PARKİNSON HASTALARINDA MOTOR SEMPTOM ŞİDDETİNE GÖRE İLAÇ DOZAJININ VE DOZAJ-MOTOR SEMPTOM ETKİSİNİN MAKİNE ÖĞRENMESİ İLE BELİRLENMESİ

Abstract

Parkinson hastalığı beyinde motor fonksiyonları kontrol eden hücrelerin kaybı sonucu meydana gelen, tremor gibi motor semptomlara neden olan ve dünya çapında yaygın olan nörolojik bir hastalıktır. Parkinson hastalığında, hastaların ilaç tedavisi sürecinde gösterdiği uyum yaşam kalitelerini arttırmaktadır. Fakat birçok hasta tedavi sürecinde uzman doktorun uyguladığı tedaviye uyum sağlayamamaktadır. Özellikle yaşlı hastalar tedavi sürecinde, aşırı ilaç alımı, ilaç alımını unutma, zamanında ilaç almama ve rutin muayene süreçleri arasında uzun zaman geçmesi gibi olumsuzluklar yaşamaktadır. Yaşanan bu olumsuzlukların önlenmesi için hastalarının ilaç tedavisi sürecinin doktor ile hasta arasında teknoloji tabanlı bir etkileşim ile hastalık yönetiminin optimum düzeye çıkarılması sağlayan sistem tasarımı bu tez ile gerçekleştirilmiştir. Hastaların tedavi sürecinde tablet ilaç alımını sağlayan Raspberry Pi tabanlı prototip cihaz tasarımı, Leap Motion (LM) temassız sensör tabanlı motor semptom ölçümü, motor semptom verilerinin yeni bir yöntem olarak geliştirilen Singular Spectrum Analysis (SSA)-Fast Furier Transform (FFT) entegrasyonu ile filtrelenmesi, makine öğrenme destekli dozaj-motor semptom tahmini ve uygulamaları yapılmıştır. Geliştirilen prototip ilaç alım cihazıyla uzman doktorun hastalara reçetelendirdiği ilaçlar başarılı bir şekilde kullandırılmıştır. Hastaların doz kaçırma, aşırı doz alma ve ilacı zamanında almama olumsuzlukları ortadan kaldırılmıştır. Hastalardan LM sensör ile alınan ham motor semptom verisi geliştirilen SSA-FFT entegrasyonu yöntemi ile filtreleme manuel SSA ile filtrelemeye göre daha iyi bir filtreleme sağlanmıştır. Yapay Sinir Ağları(YSA) ile 10 sinir ağına sahip model kullanılarak % 99 yüksek doğruluk oranı ile Dozaj- motor semptom tahmini yapılmıştır. Yapılan bu tez çalışmasıyla Parkinson hastalarının yaşamını kolaylaştıran sistem tasarımı başarılı bir şekilde uygulanmıştır.

Parkinson's disease is a common neurological disorder that results from the loss of cells in the brain that control motor functions and causes motor symptoms such as tremor. Many patients, especially the elderly, experience problems such as excessive medication intake, forgetting to take medication, not taking medication on time and long intervals between routine examinations. In order to prevent these problems, this thesis aims to design a system that enables the optimization of disease management through a technology-based interaction between the doctor and the patient during the medication treatment process. Raspberry Pi based prototype device design, Leap Motion (LM) non-contact sensor based motor symptom measurement, filtering of motor symptom data with Singular Spectrum Analysis (SSA)-Fast Furier Transform (FFT) integration developed as a new method, machine learning supported dosage-motor symptom prediction and applications were made. With the developed prototype drug intake device, the drugs prescribed by the specialist doctor to the patients were successfully administered. The problems of patients missing doses, overdosing and not taking the medication on time were eliminated. The raw motor symptom data received from the patients with LM sensor was filtered with the developed SSA-FFT integration method and a better filtering was provided compared to manual SSA filtering. With Artificial Neural Networks (ANN), dosage-motor symptom prediction was made with a high accuracy rate of 99% using a model with 10 neural