Hiperbarik oksijen tedavisi uygulanan ani sensörinöral işitme kaybı hastalarının yapay zekâ destekli değerlendirilmesi
Artificial intelligence assisted evaluation of patients with sudden sensorineural hearing loss treated with hyperbaric oxygen therapy
- Tez No: 987123
- Danışmanlar: DOÇ. DR. ABDULLAH ARSLAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Deniz ve Sualtı Hekimliği, Kulak Burun ve Boğaz, Marine and Underwater Medicine, Otorhinolaryngology (Ear-Nose-Throat)
- Anahtar Kelimeler: Ani sensörinöral işitme kaybı (ASNİK), HBOTune, Hiperbarik oksijen tedavisi (HBOT), Makine öğrenmesi, Prognostik faktörler, Random Forest, Yapay zekâ, Artificial intelligence, HBOTune, Hyperbaric oxygen therapy (HBOT), Machine learning, Prognostic factors, Random Forest, Sudden sensorineural hearing loss (SSNHL)
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Hamidiye Tıp Fakültesi
- Ana Bilim Dalı: Sualtı Hekimliği ve Hiperbarik Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın amacı, ani sensörinöral işitme kaybı (ASNİK) tanısıyla hiperbarik oksijen tedavisi (HBOT) uygulanan hastalarda tedaviye yanıtın öngörülmesinde Python tabanlı yapay zekâ tabanlı modellerin etkinliğini değerlendirmek, bu modelleri SPSS üzerinden yapılan istatistiksel analiz yöntemleriyle karşılaştırmak ve klinik kullanım potansiyeline sahip makine öğrenmesi temelli bir prognoz tahmin aracı geliştirmektir. Gereç ve Yöntem: Konya Şehir Hastanesi Hiperbarik Oksijen Tedavi Ünitesi'nde 2023 yılı içerisinde tedavi gören 144 idiyopatik ASNİK hastasının verileri retrospektif olarak incelendi. Hastaların demografik, klinik ve tedaviye ilişkin değişkenleri çeşitli makine öğrenmesi algoritmaları ile (Linear Regression, Random Forest, XGBoost vb.) karşılaştırıldı. Tüm analizler Python 3.13 ortamında yürütüldü; modellerin performansı R², MAE ve RMSE ölçütleriyle değerlendirildi. Veriler SPSS 28.0 (Statistical Package for the Social Sciences) programı ile analiz edildi ve istatistiksel anlamlılık düzeyi p<0,05 olarak kabul edildi. İstatistik sonuçları değerlendirildi. Makine öğrenmesi algoritma sonuçları karşılaştırıldı. Alınan sonuçlarla HBOTune adlı çevrim içi tahmin uygulaması geliştirildi. Bulgular: Hastaların yaş ortalaması 52,2 ± 16,7 yıl olup, %55,6'sı erkekti. HBOT'ye başlama süresi ortalama 16,8 ± 7,4 gün, ortalama seans sayısı 13,1 ± 5,8 olarak saptandı. Başlangıç Saf Ses Ortalaması (PTA) 64,6 ± 28,3 dB iken, tedavi sonrası 48,4 ± 28,1 dB'ye düşmüş ve ortalama işitme kazanımı 16,2 ± 17,2 dB olarak hesaplandı. Siegel kriterlerine göre hastaların %25'inde tam, %9'unda belirgin, %19,4'ünde kısmi iyileşme gözlenmiş, %46,5'inde iyileşme saptanmamıştır. İstatistiksel analizlerde tedaviye geç başlanması işitme kazanımını anlamlı biçimde azaltmıştır (r = –0,294; p < 0,001). Başlangıç PTA ile işitme kazanımı arasında pozitif (r = 0,323; p < 0,001), son PTA ile negatif ilişki (r = –0,248; p = 0,003) saptanmıştır. Sistemik steroid tedavisi işitme kazanımını artırırken (p = 0,015), sigara kullanımı tedavi yanıtını olumsuz etkilemiştir (p = 0,014). Çoklu regresyon analizinde işitme kazanımını etkileyen en güçlü değişkenler başlangıç PTA, tedavi gecikmesi ve sistemik steroid kullanımı olarak belirlenmiştir. Makine öğrenmesi analizlerinde, işitme kazanımını tahmin etmek amacıyla geliştirilen modeller arasında Random Forest algoritması en yüksek performansı göstermiştir (R² = 0,345; MAE ≈ 11 dB; RMSE ≈ 14 dB). Değişken önem sıralamasında Başlangıç PTA (0,396), Tedavi Gecikmesi (0,210) ve Yaş (0,157) öne çıkmıştır. Random Forest modeli, klinik değişkenler üzerinden anlamlı doğrulukta bireysel öngörüler yapabilmiş ve bu model HBOTune uygulamasına entegre edilmiştir. Sonuç: Bu çalışma, HBOT uygulanan ASNİK hastalarında yapay zekâ tabanlı yaklaşımların tedavi yanıtının öngörülmesinde kullanılabilirliğini ortaya koymuştur. Bulgular, işitme kazanımının çoklu klinik değişkenlerin etkileşimiyle belirlendiğini ve veri odaklı modellerin bu karmaşık ilişkiyi açıklamada SPSS ile değerlendirilen klasik istatistiksel yöntemlere kıyasla daha esnek bir yapı sunduğunu göstermiştir. Random Forest modeliyle geliştirilen HBOTune uygulaması, temel klinik parametreleri kullanarak bireysel düzeyde işitme kazanımını tahmin edebilmiş ve klinik karar destek sistemi olarak kullanılabilir bir potansiyel göstermiştir.
