Akım volüm halkası ile obstrüktif uyku apnesi teşhisi için makine öğrenmesi tabanlı bir yöntem geliştirilmesi
Development of a machine learning-based method for the diagnosis of obstructive sleep apnea using flow volume loop
- Tez No: 997429
- Danışmanlar: PROF. DR. MEHMET RECEP BOZKURT, PROF. DR. CAHİT BİLGİN
- Tez Türü: Doktora
- Konular: Elektrik ve Elektronik Mühendisliği, Biyomühendislik, Göğüs Hastalıkları, Electrical and Electronics Engineering, Bioengineering, Chest Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sakarya Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
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.
Özet (Çeviri)
Sleep is a vital physiological process essential for maintaining physical health, cognitive performance, and emotional balance. Disruptions in sleep continuity or quality can cause significant systemic health problems and degrade quality of life. Among various sleep disorders, Obstructive Sleep Apnea Syndrome (OSAS) is one of the most prevalent and life-threatening conditions. It is characterized by recurrent upper airway obstruction during sleep, resulting in apneas or hypopneas, oxygen desaturation, and sleep fragmentation. Untreated OSAS is associated with cardiovascular, metabolic, and neurocognitive complications and represents a growing public health concern. Currently, polysomnography (PSG) is regarded as the gold standard for diagnosing OSAS. However, PSG is expensive, time-consuming, and not easily accessible to all patients. These limitations highlight the need for alternative, affordable, and non-invasive diagnostic tools. Spirometry, a routine pulmonary function test, provides quantitative assessment of respiratory mechanics and is widely used in diagnosing COPD, asthma, and restrictive lung diseases. Although it has never been used directly for OSAS diagnosis, its flow-volume curves contain rich physiological information that could reflect airflow obstruction patterns associated with OSAS. This research aims to develop an Artificial Intelligence (AI)-based decision support system capable of identifying OSAS using features extracted from spirometric flow-volume curves. The proposed approach seeks to create a fast, low-cost, and accessible alternative to PSG for early detection. The study utilized spirometric data from 466 participants—234 OSAS-diagnosed patients and 232 healthy controls—collected at Sakarya University Training and Research Hospital between January 2021 and April 2022. Measurements were obtained using the microQuark spirometry system and processed via Omnia software (v1.6.10). The most representative maneuver for each subject was selected based on total lung capacity (TLC). From each flow-volume curve, 94 characteristic and 25 statistical features (total of 119 parameters) were extracted using MATLAB. Characteristic features captured geometric and temporal attributes of the respiratory signal, while statistical features (mean, variance, skewness, kurtosis, Hjorth parameters) quantified its dynamic properties. Feature relevance was analyzed using Spearman's rank correlation coefficient, suitable for non-normally distributed biomedical data. Based on correlation strength, features were ranked and eleven subsets were created, ranging from the top 5% to 50% of total features. Each dataset was classified using five machine learning algorithms: Decision Trees (DT), Support Vector Machines (SVM), k-Nearest Neighbors (kNN), Ensemble Learning, and Artificial Neural Networks (NN). All models were trained and validated through five-fold cross-validation and hyperparameter optimization to ensure robustness and prevent overfitting. Model performances were evaluated using accuracy, sensitivity, specificity, precision, F-measure, Cohen's Kappa, and Area Under the ROC Curve (AUC) metrics. The Neural Network (NN) model trained with the top five most correlated features achieved the highest performance, with 97.12% accuracy, 0.97 sensitivity, 0.97 specificity, 0.97 precision, 0.97 F-measure, 0.97 Kappa, and an AUC of 0.99. These findings demonstrate that a small number of discriminative spirometric features can effectively distinguish OSAS patients from healthy individuals with exceptional accuracy. Importantly, this study provides the first evidence that machine learning analysis of flow-volume curves can serve as a diagnostic indicator for OSAS, an area previously unexplored in the literature. Although