Artificial intelligence based analysis of vital signs for improvement of healthcare services using MIMIC-III waveform database
| dc.contributor.author | Olcay, Fırat Fuat | |
| dc.date.accessioned | 2025-11-11T06:39:53Z | |
| dc.date.available | 2025-11-11T06:39:53Z | |
| dc.date.issued | 14.07.2025 | |
| dc.department | TAÜ, Mühendislik Fakültesi, Bilgisayar Mühendisliği Bölümü | |
| dc.description.abstract | Yapay zeka (YZ) ve makine öğrenimi (MÖ) tekniklerinin yaygın kullanımı, özellikle girişimsel olmayan yaşamsal belirtilerin analizinde sağlık hizmetlerinde köklü değişimlere yol açmıştır. Bu çalışma, MIMIC-III Waveform Veritabanı’ndan elde edilen kalp ritmi, nabız, solunum hızı ve kandaki oksijen doygunluğu (SpO₂) gibi fizyolojik zaman serisi verilerinin etkin bir şekilde analiz edilmesi sorununu ele almaktadır. Bu problemin önemi, erken teşhis süreçlerinin iyileştirilmesi, invaziv izleme cihazlarına olan bağımlılığın azaltılması ve yoğun bakım ünitesi (YBÜ) ile ilgili klinik kararların doğruluğunun artırılması potansiyelinden kaynaklanmaktadır. Bu tezin amacı, yaşamsal belirtiler arasındaki ilişkileri ortaya çıkarabilen, anomalileri tespit edebilen ve hastaları bulundukları YBÜ türlerine göre otomatik olarak sınıflandırabilen bir sistem geliştirmektir. Yöntem olarak, iki saatlik zaman serilerinin ön işlenmesi ve bölütlenmesi, sinyal dönüşümleri (örneğin Fourier dönüşümü ve spektral analiz), öznitelik mühendisliği ve çeşitli makine öğrenimi ve derin öğrenme modellerinin (lojistik regresyon, rastgele orman, XGBoost ve LSTM ağları) eğitilmesi süreçleri uygulanmıştır. Başlangıçtaki korelasyon ve varyans analizleri, özellikle nabız ve kalp ritmi arasında güçlü bir bağıntı olduğunu ve YBÜ türlerine özgü belirgin farklılıklar bulunduğunu ortaya koymuştur. Test edilen modeller arasında CNN-BiLSTM, sınıflandırma doğruluğu açısından en iyi performansı göstermiştir. Elde edilen sonuçlar, korelasyon bilgisi ile zaman serisi modellemenin birleştirilmesinin sınıflandırma başarımını anlamlı ölçüde artırdığını ve veri odaklı klinik karar destek sistemlerinin geliştirilmesine katkı sunduğunu göstermektedir. Tez, yaşamsal belirti bağıntılarının YZ teknikleriyle etkili biçimde kullanılabileceğini ve bu sayede sağlık analizlerinin doğruluğunun artırılabileceğini ortaya koymaktadır. | |
| dc.description.abstract | The widespread deployment of machine learning (ML) and artificial intelligence (AI) techniques has led to fundamental changes in healthcare, namely the processing of non invasive vital signs toward diagnosis and monitoring of patients. This thesis aims at addressing the problem of efficiently processing time-series physiological signals, i.e., heart rate, pulse, respiratory rate, and SpO₂, from numerical MIMIC-III Waveform Database records. The value of the problem lies in the potential it holds toward the realization of improved diagnosis at an earlier stage, without the use of invasive monitoring devices, and enhanced clinical decision accuracy with reference to ICUs. The thesis attempts the development of a framework, capable of extracting inter-signal correlations, anomalies, and classifying patients into ICU categories through automatic processing. Preprocessing and 2-hour time-series signals segmentation, development of features, and training of diverse ML and deep learning architectures such as logistic regression, random forest, XGBoost, and LSTM networks are the approaches engaged. Preliminary correlation and variance tests revealed significant dependency, particularly between heart rate and pulse, and unit-wise variations in the action of signals. Amongst the architectures experimented with, CNN BiLSTM exhibited the highest level of accuracy as way of identifying the type of ICU from non-invasive signals. The results indicate that the incorporation of correlation knowledge with time-series models significantly enlarges the level of accuracy, toward the realization of clinical decision support tools through the use of data. As per the thesis, the deployment of vital sign interdependencies can effectively be utilized with the assistance of AI techniques toward improved healthcare analytics and diagnostic accuracy | |
| dc.identifier.citation | Olcay, Fırat F. (2025). Artificial intelligence based analysis of vital signs for improvement of healthcare services using MIMIC-III waveform database. Türk-Alman Üniversitesi, Fen Bilimler Enstitüsü. | |
| dc.identifier.uri | https://hdl.handle.net/20.500.12846/2085 | |
| dc.language.iso | en | |
| dc.publisher | Türk-Alman Üniversitesi, Fen Bilimler Enstitüsü | |
| dc.relation.publicationcategory | Tez | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.subject | Yaşamsal Belirtiler | |
| dc.subject | Zaman Serisi Analizi | |
| dc.subject | Yoğun Bakım | |
| dc.subject | Sağlık Analitiği | |
| dc.subject | Vital signs | |
| dc.subject | Time-series Analysis | |
| dc.subject | Intensive Care | |
| dc.subject | Healthcare Analytics | |
| dc.subject | MIMIC-III | |
| dc.title | Artificial intelligence based analysis of vital signs for improvement of healthcare services using MIMIC-III waveform database | |
| dc.title.alternative | MIMIC-III DALGA FORMU VERİ TABANI KULLANILARAK SAĞLIK HİZMETLERİNİN İYİLEŞTİRİLMESİ İÇİN HAYATİ BELİRTİLERİN YAPAY ZEKA TABANLI ANALİZ | |
| dc.type | Master Thesis |