Özet (Çeviri)
Objective: The aim of this study was to evaluate the effectiveness of artificial intelligence (AI)-based models in predicting treatment response among patients diagnosed with idiopathic sudden sensorineural hearing loss (SSNHL) who underwent hyperbaric oxygen therapy (HBOT); to compare these models with classical statistical methods; and to develop a machine learning–based prognostic prediction tool with clinical applicability. Materials and Methods: Data from 144 idiopathic SSNHL patients treated at the Hyperbaric Oxygen Therapy Unit of Konya City Hospital in 2023 were retrospectively analyzed. Demographic, clinical, and treatment-related variables were included in several machine learning algorithms (Linear Regression, Random Forest, XGBoost, etc.) were compared. All machine learning analyses were performed in Python 3.13, and model performance was evaluated using R², MAE, and RMSE metrics. Data were analyzed with SPSS 28.0 (Statistical Package for the Social Sciences), and a p-value <0.05 was considered statistically significant. Statistical results and machine learning outcomes were compared, and finally, an online prediction application named HBOTune was developed. Results: The mean age of the patients was 52.2 ± 16.7 years, and 55.6% were male. The mean delay before initiating HBOT was 16.8 ± 7.4 days, and the mean number of sessions was 13.1 ± 5.8. The initial pure tone average (PTA) was 64.6 ± 28.3 dB, which improved to 48.4 ± 28.1 dB after treatment, yielding a mean hearing gain of 16.2 ± 17.2 dB. According to Siegel's criteria, 25% of patients achieved complete recovery, 9% marked recovery, 19.4% partial recovery, and 46.5% showed no improvement. Delayed treatment initiation significantly reduced hearing gain (r = –0.294; p < 0.001). A positive correlation was found between baseline PTA and hearing gain (r = 0.323; p < 0.001), while post-treatment PTA correlated negatively (r = –0.248; p = 0.003). Systemic steroid therapy improved hearing outcomes (p = 0.015), whereas smoking had a negative impact (p = 0.014). Multiple regression analysis identified baseline PTA, treatment delay, and systemic steroid use as the most significant predictors of hearing gain. Among machine learning models, Random Forest achieved the best performance (R² = 0.345; MAE ≈ 11 dB; RMSE ≈ 14 dB). The most influential features were baseline PTA (0.396), treatment delay (0.210), and age (0.157). The model accurately predicted individual hearing outcomes and was integrated into the HBOTune application. Conclusion: This study demonstrated the applicability of artificial intelligence–based approaches in predicting treatment response among SSNHL patients undergoing HBOT. The findings indicate that hearing gain is determined by the interaction of multiple clinical factors, and data-driven models offer a more flexible framework than classical statistical methods for understanding these complex relationships. The Random Forest–based HBOTune application successfully predicted individual hearing gain from basic clinical parameters and showed potential as a clinically usable decision-support tool.
Benzer Tezler
- Ani sensörinöral işitme kaybı olan ve hiperbarik oksijen tedavisi alan hastalarda nötrofil-lenfosit oranı (NLO), platelet-lenfosit oranı (PLO) ve sistemik immün inflamasyon indeksinin (SII) tedavi yanıtı ile ilişkisinin değerlendirilmesi
Evaluation of the relationship between neutrophil-to-lymphocyte ratio (NLR), platelet-to-lymphocyte ratio (PLR) and systemic ımmune-ınflammation ındex (SII) and treatment response in patients with sudden sensorineural hearing loss receiving hyperbaric oxygen therapy
FATMA DİDEM KESLER
Tıpta Uzmanlık
Türkçe
2025
Deniz ve Sualtı HekimliğiSağlık Bilimleri ÜniversitesiSualtı Hekimliği ve Hiperbarik Tıp Ana Bilim Dalı
DOÇ. DR. ABDULLAH ARSLAN
- Ani işitme kaybında hiperbarik oksijen tedavisininin tinnitus üzerindeki etkisi
The effect of hyperbaric oxygen therapy on tinnitus in sudden hearing lOSS
GÖKBEN YILDIZ
Yüksek Lisans
Türkçe
2022
Kulak Burun ve BoğazKapadokya ÜniversitesiOdyoloji Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FERHAT KORKMAZ
- Basınç odalarında hiperbarik oksijen uygulamaları esnasında oluşan ses şiddetinin değerlendirilmesi
Assessment of sound intensity during hyperbaric oxygen applications in pressure chambers
TAYLAN ZAMAN
Tıpta Uzmanlık
Türkçe
2016
Halk Sağlığıİstanbul ÜniversitesiSualtı Hekimliği ve Hiperbarik Tıp Ana Bilim Dalı
PROF. DR. AKIN SAVAŞ TOKLU
- Ani işitme kayıplı hastalarda hiperbarik oksijen tedavisinin nazal fonksiyonlar üzerine etkisi
The effect of hyperbaric oxygen therapy on nasal functions in patients with sudden hearing loss
MESUT GÜNEŞ
Tıpta Uzmanlık
Türkçe
2026
Kulak Burun ve BoğazSağlık Bilimleri ÜniversitesiKulak Burun Boğaz Ana Bilim Dalı
DOÇ. DR. MUHAMMET YILDIZ
- İdiopatik ani işitme kayıplarında sistemik steroid, intratimpanik steroid ve hiperbarik oksijen tedavisinin etkinliklerinin karşılaştırılması
In idiopathic sudden hearing loss, comparison of the efficacy of the systemic steroid, intratympanic steroids and hyperbaric oxygen treatment
TOLGAHAN TOROSLU
Tıpta Uzmanlık
Türkçe
2016
Kulak Burun ve BoğazÇanakkale Onsekiz Mart ÜniversitesiKulak Burun Boğaz ve Baş-Boyun Cerrahisi Ana Bilim Dalı
PROF. DR. FEVZİ SEFA DEREKÖY