Akım volüm halkası ile obstrüktif uyku apnesi teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi
Tez Türü: Doktora
Tezin Yürütüldüğü Kurum: Sakarya Üniversitesi, Fen Bilimleri Enstitüsü, Elektrik-Elektronik Mühendisliği, Türkiye
Tez Danışmanı: Prof. Dr. Mehmet Recep Bozkurt; Prof. Dr. Cahit Bilgin
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Özet:
Uyku, insan sağlığının devamı için zorunlu olan temel bir fizyolojik süreçtir. Organizmanın dinlenmesi, doku onarımı, hafıza pekiştirme ve nöroendokrin sistemin düzenlenmesi gibi yaşamsal işlevler uykunun yeterliliği ile doğrudan ilişkilidir. Uyku düzenindeki bozulmalar bireyde fiziksel, bilişsel ve duygusal yıpranmalara yol açarken; toplum düzeyinde iş gücü kaybı, trafik ve iş kazaları gibi ciddi sosyal sonuçlar doğurabilmektedir. Bu bozukluklar arasında Obstrüktif Uyku Apne Sendromu (OSAS), gerek görülme sıklığı gerekse yol açtığı sistemik etkiler nedeniyle en önemli halk sağlığı sorunlarından biridir. OSAS; uyku sırasında üst solunum yolunun tekrarlayan tıkanmaları sonucu solunumun geçici olarak durması, oksijen satürasyonunun azalması ve uykunun bölünmesiyle karakterizedir. Hastalık, uzun dönemde kardiyovasküler, metabolik ve nöropsikiyatrik komplikasyonlara neden olabilmektedir. OSAS tanısında altın standart yöntem polisomnografi (PSG) olmakla birlikte, bu testin yüksek maliyeti, uzun sürmesi, sınırlı erişilebilirliği ve hasta konforunu azaltması alternatif tanı yöntemleri geliştirilmesini gerekli kılmaktadır. Bu kapsamda, yapay zekâ (YZ) ve makine öğrenmesi (MÖ) temelli yaklaşımlar, son yıllarda sağlık alanında karar destek sistemlerinin geliştirilmesinde öne çıkmıştır. Bu tez çalışması, OSAS tanısında kullanılabilecek, uyku dışı dönemde (uyanıklık hâlinde) ölçüm sağlayan, düşük maliyetli, erişilebilir ve hızlı bir YZ destekli karar destek sistemi geliştirmeyi amaçlamaktadır. Araştırmada, Sakarya Üniversitesi Eğitim ve Araştırma Hastanesi Göğüs Hastalıkları Anabilim Dalı'nda PSG ile OSAS tanısı konulmuş 234 birey ve kontrol grubundaki 232 sağlıklı katılımcıdan oluşan toplam 466 kişilik veri seti kullanılmıştır. Katılımcıların her birine ait akım volüm eğrileri mikroQuark spirometri cihazı ile elde edilmiş, MATLAB ortamında işlenmiş ve her birey için en uygun manevra seçilmiştir. Bu eğrilerden 94 karakteristik ve 25 istatistiksel olmak üzere toplam 119 özellik çıkarılmıştır. Özelliklerin sınıf etiketleriyle ilişkisi Spearman korelasyon katsayısı kullanılarak analiz edilmiş, korelasyon değerlerine bağlı önem sırasına göre on bir ayrı veri seti oluşturulmuştur. Her veri seti, beş farklı makine öğrenmesi algoritmasıyla — Karar Ağaçları (DT), Destek Vektör Makinesi (SVM), k-En Yakın Komşu (kNN), Topluluk (Ensemble) ve Yapay Sinir Ağları (NN) — sınıflandırılmıştır. Modellerin eğitim sürecinde 5-katlı çapraz doğrulama ve hiperparametre optimizasyonu uygulanmıştır. Performans değerlendirmesi için doğruluk, duyarlılık, özgüllük, kesinlik, F-ölçümü, Kappa ve ROC eğrisi altındaki alan (AUC) ölçütleri kullanılmıştır. Sonuçlar, akım volüm eğrisinden yalnızca 5 özellik seçilerek eğitilen NN modelinin en başarılı performansa ulaştığını göstermiştir. Bu modelle %97,12 doğruluk, 0,97 duyarlılık, 0,97 özgüllük, 0,97 kesinlik, 0,97 F-ölçümü, 0,97 Kappa ve 0,99 AUC değerlerine ulaşılmıştır. Bu değerler, akım volüm eğrisinin OSAS tanısında güçlü bir biyobelirteç potansiyeli taşıdığını ortaya koymaktadır. Elde edilen bulgular, makine öğrenmesi tabanlı analizlerin OSAS'ın erken ve doğru tanısında yeni ve güçlü bir yöntem sunduğunu ortaya koymaktadır. Literatürde, spirometrik parametreler kullanılarak OSAS tanısı konulmuş bir çalışma bulunmamaktadır; bu yönüyle, akım volüm eğrilerinin yapay zekâ destekli analizi OSAS teşhisine yönelik öncü ve yenilikçi bir yaklaşım niteliği taşımaktadır. Solunum fonksiyon testleri (SFT), normalde KOAH, astım ve restriktif akciğer hastalıkları gibi solunum sistemi bozukluklarının değerlendirilmesinde kullanılmakta olup, OSAS tanısında yer almamaktadır. Ancak bu çalışma ile SFT'lerden elde edilen akım volüm eğrilerinin analizine dayalı bir model geliştirilmiş ve bu modelin yüksek doğrulukla OSAS'ı tespit edebildiği gösterilmiştir. Böylece, OSAS olduğunun farkında olmayan bireylerde dahi, rutin akciğer fonksiyon testleri sırasında hastalığın varlığı belirlenebilmekte ve erken dönemde tedaviye yönlendirme sağlanabilmektedir. OSAS, hayati risk taşıyan bir uyku bozukluğu olduğundan, uyku laboratuvarlarının büyük bir bölümü öncelikli olarak bu hastalığın tanısına ayrılmaktadır. Bu durum, uyku bruksizmi, huzursuz bacak sendromu veya insomnia gibi diğer uyku bozukluklarına sahip bireylerin PSG temelli kesin tanı imkânlarına erişimini sınırlamakta ve sağlıkta fırsat eşitliğini olumsuz yönde etkilemektedir. Geliştirilen bu sistem, söz konusu erişim ve kapasite sorunlarını azaltarak OSAS tanısını daha erişilebilir kılmakta, uyku laboratuvarlarının üzerindeki yükü hafifletmekte ve dolaylı olarak diğer uyku bozukluklarının teşhisine de katkı sunmaktadır. Ayrıca, kliniklerde yaygın olarak kullanılan spirometri cihazlarıyla entegre edilebilecek otomatik bir tanı destek sistemi altyapısının oluşturulması açısından da önemli bir yenilik ortaya koymaktadır. Böylece PSG'nin yüksek maliyet, erişim güçlüğü ve uygulama zorlukları minimize edilerek, hem bireysel düzeyde erken tanı ve müdahale olanağı, hem de toplum düzeyinde daha adil, dengeli ve erişilebilir bir sağlık hizmeti hedefi desteklenmektedir.