EN
TÜRKÇE
Oral Presentation - 10
Application of artificial intelligence and machine learning techniques for enuresis prediction and determination of related factors in children
B Tokar*, M Başkaya**, Ö Çelik***, F Çemrek****, Ç Arslan Alıcı*, A Açıkgöz**
*Eskisehir Osmangazi University, Faculty of Medicine, Department of Pediatric Surgery, Division of Pediatric Urology, Eskisehir
**Eskisehir Osmangazi University Faculty of Health Sciences, Department of Pediatric Nursing, Eskisehir
***Eskisehir Osmangazi University Faculty of Arts and Sciences, Department of Mathematics-Computer, Eskisehir
****Eskisehir Osmangazi University Faculty of Arts and Sciences, Department of Statistic, Eskisehir
Aim: As a subset of artificial intelligence, machine learning techniques (MLT) may evaluate very large and raw datasets. The machine, trained with data, can predict the diagnosis and treatment of new cases. In this study, the aim is to establish a model by MLT for prediction of enuresis and determination of related factors in children. Methods: The study included 8,071 elementary school students. A total of 704 children had enuresis. For analysis of data with MLT, 704 nonenuretic children was structured with stratified sampling and the total number of the records reached to 1408. Out of 34 independent variables, 14 with high feature importance values (FIV) significantly affecting enuresis were selected. A model of estimation was created by training the data. 8 different MLT algorithms were tried. 70% of data were used for training and 30% for testing purpose. Results: 14 independent variables in order of FIV were starting age of toilet training, urinary urgency, holding maneuvers, frequency of defecation, history of enuresis in mother and father, having child's own room, parent's education level, history of enuresis in siblings, consanguineous marriage, incomplete bladder emptying, frequent voiding, gender, history of UTI and surgery in the past. The best MLT algorithm for the prediction of enuresis was determined as logistic regression algorithm. The total accuracy rate of the model in prediction was 81.3 %. Conclusion: MLT might provide a faster evaluation process for studies on enuresis with a large dataset. Increasing the size of the dataset and training the machine with new data updates increase the accuracy. This model may suggest that selected variables with high FIV might be preferred with priority in studies for enuresis. Dynamically trained MLT may prevent clinical errors due to human cognitive biases and help the physicians to be proactive in diagnosis and treatment of enuresis.
Çocuklarda enürezis öngörüsü ve ilişkili faktörlerin tespitinde yapay zeka ve makine öğrenme tekniklerinin uygulanması
B Tokar*, M Başkaya**, Ö Çelik***, F Çemrek****, Ç Arslan Alıcı*, A Açıkgöz**
*Eskişehir Osmangazi Üniversitesi Tıp Fakültesi, Çocuk Cerrahisi Anabilim Dalı, Çocuk Ürolojisi Bilim Dalı, Eskişehir
**Eskişehir Osmangazi Üniversitesi Sağlık Bilimler Fakültesi, Çocuk Hemşireliği Bölümü, Eskişehir
***Eskişehir Osmangazi Üniversitesi Fen Edebiyat Fakültesi, Matematik ve Bilgisayar Bölümü, Eskişehir
****Eskişehir Osmangazi Üniversitesi Fen Edebiyat Fakültesi, İstatistik Bölümü, Eskişehir
Amaç: Yapay zekanın bir alt kümesi olarak, makine öğrenme teknikleri (MÖT) çok büyük ve ham veri kümelerini değerlendirebilir. Veri ile eğitilen makine, yeni olguların tanı ve tedavi sürecini öngörebilir. Bu çalışmada çocuklarda enürezis öngörüsü ve ilişkili faktörlerin tespiti için MÖT modelinin oluşturulması amaçlandı. Yöntem: Çalışmaya 8.071 ilkokul öğrencisi dâhil edildi. Toplam 704 çocukta enürezis saptandı. MÖT ile veri analizi için, tabakalı örnekleme yöntemi ile enürezisi olmayan 704 çocuk eklenerek veri seti kayıt sayısı 1408’e çıkarıldı. 34 bağımsız değişkenden enürezisi önemli ölçüde etkileyen yüksek özellik önem değerine (feature importance value) sahip 14'ü belirlendi. Sekiz farklı MÖT algoritması veri setinde denendi. Makine veri ile eğitilerek tahmin modeli oluşturuldu. Örneklerin %70’i (978 kayıt) makine eğitimi, %30’u (423 kayıt) test için kullanıldı. Bulgular: Enürezis ile kuvvetle ilişkili, yüksek özellik önem değerine göre sırası ile 14 bağımsız değişken, tuvalet eğitimine başlama yaşı, idrara sıkışma, idrar tutma manevraları, dışkılama sıklığı, anne ve babada enürezis anamnezi, çocuğun kendi odasının olması, ebeveynin eğitim düzeyi, kardeşlerde enürezis anamnezi, akraba evliliği, işeme güçlüğü, artmış işeme sıklığı, cinsiyet, idrar yolu enfeksiyonu öyküsü ve geçirilmiş ameliyat olarak belirlendi. Lojistik Regresyon enürezis öngörüsü için en iyi MÖT algoritması olarak saptandı. Modelin öngörmedeki toplam doğruluk oranı % 81.3 idi. Sonuç: MÖT, büyük bir veri kümesine sahip enürezis çalışmaları için daha hızlı değerlendirme süreci sağlar. Veri seti büyüklüğünü aralıklı arttırarak, makinenin yeni veri güncellemeleri ile eğitilmesi doğru öngörü oranını artırır. Bu modelde yüksek özellik önem değerine sahip seçilmiş bağımsız değişkenlerin, enürezis tarama çalışmalarında öncelikli olarak tercih edilebileceği önerilebilir. Dinamik bir süreçte artan veri sayısı ile eğitilmiş MÖT insana bağlı bilişsel önyargılar nedeniyle oluşabilecek klinik hataları önleyebilir, doktorların enürezisin tanı ve tedavisinde proaktif olmasına yardımcı olabilir.