Estimating the chance of success and suggestion for treatment in IVF
Tüp bebek yönteminde tedavi başarı şansını tahmin etme ve tedavi yöntemi önerme
- Tez No: 335640
- Danışmanlar: PROF. DR. HALİL ALTAY GÜVENİR
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2013
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Bölümü
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Tı p alanı nda, bir tedavi sonucunda ba şarı ya ula şma şansı nı n karar verilmesi çok önemlidir. Bu tez çal smas ı, t üp bebek tedavisinde dikkate al ınması gereken iki önemli a şama üzerine odaklanmı şt ır. Bu a şamalardan birincisi gelen hastan ın t üp bebek tedavisi i çin uygun olup olmad ığı dı r. Hastanı n tedaviye uygun oldu ğu kararı verildikten sonra ikinci a şama hastaya uygulanacak olan en uygun tedavi y önteminin belirlenmesidir. Hem doktorlar, hem de tedavi uygulanacak olan aday hasta çifti i çin ilk de ğerlendirmeden sonra hastaya uygulanacak olan tedavi sonucunda ba şarı ya ula şma şansı çok önemlidir. E ğer ba şarı şansı d ü şük ise, hasta çifti bu pahal ı ve stresli tedaviye devam etmek istemeyebilir. Tedavi uygulama karar verildikten sonra doktorlar i çin karar verilmesi gerekilen ikinci konu hasta çifti i cin en uygun olan tedavi y öntemini se çmektir. Bu tez çalı şması ndaki ilk amacı mı z tedavi i çin gelen bir hasta çifti i cin ba şarı şansı nı tahmin etme ve t üp bebek tedavisindeki ba şar ı oranı nı etkileyen fakt örleri bulmak ve amac ıyla teknikler geli ştirmektir. Bu ama çlar do ğrultusunda s ıralama algoritmaları kullan ılmaktadı r. Kullan ılan metodlar RIMARC (Ranking Instances by Maximizing the Area under the ROC Curve), SVMlight (Support Vector Machine Ranking Algorithm) ve RIkNN (Ranking Instances using k Nearest Neighbour)'dir. Bu algoritmaları n her u ç u de örnek hastaları onlara atanmı ş olan skor de ğerlerine g öre sı ralamaya dayalı bir model ö ğrenir. RIMARC, Receiver Operating Characteristics (ROC) e ğrisi alt ında kalan alanı maksimize ederek örnekleri sı ralayan bir metoddur. SVMlight, destek vekt ör makinesi algoritması nı n örnek sı ralamas ı i çin geli ştirilmi ş bir versiyonudur. RIkNN, en yakı n kom şu algoritması n ı esas alan ve örnek sı ralaması nda benzerlik ol ç üt ün ü kullanan bir algoritmadı r. Bunlara ek olarak, bu tez calı şması nda RIkNN algoritması nı n bir versiyonu olan ve her bir öznitelik i çin konunun uzmanlar ı tarafı ndan belirlenmi ş olan öznitelik a ğı rl ıklar ın ı da dikkate alan RIwkNN algoritmas ını da kulland ık. Bu algoritmalar ı de ğerlendirmek i çin ROC e ğrisi altı ndaki alan (AUC) de ğeri ve katmanla ştı rı lmı ş 10'lu çapraz ge çerlilik y öntemlerini kulland ık. Ek olarak, tasarlanan sı ralama algoritmaların ı birer sınıflandırma algoritması haline getirdik ve bu algoritmalar ı de ğerlendirmek i çin accuracy de ğeri ve katmanla ştı rılm ış 10'lu çapraz ge çerlilik y öntemlerini kulland ık. Yan ür ün olarak RIMARC algoritması t üp bebek tedavisinde ba şarı şansı nı etkileyen fakt örleri ö ğrenmektedir. Bu ama çla öznitelik a ğı rlı kları nı hesaplar ve insanların kolaylı kla anlayı p yorumlayabilecekleri kurallar üretir. Gelen hasta çifti i cin ilk de ğerlendirmeden sonra tedavi sonras ı şansı nı n yüksek oldu ğuna karar verilir ise ikinci a şamaya ge çilir. Bu a şama hasta i çin en uygun olan tedavi y önteminin belirlenmesi a şamas ıdı r. T üp bebek tedavisi i çerisinde çok say ıda ila ç yer almaktad r fakat bu ila çlardan hangisinin hasta i çin en uygun oldu ğu kesin olarak bilinememektedir. Doktorlar genellikle hasta i çin ila ç se çimi yaparken ge çmi şte tedavi ettikleri hastaları n de ğerlerine bakarak karar verirler. Bu karar her zaman olumlu bir şekilde sonu çlanmayabilir ç ünk ü insan haf ızası gere ği doktorlar ın ge çmi şte tedavi ettikleri b üt ün hasta pro fillerini do ğru bir şekilde hatı rlayabilmeleri m ümk ün de ğildir. Bildi ğimiz kadar ıyla, istenilen sonucu elde etme şansı nı artt ırmak amacı yla en iyi öznitelik de ğerini önermek i çin model ö ğrenen bir method bulunmamaktadı r. Biz bu t ur bir sistemi Önerme Sistemi olarak adland ıraca ğı z. Doktorlara, uygun tedavi y öntemlerini belirleme a şamas ında yard ımcı olmak i çin bilinen makine ö ğrenmesi tekniklerine dayalı ü ç önerme sistemi geli ştirdik. Bu çal smanı n bir par çası olarak geli ştirilen önerme sistemlerini NSNS (Nearest Successful Neighbour Based Suggestion), kNNS (k Nearest Neighbour Based Suggestion) ve DTS (Decision Tree Based Suggestion) olarak adland ıracağı z. Bunlara ek olarak, bu tez çalı şması nda NSNS algoritması nı n bir versiyonu olan ve her bir öznitelik i çin RIMARC algoritması tarafı ndan belirlenmi ş olan öznitelik a ğı rlı kları nı da dikkate alan wNSNS algoritması nı da kulland ık. Ayrı ca, önerme algoritmaları nı n do ğrulu ğunu de ğerlendirmek i çin performans kriterleri tasarladık. Bu ama çla, bu tez çalı şmas ında, pessimistic metric (mp), optimistic metric (mo), validated optimistic metric (mvo) ve validated pessimistic metric (mvp) olarak adland ır ılan d ört adet de ğerlendirme kriteri sunuyoruz. Geli ştirilen bu algoritmalardan doktorları n faydalanması nı sa ğlamak amacı ile RAST (Risk Analysis and Suggestion for Treatment) adı verilen bir karar destek sistemi geli ştirdik. Sistem şuanda Ankara Etlik Z übeyde Han ım Kadı n Hastal ıklar ı E ğitim ve Ara ştı rma Hastanesi T üp Bebek Merkezi'nde aktif olarak kullanı lmaktad ır.