spirometry is traditionally used for diagnosing obstructive and restrictive lung diseases such as COPD and asthma, this research introduces a pioneering approach where spirometric data are utilized to identify OSAS through machine learning. The results suggest that the flow-volume curve, a simple and non-invasive output of spirometry, contains physiological markers reflecting upper airway obstruction that can be uncovered through AI-based analysis. The proposed model enables OSAS detection even in individuals unaware of their condition, during routine pulmonary testing, thus facilitating early diagnosis and timely intervention. Furthermore, since OSAS is a life-threatening disorder, sleep laboratories are often occupied with OSAS diagnostics, leading to limited access for individuals with other sleep-related disorders such as sleep bruxism, restless legs syndrome, or insomnia. This situation creates a significant health equity issue, where diagnostic resources are concentrated on life-threatening cases, leaving other patients undiagnosed. By providing a rapid and accessible OSAS screening alternative, the developed system can help reduce the workload of sleep laboratories, indirectly improving diagnostic opportunities for other sleep disorders and promoting greater equity in healthcare access. Integration of this AI-based model into commonly used spirometry devices could transform routine lung function testing into an effective OSAS screening tool applicable in primary care settings. This study demonstrates that OSAS can be accurately detected (97.12% accuracy, 0.99 AUC) using only five spirometric features analyzed through a Neural Network model. The results establish that flow-volume curve analysis, when enhanced with machine learning, provides a novel, practical, and accessible pathway for OSAS detection — a diagnostic approach that has not been reported before in the literature. The proposed AI-assisted decision support system offers an affordable and patient-friendly solution that can be seamlessly integrated into spirometry workflows. By decreasing dependence on PSG, this approach expands diagnostic accessibility, supports early intervention, and fosters health equity by reducing disparities in diagnostic opportunities across different patient groups. Future studies may aim to: • Validate the model using larger, multicenter datasets to enhance generalizability. • Apply deep learning architectures for automatic feature extraction from raw spirometric signals. • Develop portable or home-based spirometry systems for real-time OSAS risk estimation. In conclusion, this doctoral research contributes a novel and pioneering AI-driven diagnostic methodology, establishing spirometry as a new, non-invasive tool for the early detection of OSAS while promoting a more balanced and inclusive healthcare ecosystem.
Benzer Tezler
- Parsiyel larenjektomili hastalarda postoperatuar solunum fonksiyonlarının değerlendirilmesi
Başlık çevirisi yok
ERCAN YÜCE
Tıpta Uzmanlık
Türkçe
1989
Kulak Burun ve Boğazİstanbul ÜniversitesiKulak, Burun, Boğaz Hastalıkları Ana Bilim Dalı
- Obezlerde solunum fonksiyon anormallikleri ve bunların obezitenin derecesi, vücut yağ dağılımı ve nefes darlığı ile ilişkilendirilmesi
Pulmonary function abnormalities in obesity and their correlation with the degree of obesity, body fat distrubition and dysnea
BEDRİYE KAR
Tıpta Uzmanlık
Türkçe
2006
Göğüs Hastalıklarıİstanbul ÜniversitesiGöğüs Hastalıkları Ana Bilim Dalı
PROF.DR. AHMET RASİM KÜÇÜKUSTA
- Benzofuran halkası bağlı 3-nitrofenil kalkon türevinin kolon kanseri hücreleri üzerindeki antikanser aktivitesinin belirlenmesi
Determination of anti-cancer activity of a benzofuran ring-connected 3-nitrophenyl chalcone derivative on colon cancer cells
MELİH ÖZTEPE
- Yapay zeka ve gökdelen tasarımı
Artificial intelligence and skyscraper design
ŞELALE ELÇİN SUNGUR DÖLGEN
Doktora
Türkçe
2023
MimarlıkMimar Sinan Güzel Sanatlar ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. ÜMİT TURGAY ARPACIOĞLU
- Design and meta-heuristic based optimization of axial-flux induction generator for variable speed wind turbines
Değişken hızlı rüzgâr türbinleri için eksenel akılı asenkron generatör tasarımı ve meta-sezgisel yöntemlerle optimizasyonu
BATI EREN ERGUN
Yüksek Lisans
İngilizce
2024
Elektrik ve Elektronik Mühendisliğiİstanbul Teknik ÜniversitesiElektrik Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET ONUR GÜLBAHÇE