TY - JOUR T1 - DERİN ÖĞRENME YÖNTEMLERİ İLE BASINÇ YARASI EVRELERİNİN SINIFLANDIRILMASI: PİLOT ÇALIŞMA AU - Demir, Elif Müberra Nur AU - Özgürsoy Uran, Berna Nilgün PY - 2025 DA - August Y2 - 2025 JF - Gazi Sağlık Bilimleri Dergisi JO - Gazi Sağlık Bil PB - Gazi Üniversitesi WT - DergiPark SN - 2548-0383 SP - 22 EP - 22 VL - 10 IS - Özel Sayı LA - tr AB - Amaç: Basınç yaralarının derin öğrenme yöntemleriyle oluşturulmuş yapay zeka aracılığıyla tespit edilmesi ve doğru şekilde evrelendirmesi konusunda başarısını belirlemektir. Yapay zekâ modelinin, bası yarası evrelerini yüksek doğrulukla ayırt etmesi hedeflenmiştir. Metod: Araştırma, İzmir’de bir eğitim ve araştırma hastanesinde gerçekleştirilmiştir. Basınç yarası bulunan 53 hastadan alınan yara fotoğrafları, NPUAP/EPUAP (2009-2014) sınıflandırma sistemine göre ‘evre 0’ (sağlıklı deri) ile ‘evre 5’ arasında uzman hemşire ve öğretim üyesi tarafından değerlendirilmiştir. Toplanan görseller veri setine dönüştürülmüş ve yapay zekâ modeli oluşturulmuştur. Model, CNN (Convolutional Neural Network) ve ANN (Artificial Neural Network) mimarileriyle Tensorflow kütüphanesi kullanılarak eğitilmiştir. Bulgular: Modelin başarı oranını artırmak amacıyla veri artırma yöntemiyle veri sayısı 159’a çıkarılmış, farklı öğrenme sayıları ve aktivasyon fonksiyonları denenmiştir. İlk aşamada 53 veriyle %37,5 başarı elde edilirken, veri artırımıyla oluşturulan 159 veriyle başarı oranı %62,5’e ulaşmıştır. Aktivasyon fonksiyonları arasında en yüksek başarı Relu ile elde edilmiştir. Öğrenme sayısı 100’den 500’e çıkarıldığında başarı oranında düşüş gözlenmiş, bu da öğrenme sayısının başarıyı her zaman artırmadığını, veriye oranla karar verilmesi gerektiğini göstermiştir. Sonuç: Veri sayısı arttıkça modelin başarısı anlamlı şekilde artmıştır. Relu fonksiyonu en uygun aktivasyon fonksiyonu olarak belirlenmiştir. Modelin geliştirilmesiyle, ileri düzeyde başarı sağlayarak bası yaralarının evrelendirilmesinde kullanılabileceği öngörülmektedir. İleride yapılacak çalışmalarda daha büyük ve dengeli veri setleri kullanılması ve veri setlerine oranla öğrenme sayısının belirlenmesiyle daha derin ve karmaşık bir yapay zeka modeline ihtiyaç duyulacağı öngörülmektedir. Daha karmaşık ve derin yapay zeka modeli büyük veri setiyle birlikte kullanıldığında çok yüksek başarı oranları elde edilmesi açısından önerilmektedir. KW - Derin öğrenme KW - çoklu sınıflama KW - bası yarası evreleri KW - ANN KW - CNN CR - Sağlık Bilimleri Gençlik Projeleri Yarışması "Fikirlerden Projelere"de bildiri olarak sunulmuştur. UR - https://dergipark.org.tr/tr/pub/gsbdergi/issue//1774949 L1 - https://dergipark.org.tr/tr/download/article-file/5199220 ER -