Mechanical Complication Prediction in Well-Aligned Adult Spinal Deformity Patients, Privacy-Preserving ML Inferences with Blockchain Applications

---

Tezin Türü: Doktora

Tezin Yürütüldüğü Kurum: Acıbadem Mehmet Ali Aydınlar Üniversitesi, Sağlık Bilimleri Enstitüsü, Biyoistatistik Ve Biyoinformatik Ana Bilim Dalı, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: İngilizce

Öğrenci: BARIŞ BALABAN

Danışman: Osman Uğur Sezerman

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Bu tez, yetişkin omurga deformitesi hastalarında mekanik komplikasyonları tahmin etmek için tasarlanmış ağaç-bazlı makine öğrenimi modellerinin geliştirilme ve hasta ve model veri gizliliklerini koruyan tahmin algoritmalarına dönüştürülme süreçleri sunulmuştur. Ağaç tabanlı denetimli makine öğrenimi algoritmalarını kullanarak, bu çalışma ameliyat sonrası komplikasyonlar için tahmin doğruluğunu iki belirgin hasta grubunda; ameliyat sonrası iyi hizalanmış ve orta derecede orantısız hastalada etkili bir şekilde artırmaktadır. Modeller yüksek tahmin performansı göstermiş, %90'e kadar duyarlılık ve %70 civarında F-skor değerlerine ulaşmıştır ki bu değerler, cerrahi plan- lama ve risk yönetimi için kritik metriklerdir. Homomorfik şifreleme entegrasyonuyla, çalışma işleme sırasında hassas hasta verilerinin gizli kalmasını sağlar. Modellerin gizli kalması ise güvenlik analizleri sonucu bir sorgu limiti atanarak gerçekleştirilmiştir. Bu yaklaşım, sağlık verilerinin işlenmesinde yaygın olan önemli gizlilik ve güvenlik endişelerini ve modelin çalınma risklerini ortadan kaldırmakadır. Araştırma bulguları, bu modellerin güvenilir tahminler sağlayarak tıp profesyoneller- ine bilinçli kararlar almada yardımcı olabileceğini ve böylece ASD ameliyatlarındaki mekanik komplikasyonların görülme sıklığını azaltabileceğini önermektedir. Modellerin ve hasta verisinin gizliliğinin korunmuş olması bu alanda ilerlemenin önünü açacaktır.