Yazar "Latifoğlu, Fatma" seçeneğine göre listele

Listeleniyor 1 - 3 / 3
  • Küçük Resim Yok
    Öğe
    Effect of Demographic Characteristics on Tension Type Headache and Migraine: A Machine Learning Based Analysis
    (Institute of Electrical and Electronics Engineers Inc., 2024) Latifoğlu, Fatma; Orhan Bulucu, Fırat
    Headache is an important neurological disorder that affects people's daily life. Headache types can be confused according to their symptoms. Thanks to the clinical decision support systems (CDSS) that can be developed, this confusion can be prevented and support can be provided to physicians. For this purpose, in this preliminary study, migraine and tension-type headache (TTH) types were classified using five different machine learning algorithms. In the classification phase, anamnesis data based on headache symptom information and demographic information were used. The classification process consists of different stages. In the first stage, the classification process was performed using only headache symptom data. Then, gender, age, and occupation information from demographic information were added to these data, and their effects were analyzed. As a result of the analysis, while the effect of gender and occupation positively affected the classification accuracy rate (2.31% increase), the effect of age negatively affected it. In addition, in this research, gender and occupational conditions that positively affect the results were analyzed within themselves, and a preliminary study of gender-specific or occupation-specific systems that could be developed in the future was carried out. This research is a preliminary study of a future CDSS. Thanks to the CDSS to be realized, headache types can be differentiated in regions where there is a medical shortage or a shortage of specialist physicians. © 2024 IEEE.
  • Küçük Resim
    Öğe
    K-Ortalamalar Kümeleme Yöntemi Kullanılarak ALS Hastalarında Dikkatin Olaya İlişkin Potansiyel Sinyalleri İle İncelenmesi
    (2020) Orhanbulucu, Fırat; Latifoğlu, Fatma; Baş, Abdullah
    Öz: Farklı nörolojik hastalıkların neden olduğu beyinde oluşan anormal durumlar dünya çapında birçok insanı etkilemektedir. Bu anormal durumlardan birisi de Amyotrofik lateral skleroz (ALS)’dur. ALS, beyin sapı adı verilen bölgede motor sinir hücrelerinin zarar görmesiyle ilerleyen fiziksel bozukluklara neden olan genellikle motor nöron hastalığı olarak bilinen bir hastalıktır. Beyin, dışarıdan gelen uyarıları algılar ve algılanan çok sayıda uyarıdan ilgili olanları dikkat mekanizması sayesinde seçer. Dikkat, çeşitli bilgi türlerinin, duygu ve düşünceler gibi aktivitelerin bir bölgeye yoğunlaştırılıp gerekli sürede ilgili uyarıcıların beyin tarafından seçilmesiyle oluşan bilişsel bir süreçtir. Elektroensefalogram (EEG) beynin dikkat mekanizmasında oluşan bu tür aktiviteleri ölçmek ve analiz etmek için önemli bir yere sahiptir. Dikkat analizi için son yıllarda yapılan çalışmalar Olaya İlişkin Potansiyel (OİP) sinyalleri üzerinedir. OİP sinyalleri, EEG sinyallerinde net olarak gözükmeyen P100, N200, P300 ve N400 gibi bileşenlere sahip olan küçük genlikli sinyallerdir. Bu nedenle OİP sinyallerini elde edebilmek için hedef uyaranın tekrarlanması, birçok kez EEG kaydının alınması gerekmektedir. Kayıt alınan hedef uyarana ait EEG sinyallerinin ortalamasının alınması sonucunda OİP sinyalleri elde edilmektedir. Gerçekleştirilen çalışmada, ALS hastaları ile sağlıklı kişilerin OİP sinyallerinden bir takım özelliklerin elde edilip ve görsel uyaranlara karşı dikkat analizinin k-ortalamalar kümeleme yöntemi ile incelenmesi amaçlanmıştır. K-ortalamalar kümeleme yöntemi ile yapılan inceleme sonucunda veriler 2 kümeye ayrılmış ve en yüksek başarı oranı %77.78 olarak hesaplanmıştır.
  • Küçük Resim Yok
    Öğe
    Predicting mortality risk and determining critical factors in intensive care patients: A preliminary study on covid-19 patients
    (2025) Temel, Şahin; Baran Ketencioğlu, Burcu; Orhanbulucu, Fırat; Latifoğlu, Fatma; Kalın Unuvar, Gamze; Akin, Aynur Karayol; Ilerı, Ramis
    Aim: To predict the mortality risk of COVID-19 patients in the intensive care unit (ICU) using clinical parameters and machine learning approaches. Methods: Data from 307 ICU patients at Erciyes University Hospital (2021–2022) were analyzed. Particle swarm optimization (PSO) and least absolute shrinkage and selection operator (LASSO) methods were utilized for feature selection. Four machine learning algorithms support vector machine (SVM), K-nearest neighbors (KNN), ensemble methods, and artificial neural network (ANN) were applied to the selected parameters. Results: The top 10 predictive parameters, common to both LASSO and PSO, included sodium, nucleated red blood cell (NRBC) count, magnesium, mean corpuscular hemoglobin (MCH), and lymphocyte count. The best prediction performance was achieved using PSO feature selection and ANN (AUC: 86.77%, sensitivity: 85.12%, specificity: 77.44%, F1-score: 81.10%). Conclusions: This study identifies critical parameters for predicting ICU COVID-19 patient mortality risk, employing two feature selection methods and comparing their performance with four machine learning algorithms. These results offer valuable insights for specialized physicians regarding disease progression and mortality risk prediction, but further research is needed.