KaydedilenlerDerginizi ekleyin

Dergiler / Düzce Üniversitesi Bilim ve Teknoloji Dergisi / 2019 / Cilt: 7 - Sayı: 3

Bulanık Mantık ve Yapay Bağışıklık Sistemi Temelli Anestezik Derinlik Karar Destek Uygulaması

Esra ŞATIR
Kudret YILMAZ
Sayfa
2074–2093
Yayın Tarihi
2022-10-12
DOI
—
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Bu çalışmada anestezistlere, SAP ve HPR verilerinden yola çıkarak, hastaya verilebilecek en uygun anestezi miktarını, Yapay Bağışıklık Sistemi (YBS) ve Bulanık Mantık (BM) yardımı ile hassas hesaplayan bir Anestezik Derinlik Karar Destek Sistemi (ADKDS) önerilmektedir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Cerrahi müdahalelerde, anestezi derinliğini uygun hale getirmek amacıyla hastaların sistolik arter basıncını (Systolic Arterial Pressure- SAP) ve kalp atım hızını (Heart Pulse Rate- HPR) kontrol etmek iyi bilinen bir ölçüm yöntemidir.
📊
Temel Bulgular & Veri:Çalışmada tasarlanan sistem, hastalardan elde edilen giriş değerleri SAP, HPR ve çıkış parametresi AO kullanılarak, üyelik fonksiyonlarının en uygun değerlerini elde etmek için, Klonal Seçim Algoritmasının (KSA) her adımında arama, hesaplama ve değerlendirme gerçekleştirmiştir.
💡
Sonuç & Katkı:Bu çalışmada anestezistlere, SAP ve HPR verilerinden yola çıkarak, hastaya verilebilecek en uygun anestezi miktarını, Yapay Bağışıklık Sistemi (YBS) ve Bulanık Mantık (BM) yardımı ile hassas hesaplayan bir Anestezik Derinlik Karar Destek Sistemi (ADKDS) önerilmektedir.
🔬Tür:Literatür & Derleme Çalışması
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Yapay Bağışıklık Sistemi · Anestezi Derinliği · bulanık mantık

Özet

Cerrahi müdahalelerde, anestezi derinliğini uygun hale getirmek amacıyla hastaların sistolik arter basıncını (Systolic Arterial Pressure- SAP) ve kalp atım hızını (Heart Pulse Rate- HPR) kontrol etmek iyi bilinen bir ölçüm yöntemidir. Ameliyat boyunca, SAP ve HPR verilerine bakılarak hastaya verilebilecek anestezi miktarı (Anesthesia Output- AO) hesaplanabilmektedir. Bu çalışmada anestezistlere, SAP ve HPR verilerinden yola çıkarak, hastaya verilebilecek en uygun anestezi miktarını, Yapay Bağışıklık Sistemi (YBS) ve Bulanık Mantık (BM) yardımı ile hassas hesaplayan bir Anestezik Derinlik Karar Destek Sistemi (ADKDS) önerilmektedir. Çalışmada tasarlanan sistem, hastalardan elde edilen giriş değerleri SAP, HPR ve çıkış parametresi AO kullanılarak, üyelik fonksiyonlarının en uygun değerlerini elde etmek için, Klonal Seçim Algoritmasının (KSA) her adımında arama, hesaplama ve değerlendirme gerçekleştirmiştir. ADKDS’nin literatürdeki çalışmalara göre daha verimli tahminlerde bulunduğu ve daha iyi sonuçlar elde ettiği gözlemlenmiştir.

🔖

Bu Makaleye Atıf Yap

ŞATIR, E., YILMAZ, K. (2022). Bulanık Mantık ve Yapay Bağışıklık Sistemi Temelli Anestezik Derinlik Karar Destek Uygulaması. Düzce Üniversitesi Bilim ve Teknoloji Dergisi, Cilt: 7 - Sayı: 3, 2074–2093. https://ajindex.com/articles/494374

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (14)

  1. R. J. Kitz ve C. D. Vandem “A History and the scope of anesthetic practice,” 2nd. ed., vol. 1,New York, USA: Churchill - Livingstone, 1986.Chpt: 1, in Anesthesia cd
  2. B. E. Marshall ve D. E. Lockenfger, “General anaesthetics,Goodman and Gilman’s, the pharmocological basis of therapeutics,” 8th ed., Oxford: Permagon Press, 1990, pp. 285-311
  3. E. Eger, “New Inhaled Anesthetics,” Anesthesiology, vol.80, no. 1, pp. 906-922, 1994
  4. J.C. Snow, "Anestezi El Kitabı,” 1. baskı. İzmir, Türkiye: İzmir Guven Kitapevi, 1986, ss. 315-324
  5. S.G.Greenhow, D.A.Linkens ve A.J.Asbury, “Development of an expert system advisor for anaesthetic control,” Computer Methods and Programs in Biomedicine, vol. 37, no. 3, pp. 215-229,1992
  6. K. Becker, B. Thull, H. Kasmacher-Leidinger, J. Stemmer, G. Rau, G. Kalf ve H. Zimmermann, “Design and validation of an intelligent patient monitoring and alarm system based on fuzzy logic process model,” Artif Intell Med., vol.11, no. 1, pp. 33-53, 1997
  7. L. Vefghi ve D.A. Linkens, “Internal representation in neural networks used for classification of patient anesthetic states and dosage,” Computer Methods and Programs in Biomedicine, vol. 59, no. 2, pp. 75– 89. 1999
  8. A. Yardimci, A. Ferikoğlu ve N. Hadimioğlu, “Microcontroller Based Fuzzy Logic Sevofluorane Anesthesia Control System,” International Conference on Computational Intelligence, pp. 137-147, 2001
  9. M. Mahfouf, A.J. ASbury ve D.A. Linkens, “Unconstrained and constrained generalised predictive control of depth of anaesthesia during surgery,” Control Engineering Practice, vol. 11, no. 12,pp. 1501-1515,2003
  10. J.S. Shieh, D.A. Linkens ve J.E.Peacock, “A computer screen-based simulator for hierarchical fuzzy logic monitoring and control of depth of anaesthesia,” Mathematics and Computers in Simulation, vol. 67, no.3, pp. 251-265, 2004
  11. C.S. Nunes, M. Mahfouf ve D.A. Linkens, “Fuzzy modelling for controlled anaesthesia in hospital operating theatres,” Control Engineering Practice, vol. 14, no. 5 pp. 563-572, 2006
  12. H. M. Saraoglu ve B. Edin, “E-Nose System for Anesthetic Dose Level Detection using Artificial Neural Network,” Journal of Medical Systems, vol. 31, no. 6,pp. 475-482, 2007
  13. S. Şanlı ve H.M. Saraoglu, “A Fuzzy Logic-Based Decision Support System on Anesthetic Depth Control for Helping Anesthetists in Surgeries,” Journal of Medical Systems, vol. 31, no. 6, pp. 511-519,2007
  14. H. M. Saraoğlu, “Anestezi derinliği için kullanılan para