Özet (Çeviri)
In medicine, the chance of success for a treatment is important for decision making for the doctor and the patient. This thesis focuses on the domain of In Vitro Fertilization (IVF), where there are two issues: the first one is the decision on whether or not go with the treatment procedure, the second one is the selection of the proper treatment protocol for the patient. It is important for both the doctor and the couple to have some idea about the chance of success of the treatment after the initial evaluation. If the chance of success is low, the patient couple may decide not to proceed with this stressful and expensive treatment. Once a decision for treatment is made, the next issue for the doctors is the choice of the treatment protocol which is the most suitable for the couple. Our fi rst aim is to develop techniques to estimate the chance of success and determine the factors that aff ect the success in IVF treatment. So, we employ ranking algorithms to estimate the chance of success. The ranking methods used are RIMARC (Ranking Instances by Maximizing the Area under the ROC Curve), SVMlight (Support Vector Machine Ranking Algorithm) and RIkNN (Ranking Instances using k Nearest Neighbour). All of these three algorithms learn a model to rank the instances based on their score values. RIMARC is a method for ranking instances by maximizing the area under the ROC curve. SVMlight is an implementation of Support Vector Machine for ranking instances. RIkNN is a k Nearest Neighbour (kNN) based algorithm that is developed for ranking instances based on similarity metric. We also used RIwkNN, which is the version of RIkNN where the features are assigned weights by experts in the domain. These algorithms are compared on the basis of the AUC of 10-fold strati ed cross-validation. Moreover, these ranking algorithms are modi ed as a classi cation algorithm and compared on the basis of the accuracy of 10-fold strati ed cross-validation. As a by-product, the RIMARC algorithm learns the factors that a ect the success in IVF treatment. It calculates feature weights and creates rules that are in a human readable form and easy to interpret. After a decision for a treatment is made, the second aim is to determine which treatment protocol is the most suitable for the couple. In IVF treatment, many di erent types of drugs and dosages are used, however, which drug and the dosage are the most suitable for the given patient is not certain. Doctors generally make their decision based on their past experiences and the results of research published all over the world. To the best of our knowledge, there are no methods for learning a model that can be used to suggest the best feature values to increase the chance that the class label to be the desired one. We will refer to such a system as Suggestion System. To help doctors in making decision on the selection of the suitable treatment protocols, we present three suggestion systems that are based on well-known machine learning techniques. We will call the suggestion systems developed as a part of this work as NSNS (Nearest Successful Neighbour Based Suggestion), kNNS (k Nearest Neighbour Based Suggestion) and DTS (Decision Tree Based Suggestion). We also implemented the weighted version of NSNS using feature weights that are produced by the RIMARC algorithm. Moreover, we propose performance metrics for the evaluation of the suggestion algorithms. We introduce four evaluation metrics namely; pessimistic metric (mp), optimistic metric (mo), validated optimistic metric (mvo) and validated pessimistic metric (mvp) to test the correctness of the algorithms. In order to help doctors to utilize developed algorithms, we develop a decision support system, called RAST (Risk Analysis and Suggestion for Treatment). This system is actively being used in the IVF center at Etlik Z ubeyde Han m Woman's Health and Teaching Hospital.
Benzer Tezler
- Stratejik yönetim ve beton prefabrikasyon sektöründe çalışan bir işletmede uygulama
Başlık çevirisi yok
FERİT VARDAR
Yüksek Lisans
Türkçe
1998
İşletmeİstanbul Teknik Üniversitesiİşletme Ana Bilim Dalı
DOÇ. DR. İSMAİL HAKKI BİÇER
- Software defect prediction with a personalization focus and challenges during deployment
Kişiselleştirme odaklı yazılım hata tahmini ve entegrasyon zorlukları
BEYZA EKEN
Doktora
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ AYŞE TOSUN KÜHN
- Enerji verimliliğinin kent ölçeğinde planlanması ve mekan ile etkileşimi Milas örneği
Planning energy efficiency in urban scale, it's interaction with urban form Milas case
KEREM BEYGO
Doktora
Türkçe
2017
Enerjiİstanbul Teknik ÜniversitesiŞehir ve Bölge Planlama Ana Bilim Dalı
YRD. DOÇ. DR. MEHMET ALİ YÜZER