Güzey, IşılUçar, Özlem2023-12-062023-12-0620232023https://hdl.handle.net/20.500.14551/8611Geç başlangıçlı sepsis (GBS) ve nekrotizan enterokolit (NEK) hastalıkları prematüre yenidoğanlarda ölüme varabilecek risklere sebep olmaktadır. Semptomların belirsizliği, tanı için gereken kan testlerinin sonuçlanmalarının uzun sürmesi ve sonuçlarda karşılaşılan hatalar, tedavi süreçlerini olumsuz etkilemektedir. Yakın zamanda yapılmış demografik ve Elektrokardiyografi (EKG) verisi bazlı makine öğrenmesi çalışmalarında yüksek tanı performansları elde edilmiş olmakla birlikte, model hatalarının bebeklerde antibiyotik direnci veya tedavi süreçlerinin gecikmesi dolayısı ile ölüme varabilecek yüksek riskleri söz konusudur. Bu tez çalışmasında, hasta demografik bilgileri ve klinik izlemede daha yaygın olarak kullanılan Nabız Oksimetre (NO) verileri ile söz konusu hastalıkların tanıları için makine öğrenmesi modelleri geliştirilmiştir. Bu modellerin Açıklanabilir Yapay Zeka (XAI) ve İtiraz Edilebilirlik kavramları ile analiz edilmesi ile son kullanıcılar olan doktorların model hatalarını fark etmelerini sağlayacak bir metodoloji geliştirilmiştir. Bu çalışmada geliştirilen yaklaşım sayesinde tanı modelleri daha yaygın olarak kullanılabilecek ve hatalı kararların farkedilebilmeleri ile modellerin iyileştirilmesi mümkün olacak, böylece klinik olarak güvenilirlikleri artacaktır.Late-onset sepsis (LOS) and Necrotizing Enterocolitis (NEC) diseases have fatal risks for preterm infants. Due to subtle clinical symptoms, long-duration needs for blood test results, and inaccuracies in these tests, the treatment procedures are negatively affected. Although high diagnostic performances have been achieved in recent machine learning studies based on demographic and Electrocardiography (ECG) data, incorrect decisions of these models have risks of antibiotic resistance and mortality due to delay of treatment. In this thesis study, we trained machine learning models based on patient demographic information and Pulse Oximetry (PO) data more prevalently used in clinical monitoring. By analyzing these models with concepts of Explainable Artificial Intelligence (XAI) and contestability, we developed a methodology to support clinicians in identifying incorrect model decisions. Due to the approach developed in this study, diagnostic models will be used more prevalently, and by recognition of incorrect decisions, it will be possible to improve the models, thus their clinical reliability will increase.trinfo:eu-repo/semantics/openAccessMakine öğrenmesiAçıklanabilir yapay zekaİtiraz edilebilirlikPrematüre yenidoğanGeç başlangıçlı sepsisNekrotizan enterokolitMachine learningExplainable artificial intelligenceContestabilityPreterm infantsLate-onset sepsisNecrotising enterocolitisDoctoral Thesis820725