılmıştır. Araştırma verileri araştırmacı tarafından katılımcıların yaş, cinsiyet, kronik hastalıkları ve biyokimyasal parametrelerinin tarandığı retrospektif anket formu ile hasta dosyaları taranarak elde edilmiştir. Tüm katılımcıların kemik dansitometri skorları kayıt edilmiştir ve katılımcılar t skoru sonucuna göre gruplandırılmıştır. Çalışmaya dâhil edilen 470 katılımcının %15,3'ü erkek, %84,7'si kadındı. Katılımcıların yaş ortanca değeri 66,0 (50,0-94,0) yıldı. Kadınlarda osteopeni ve osteoporoz istatistiksel olarak daha fazla saptanmıştır(p=0,001). Denetimli makine öğrenmesi yönteminde Jrip algoritması ile 2 kural, PART algoritması ile 65 kural elde edilmiştir. Algoritmaların metrik değerleri sırasıyla %49,36 ve %94,02 bulunmuştur. Sonuç olarak; PART algoritması osteoporoz ile ilişkili faktörleri yüksek doğruluk oranında tahmin edebilmektedir. Bu bağlamda, yapay zekâ uygulamalarının tıp alanında kullanılması için yeni ve geniş çaplı araştırmalara ihtiyaç olduğu kanaatindeyiz.

In this study, it was aimed to examine the relationship between demographic and biochemical parameters and bone mineral density of patients aged 50 and over who applied to Fırat University Medical Faculty Hospital by using supervised machine learning methods. The population of the retrospective study consisted of all individuals aged 50 and over who applied to Fırat University Medical Faculty Hospital between January 2018-January 2022. The whole universe was reached without making a sample calculation. The research data were obtained by the researcher by scanning the patient files with a retrospective questionnaire in which the age, gender, chronic diseases and biochemical parameters of the participants were scanned. Bone densitometry scores of all participants were recorded and participants were grouped according to the t-score result. Of the 470 participants included in the study, 15,3% were male and 84,7% were female. The median age of the participants was 66,0 (50,0-94,0) years. Osteopenia and osteoporosis were statistically higher in women (p=0,001). In the supervised machine learning method, Jrip algorithm has 2 rules and PART algorithm has 65 rules. The metric values of the algorithms were found to be 49,36% and 94,02%, respectively. As a result; The PART algorithm can predict osteoporosis-related factors with high accuracy. In this context, we believe that new and large-scale research is needed for the use of artificial intelligence applications in the field of medicine.