SavedAdd your journal

Journals / EMO Bilimsel Dergi / 2021 / Cilt: 11 - Sayı: 22

Yapay Zeka Tabanlı Klinik Karar Destek Sistemi ile Tüp Bebek Tedavisi Gebelik Sonucu Tahmini

Rukset ATTAR
Aslı UYAR
Yasemin ATILGAN ŞENGÜL
Zeynep PACCİ
Oya ALAGÖZ
Pages
27–35
Publication Date
2022-10-12
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

Gebelik sonucu tahmininde en yüksek sınıflandırma performansı Destek Vektör Makineleri yöntemi ile elde edilmiş (AUC=0.70) ve sınıflandırma olasılık sonuçlarında karar eşik değerinin optimizasyonu ile tahmin doğruluğu daha da iyileştirilerek gebelik sonucunun %71.7 Doğru Pozitif ve %59.4 Doğru Negatif oranı ile tahmin edilmesi sağlanmıştır.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:Tüp bebek tedavisi başarı olasılığının henüz tedavi başlamadan belirlenmesi hastalar ve klinisyenler açısından önem taşımaktadır.
📊
Key Findings & Data:Çalışmada kullanılan veri kümesi Yeditepe Üniversitesi Hastanesi Tüp Bebek Kliniği’nde 2013-2019 yılları arasında gerçekleştirilen 1154 adet tedavi siklusuna ait elektronik sağlık kayıtlarından oluşmaktadır.
💡
Conclusion & Impact:Gebelik sonucu tahmininde en yüksek sınıflandırma performansı Destek Vektör Makineleri yöntemi ile elde edilmiş (AUC=0.70) ve sınıflandırma olasılık sonuçlarında karar eşik değerinin optimizasyonu ile tahmin doğruluğu daha da iyileştirilerek gebelik sonucunun %71.7 Doğru Pozitif ve %59.4 Doğru Negatif oranı ile tahmin edilmesi sağlanmıştır.
🔬Design:Modeling & Simulation
📍Scope:2013-2019 · 1154 adet
⚙️Variables:klinik karar destek sistemi · yapay zeka · tüp bebek tedavisi

Özet

Tüp bebek tedavisi başarı olasılığının henüz tedavi başlamadan belirlenmesi hastalar ve klinisyenler açısından önem taşımaktadır. Yapay zeka tabanlı klinik karar destek sistemleri, geçmiş tedavi verilerini analiz ederek yeni tedavilerde gebelik sonucunun tahmin edilmesine olanak sağlar. Bu çalışmada, tüp bebek tedavisine başlayacak hastaya ait öznitelikler kullanılarak pozitif gebelik olasılığını hesaplayan bir model geliştirilmiştir. Çalışmada kullanılan veri kümesi Yeditepe Üniversitesi Hastanesi Tüp Bebek Kliniği’nde 2013-2019 yılları arasında gerçekleştirilen 1154 adet tedavi siklusuna ait elektronik sağlık kayıtlarından oluşmaktadır. Veri kümesi üzerinde beş farklı sınıflandırma yöntemi (Destek Vektör Makineleri, Çok Katmanlı Algılayıcı, Rastgele Orman, Aşırı Gradyan Artırma ve Hafif Gradyan Artırma) 5-katlı çapraz doğrulama yöntemi kullanılarak karşılaştırmalı olarak incelenmiştir. Gebelik sonucu tahmininde en yüksek sınıflandırma performansı Destek Vektör Makineleri yöntemi ile elde edilmiş (AUC=0.70) ve sınıflandırma olasılık sonuçlarında karar eşik değerinin optimizasyonu ile tahmin doğruluğu daha da iyileştirilerek gebelik sonucunun %71.7 Doğru Pozitif ve %59.4 Doğru Negatif oranı ile tahmin edilmesi sağlanmıştır.

🔖

Cite This Article

ATTAR, R., UYAR, A., ŞENGÜL, Y. A., PACCİ, Z., ALAGÖZ, O. (2022). Yapay Zeka Tabanlı Klinik Karar Destek Sistemi ile Tüp Bebek Tedavisi Gebelik Sonucu Tahmini. EMO Bilimsel Dergi, Cilt: 11 - Sayı: 22, 27–35. https://ajindex.com/articles/496905

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (15)

  1. R. Bhardwaj, A. R. Nambiar, D. Dutta, “A Study of Machine Learning in Healthcare”, IEEE 41st Annual Computer Software and Applications Conference (COMPSAC), Turin, 236-241, July 2017
  2. W. Liu, P. Shen, Y. Qu, D. Xia, “Fast algorithm of support vector machines in lung cancer diagnosis”, International Workshop on Medical Imaging and Augmented Reality, Hong Kong, 188-192, 2001
  3. S.M., McKinney, M., Sieniek, V. Godbole, et al. “International evaluation of an AI system for breast cancer screening”, Nature, 577, 89–94, 2020
  4. F. Jiang et al., “Artificial intelligence in healthcare: Past, present and future”, Stroke Vasc. Neurol., 2(1), 230–243, 2017
  5. P.C. Steptoe, R.G. Edwards, “Birth after the reimplantation of a human embryo”, Lancet, 2, 366, 1978
  6. M. Vander Borght, C. Wyns, “Fertility and infertility: Definition and epidemiology,” Clinical Biochemistry, 62, 2018
  7. R. G. Edwards and P. C. Steptoe, “Induction of follicular growth, ovulation and luteinization in the human ovary.,” J. Reprod. Fertil. Suppl., 1975
  8. M. E. Cohen, “The ‘brave new baby’ and the law: fashioning remedies for the victims of in vitro fertilization.,” Am. J. Law Med., 1978
  9. M. R. Sadeghi, “The 40th anniversary of IVF: Has ART’s success reached its peak?,” Journal of Reproduction and Infertility, 2018
  10. B. Mesko, “The role of artificial intelligence in precision medicine,” Expert Review of Precision Medicine and Drug Development, 2(5), 239-241, 2017
  11. A. Uyar, Y. Sengul, A. Bener, “Emerging technologies for improving embryo selection: a systematic review,” Adv. Health Care Technol.,1, 55-64, 2015
  12. L. Bori, E. Paya, L. Alegre, et al., “Novel and conventional embryo parameters as input data for artificial neural networks: an artificial intelligence model applied for prediction of the implantation potential”, Fertility and Sterility, 114(6), 1232 -1241, 2020
  13. G. Letterie, A. Mac Donald, “Artificial intelligence in in vitro fertilization: a computer decision support system for day-to-day management of ovarian stimulation during in vitro fertilization”, Fertility and Sterility, 114(5), 1026-1031, 2020
  14. S. J. Kaufmann, J. L. Eastaugh, S. Snowden, S. W. Smye, and V. Sharma, “The application of neural networks in predicting the outcome of in-vitro fertilization,” Hum. Reprod., 12(7), 1454-1457, 1997
  15. P. Vogiatzi, A. Pouliakis, C. Siristatidis, “An artificial neural network for the prediction of assisted reproduction outcome”, J Assist Repr