Makine öğrenmesi yöntemlerinin kasık fıtığı cerrahisi sonrası uzamış hastane yatışı riskinin tahminindeki performanslarının incelenmesi
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Fen Bilimleri Enstitüsü, İSTATİSTİK ANABİLİM DALI, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: ZAHİDE ERDEM
Danışman: HATİCE ÖNCEL ÇEKİM
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu çalışma, kasık fıtığı cerrahisi sonrası hastanede yatış süresinin makine öğrenmesi yöntemleri kullanılarak sınıflandırılmasını ve farklı algoritmaların performanslarının karşılaştırılmasını amaçlamaktadır. Çalışmada, Ocak 2021–Aralık 2024 tarihleri arasında Sağlık Bilimleri Üniversitesi, Gülhane Eğitim ve Araştırma Hastanesi, Genel Cerrahi Kliniği'nde kasık fıtığı nedeniyle ameliyat edilen ve dahil edilme kriterlerini sağlayan 563 hastaya ait demografik, klinik, laboratuvar ve operasyonel veriler kullanılmıştır. Nicel değişken olan ameliyat sonrası hastanede yatış süresi, klinik uygulamalar ve literatür araştırmalarında fıtık cerrahisi geçiren hastaların iki gün içinde taburcu edilmesinin beklendiği, iki günden uzun süren yatışların ise uzamış hastane yatışı olarak değerlendirildiği kabulüne dayanmaktadır. Bu çalışmada, uzamış yatış riskinin araştırılması amacıyla, ameliyat sonrası hastanede yatış süresi değişkeni ≤2 gün "kısa yatış" ve >2 gün "uzun yatış" olacak şekilde ikili sınıflı nitel bir değişkene dönüştürülmüştür. Modelleme öncesinde veri kümesi üzerinde ön işleme süreci uygulanmış; korelasyon analizi ve aykırı değer incelemeleri gerçekleştirilmiştir. Hastanede yatış süresinin sınıflandırılması amacıyla karar ağaçları, rastgele orman, lojistik regresyon, destek dektör makineleri ve XGBoost algoritmaları kullanılmıştır. Tüm modeller, aynı dengeli eğitim–test veri ayrımı ile eğitilmiş; hiper-parametre optimizasyonu için ızgara arama ve rastgele arama yöntemleri kullanılmıştır. Model performansları AUC, doğruluk, duyarlılık, özgüllük, F1 skoru ve ROC eğrisi üzerinden hesaplanan Youden J indeksi kullanılarak değerlendirilmiştir. Ayrıca, modellerin açıklanabilirliğini artırmak ve performanslarını iyileştirmek amacıyla, her modelin kendi yapısına özgü değişken önem analizleri gerçekleştirilmiştir. Bu analizler sonucunda yapılan değişken seçimi ile oluşturulan azaltılmış modellerin performansı, tam model yapılarıyla karşılaştırılmıştır. Elde edilen bulgulara göre, destek vektör makineleri algoritmasında radyal bazlı fonksiyon (RBF) çekirdeği kullanılarak oluşturulan azaltılmış model AUC=0,844 değeri ile en yüksek ayırt edicilik performansını göstermiştir. Lojistik regresyon modelleri AUC=0,823 değerleri ile gösterdikleri yüksek performansın yanı sıra katsayı yorumlanabilirliği açısından öne çıkarken, rastgele orman ve XGBoost modelleri dengeli duyarlılık–özgüllük değerleri sunmuştur. Tüm modellerde fıtık büyüklüğü, uzamış yatış süresinin en güçlü belirleyicisi olarak öne çıkmış; mesh kullanımı, dren kullanımı, yaş ve acil başvuru durumu da birçok modelde uzamış yatış süresine etki eden önemli değişkenler arasında yer almıştır. Sonuç olarak, bu çalışma ameliyat sonrası hastanede uzamış yatış süresinin tahmininde makine öğrenmesi yöntemlerinin etkili bir biçimde kullanılabileceğini ve sınırlı sayıda değişkenle yüksek doğruluk oranlarıyla sınıflandırma yapılabileceğini göstermektedir. Bulgular, klinik karar süreçlerinin geliştirilmesine ve hastane kaynaklarının ise daha etkin planlanmasına katkı sağlayabilecek niteliktedir.