Ceylan, MuratÇevik, Mahmut2025-07-102025-07-102025https://tez.yok.gov.tr/UlusalTezMerkezi/TezGoster?key=5NNqZKwwGohPh6_KCcfp-o_W6Gj9F_L1H-nceleY0DBMq7BYZ0qOKP4zW8XMyOqRhttps://hdl.handle.net/20.500.13091/10180Yeni doğan prematüreler anne karnında gelişimini tamamlamadan dünyaya gelmektedir. Bu bebekler gelişimlerinin tamamlanması ve süreçlerinin izlenmesini Yenidoğan Yoğun Bakım Ünitesinde (YYBÜ) geçirmektedir. Bu süre içerisinde hastalıklara çok daha yatkın olan prematüreler için medikal parametreler ve laboratuvar bulguları sürekli olarak izlenmekte ve kayıt edilmektedir. Bazı vakalar ortaya çıktıktan birkaç saat sonrasında bebeğin ölümüyle sonuçlanabilecek kadar hızlı ilerlemektedir. Bu sebeple vaka ortaya çıkmadan önce tespit etmek ve vaka yönetimi için stratejiler geliştirilmesini sağlamak önem arz etmektedir. Dijital ikizler fiziksel bir nesnenin veya sürecin sensör değerlerinin dijital ortama aktarılmasıyla sanal bir temsilinin oluşturulmasıdır. Dijital ikizler ile yapay senaryolar üreterek gerçek hayat simülasyonları oluşturmak da mümkündür. Yapay zeka dijital ikiz modellerine ileriye yönelik tahminler ve çıkarımlar yapabilmesini sağlayan özellikler kazandırmaktadır. Bu tez çalışmasında Selçuk Üniversitesi YYBÜ'de kalan 47 prematüre bebekten elde edilen laboratuvar bulguları, medikal parametreler ve hiperspektral görüntüler ile çalışılmıştır. Alınan tüm görüntü ve parametreler zaman etiketli olarak kayıt edilmiştir. Bu veriler ile bebeklerin mevcut ve geçmiş medikal parametrelerine bakarak ileriye yönelik CRP, bilirubin ve hemoglobin değerlerini tahmin eden zaman seri analizleri ve zaman etiketli hiperspektral görüntüler ile hastalık tahmini yapan yapay zekâ modelleri geliştirilmiştir. Laboratuvar bulgularının ileriye yönelik tahmini için kullanılan zaman seri analizi modellerinin geliştirilmesinde LSTM, Xgboost ve LSTM-Çok Başlı Dikkat Mekanizması (ÇBD) yöntemlerinden faydalanılmıştır. LSTM sinir ağı ile geliştirilen zaman seri analizi modelinde %29.09 CRP, %36.36 bilirubin ve %46.63 R-Kare doğruluğuna erişilmiştir. Xgboost modellerinde bilirubin için 9.76, hemoglobin için 16.8 Ortalama Karesel Hata (OKH) değerine ulaşılmıştır. LSTM-ÇBD modelinde CRP, Bilirubin ve Hemoglobin değerleri için R-Kare doğruluğu sırasıyla %91.78, %66.76 ve %77.62 değerlerine ulaşmıştır. Hiperspektral Görü Dönüştürücü (HSViT) ile zaman etiketli hiperspektral görüntülerde hastalık tahmini yapan yapay zeka modeli geliştirilmiştir. Hiperküp veri kümesine 5, 50, 100 olmak üzere farklı seviyelerde Temel Bileşen Analizi (TBA) uygulanmış ve modeller bu veri setleri ile eğitilmiştir. En iyi model performansını %98.92 doğruluk, %96.48 kesinlik, %99.50 duyarlılık ve %97.95 F1-Skor ile 50 temel bileşene indirgenen veri seti ile eğitilen model göstermiştir. Bu tez çalışması ile yenidoğan prematürelerde dijital ikiz ile vaka önleme ve takibi için yapay zeka modelleri ile ileriye yönelik tahminlerin yapılabileceği ve bu tahminlerin hastalık teşhisinde bir erken uyarı sistemi olarak kullanılabileceği kanıtlanmıştır.Premature newborns are infants who are born before fully completing their developmental processes in the womb. These infants spend a critical period in the Neonatal Intensive Care Unit (NICU), where their growth and development are closely monitored. During this time, premature infants are highly susceptible to various medical conditions, making it essential to continuously track and record their medical parameters and laboratory findings. Some medical conditions can progress so rapidly that they might lead to the infant's death within hours after the onset. Therefore, early detection before the occurrence of such cases and developing strategies for effective case management are critically important. Digital twins represent physical objects or processes by transferring sensor data into a digital environment, creating virtual representations. Through digital twins, it is also possible to generate artificial scenarios to simulate real-life conditions. Artificial intelligence (AI) enhances digital twin models by enabling forward-looking predictions and inferences. In this thesis, laboratory findings, medical parameters, and hyperspectral images from 47 premature infants treated at Selçuk University's NICU were analyzed. All collected data, including images and parameters, were recorded with timestamps. Based on this data, AI models were developed for forecasting future CRP, bilirubin, and hemoglobin values through time series analyses using current and past medical parameters, as well as disease prediction using timestamped hyperspectral images. Long Short-Term Memory (LSTM), XGBoost, and LSTM-Multi-Head Attention (MHA) mechanisms were utilized to develop time series analysis models for predicting future laboratory findings. The LSTM-based time series analysis model achieved R-squared accuracies of 29.09% for CRP, 36.36% for bilirubin, and 46.63% for hemoglobin predictions. The XGBoost model obtained Mean Squared Errors (MSE) of 9.76 for bilirubin and 16.8 for hemoglobin predictions. Using the LSTM-MHA model, R-squared accuracies of 91.78%, 66.76%, and 77.62% were achieved for CRP, bilirubin, and hemoglobin, respectively. Additionally, a Hyperspectral Vision Transformer (HSViT) model was developed for disease prediction using timestamped hyperspectral imagery. Principal Component Analysis (PCA) was applied to the hypercube dataset at different levels 5, 50, and 100 components and models were trained on these reduced datasets. The best-performing model was trained on a dataset reduced to 50 principal components, achieving an accuracy of 98.92%, precision of 96.48%, sensitivity of 99.50%, and an F1-score of 97.95%. This thesis demonstrates that artificial intelligence models integrated with digital twins can effectively predict future medical parameters and diseases in premature newborns, providing a promising early-warning system for disease prevention and management.trElektrik ve Elektronik MühendisliğiElectrical and Electronics EngineeringMaster Thesis