Kronik Obstrüktif Akciğer Hastalığı ile Elektrokardiyogram Sinyali Arasındaki İlişkinin İstatistiksel Olarak İncelenmesi

Öz

Amaç Kronik Obstrüktif Akciğer Hastalığı solunum zorluğuna sebep olan tehlikeli bir hastalıktır. Hastalık spirometre cihazı ile doktor tarafından
teşhis edilebilir. Cihazı teknisyen kullanmalıdır. Teşhis sadece hastanede konulabilir. Teşhis sonrası düzenli spirometre kontrolleri ile
hastalığın takip edilmesi gerekir. Bu yüzden taşınabilir spirometreye alternatif ve kullanımı kolay yeni yöntemlere ihtiyaç vardır.
Metod Bu çalışmada, spirometreye alternatif teşhis için Elektrokardiyogram sinyali kullanımı önerilmiştir. Çalışmada, Elektrokardiyogram
sinyalinden 24 zaman domeni özelliği çıkarılmış ve istatistiksel olarak analiz edilmiştir.
Sonuçlar: Analiz sonucunda, 24 özellikten 20 özelliğin kontrol ve hasta grupları için ayırt edici olduğu tespit edildi (p<0.05).
Bulgular Sonuçlara göre, Elektrokardiyogram sinyalinin Kronik Obstrüktif Akciğer Hastalığı teşhisi için kullanılabileceği düşünülmektedir.
Sonuç Cyclopentolate had similar effects in adult and pediatric age groups in terms of anterior chamber changes. There was an increase in
CMT in pediatric group whereas no change in adult group. A decrease was observed in CSCT value. It was seen that effects of study
drug on choroidal thickness was more prominent in pediatric age group.  

Statistical Analysis of The Relationship Between Chronic Obstructive Pulmonary Disease and Electrocardiogram Signal

Abstract

Object Chronic Obstructive Pulmonary Disease is a dangerous disease that causes diffi culty breathing. The diagnosis of the disease made by
the physician with the spirometer at the hospital. The device should be used by a technician. After diagnosis, the doctor should follow
up with regularly examination using spirometer. Therefore, there is a need new method that portable, spirometer alternative and easy
to use.
Methods This study has proposed the use of an electrocardiogram signal for alternative diagnosis of the spirometer. In the study, we extracted
24 time domain features and analyzed statistically from the electrocardiogram signal.
Results As a result of the analysis, we determined that 20 of 24 features were distinctive for control and patient groups (p<0.05).
Conclusion According to the results, we think that a doctor can diagnose Chronic Obstructive Pulmonary Disease using the electrocardiogram
signal.

Keywords

• EKG,SFT,KOAH

Kaynakça

1. 1. S. Umut, “Kronik Obstrüktif Akciğer Hastalığında Atak,” İ.Ü. Cerrahpaşa Tıp Fakültesi Sürekli Tıp Eğitimi Etkinlikleri, no. 61, pp. 117–128, 2008. 2. A. Kocabaş et al., “Kronik Obstrüktif Akciğer Hastaliği (KOAH) Koruma, Tani ve Tedavi Raporu 2014,” 2014. 3. B. Kurulu, “Kronik Obstrüktif Akciğer Hastalğının Tanısı, Tedavisi ve Önlenmesi için Küresel Strateji 2011 Güncellemesi,” 2011. 4. R. Lozano, M. Naghavi, K. Foreman, and E. All, “Global and regional mortality from 235 causes of death for 20 age groups in 1990 and 2010: A systematic analysis for the Global Burden of Disease Study 2010,” Lancet, vol. 380, no. 9859, pp. 2095–2128, Dec. 2012. 5. M. S. Ünüvar N Yardım N., “Turkey Burden of Disease Study (TBDS) 2004,” 2007. 6. B. Ünal and G. Ergör, Türkiye Kronik Hastalıklar ve Risk Faktörleri Sıkılığı Çalışması. 2013. 7. U. Isik, A. Guven, and H. Buyukoglan, “Chronic Obstructive Pulmonary Disease classifi cation with Artifi cial Neural Networks,” in 2015 Medical Technologies National Conference (TIPTEKNO), 2015, pp. 1–4. 8. N. H. Johari, J. Balaiyah, and Z. Ahmad, “Effect of chronic obstructive pulmonary disease on airfl ow motion using computational fl uid dynamics analysis,” in 2014 International Conference on Computer, Communications, and Control Technology (I4CT), 2014, pp. 249–254. 9. M. Pinto and P. Marques, “OneCare Spiro: Mobile application for monitoring and pre-diagnosis of Chronic Obstructive Pulmonary Disease,” in 2017 IEEE 5th Portuguese Meeting on Bioengineering (ENBENG), 2017, pp. 1–4. 10. M. K. Ucar, S. Orenc, M. R. Bozkurt, and C. Bilgin, “Evaluation of the relationship between Chronic Obstructive Pulmonary Disease and photoplethysmography signal,” in 2017 Medical Technologies National Congress (TIPTEKNO), 2017, pp. 1–4. 11. T. T. D. K. Ç. Grubu, “Kronik Obstrüktif Akciğer Hastalığı Tanı ve Tedavi Uzlaşı Raporu,” Ankara, 2010. 12. N. O. Olcay, “Acil Serviste Sağlık Çalışanlarının Elektrokardiyogram Bilgi Düzeyinin Değerlendirilmesi,” T.C. Sağlık Bakanlığı, 2017. 13. W. J. Brady, A. Perron, and E. Ullman, “Errors in emergency physician interpretation of ST-segment elevation in emergency department chest pain patients.,” Acad. Emerg. Med., vol. 7, no. 11, pp. 1256–60, Nov. 2000. 14. M. K. Uçar, “Obstrüktif Uyku Apne Teşhisi için Makine Öğrenmesi Tabanli Yeni Bir Yöntem Geliştirilmesi,” Sakarya Üniversitesi, 2017. 15. Jeen-Shing Wang, Guan-Rong Shih, and Wei-Chun Chiang, “Sleep stage classifi cation of sleep apnea patients using decision-tree-based support vector machines based on ECG parameters,” in Proceedings of 2012 IEEE-EMBS International Conference on Biomedical and Health Informatics, 2012, pp. 285–288. 16. S. Yu, X. Chen, B. Wang, and X. Wang, “Automatic sleep stage classifi cation based on ECG and EEG features for day time short nap evaluation,” in Proceedings of the 10th World Congress on Intelligent Control and Automation, 2012, pp. 4974–4977. 17. W. Hayet and Y. Slim, “Sleep-wake stages classifi cation based on heart rate variability,” in 2012 5th International Conference on BioMedical Engineering and Informatics, 2012, pp. 996–999.