Akademik Veri Yönetim Sistemi
Tezin Türü: Doktora
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi, Fen Fakültesi, Moleküler Biyoloji ve Genetik Bölümü, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: Özgül Özer
Danışman: Emine Şeküre Nazlı Arda
Özet:
Çölyak hastalığı; buğday, arpa, çavdar gibi tahıllarda
bulunan glutenin tetiklediği, genetik olarak yatkın bireylerde kronik bağırsak
iltihabı ve villusların körelmesi ile karakterize otoimmün bir hastalıktır. İnsidansı
coğrafi koşullardan ve toplumların etnik yapısından etkilense de dünya
genelinde görülme sıklığı %1 ile %2 arasındadır. Hastalar genellikle karın
ağrısı, ishal, kusma gibi tipik belirtiler gösterdiği gibi, büyümede gerilik,
anemi, yorgunluk, sinirlilik, cilt problemleri gibi atipik belirtiler de
gösterebilir. Hasta profilindeki çeşitlilik ve standardize edilmemiş serolojik
testler klinik uygulamalarda oldukça zorlayıcı olmaktadır.
Tanının ilk aşamasında serolojik testler kullanılır. Serolojik
testlerin pozitif çıkması durumunda hasta ince bağırsak biyopsisine
yönlendirilir. Bu yüzden serolojik testlere ait duyarlılık, özgüllük ve
prediktif değerler gibi tanısal doğruluk parametreleri biyopsi kararında çok
önemlidir. Buna rağmen çoğu klinik çalışmada bu değerler verilmemektedir. Bu
eksik parametreler serolojik testlerin standardizasyonunu ve tanıyı
güçleştirmektedir. Literatürde çölyak serolojik testlerinin tanısal doğruluğunu
inceleyen geleneksel meta analiz çalışmaları olmasına rağmen, çölyak hastalığı
ile bağışıklık sistemi arasındaki ilişkiyi makine öğrenmesi algoritmaları
kullanarak değerlendiren bir çalışmaya rastlanmamıştır.
Bu tezin amacı, hastalığın immün göstergelerinden biri olan
otoantikorların ölçümünde kullanılan serolojik testlerin tanısal doğruluk
parametrelerini makine öğrenmesi algoritmalarıyla tahmin eden farklı bir meta
analiz yaklaşımı geliştirmektir.
Bu amaçla, anti-gliadin antikoru (AGA), anti-endomisyum antikoru ve
anti doku transglutaminaz antikoruna ait veri setlerine karar ağaçları,
rastgele orman, gradyan artırma (‘gradient boosting’) ve naive Bayes
sınıflandırması olmak üzere dört farklı makine öğrenmesi algoritması uygulanmıştır.
Çölyak tanısında kullanılan immünolojik testlerin duyarlılık
parametrelerini en başarılı tahmin eden makine öğrenme algoritmasının, %88.7
doğrulukla karar ağaçları algoritması olduğu bulunmuştur. Bu algoritma ile
tahmin edilen tanısal doğruluk parametrelerinin serolojik testlerin
standardizasyonuna katkı sağlayacağı, ayrıca epidemiyolojik çalışmalarda ve
meta analizlerde eksik verileri tolere edebileceği düşünülmektedir.