Publication: Yapay zeka ile KOAH hastalarının durum analizi ve IoT ile solunum verilerinin takibi
Abstract
Kronik Obstrüktif Akciğer Hastalığı (KOAH), dünya genelinde giderek yaygınlaşan ve her yıl milyonlarca kişinin ölümüne neden olan tehlikeli bir hastalıktır. Bu yaygınlaşmanın arkasındaki temel faktörler arasında şehirleşme, endüstrileşme, hava kirliliği ve artan tütün kullanımı bulunmaktadır. KOAH hastalığında önemli bir olgu olan alevlenmeler, hastaların prognozunu etkileyerek ciddi sağlık sorunlarına yol açmaktadır. Hastalığın evresi, diğer kronik hastalıklarla ilişkisi, viral enfeksiyonlar, hava kirliliği ve hastanın psikolojik durumu gibi faktörler, alevlenmeleri tetikleyen başlıca etkenlerdir. Bu faktörlerin farklı kombinasyonları nedeniyle alevlenme riskinin kişiselleştirilmiş bir şekilde tahmin edilmesi, hastalığın seyrini kontrol altında tutmak ve ölümcül etkilerini azaltmak açısından büyük bir öneme sahiptir. Bu çalışmada, alevlenmelerin tahmin edilmesi için Yapay Sinir Ağı modeli önerilmektedir. Ağın eğitimi için gerekli veriler, 151 KOAH vakasına ait bilgileri içeren Kore Ulusal Sağlık ve Beslenme İnceleme Araştırması (KNHANES) veri setlerinden elde edilmiştir. Eğitilen yapay sinir ağı modeli, bir ay içindeki alevlenmeleri tahmin etmede 90% başarı göstermiştir. Ayrıca, analiz için gerekli solunum verilerini sağlık sunucularına iletilebilmesi için hastalara ait bilgileri veri depolama alanına aktarabilen bir akıllı telefon uygulaması geliştirilmiştir. Nesnelerin interneti (IoT) teknolojisi kullanan sistemler ile entegre çalışma esnekliğine sahip olan bu tasarım, taşınabilir sağlık, evde sağlık ve akıllı hastane kavramlarına uygun özelliklere sahiptir. Tasarlanan model, bir sonraki ay için alevlenme risk durumunu tespit ederek erken müdahale olanağı sunmaktadır. Hastaların verilerinin uzaktan takibini sağlayan ve risk durumunu analiz eden bu yaklaşım, tedavinin başarısına önemli katkılar sağlamakla birlikte hastane iş yükünü ve sağlık maliyetlerini azaltma potansiyeline de sahiptir.
Chronic Obstructive Pulmonary Disease (COPD) is a perilous condition that is increasingly prevalent worldwide, causing millions of deaths annually. The key factors driving this prevalence include urbanization, industrialization, air pollution, and rising tobacco use. Exacerbations, a significant phenomenon in COPD, lead to serious health complications, affecting the prognosis of patients. Factors such as disease stage, comorbidities, viral infections, air pollution, and the patient's psychological state are major triggers for exacerbations. Personalized prediction of exacerbation risk, considering different combinations of these factors, holds paramount importance in controlling the disease progression and reducing its fatal effects. In this study, we propose Artificial Neural Network model trained to predict exacerbations. The necessary data for training the network were obtained from the Korea National Health and Nutrition Examination Survey (KNHANES) datasets, containing information from 151 COPD cases. The trained artificial neural network model demonstrated 90% success in predicting exacerbations within a month. Additionally, a smartphone application has been developed to transfer patient information to the database, enabling the transmission of respiratory data necessary for analysis to healthcare servers. This design, which integrates with Internet of Things (IoT) technology, offers flexibility in working with systems, aligning with the concepts of portable health, home health, and smart hospitals. The proposed model provides early intervention by detecting exacerbation risk status for the next month. This approach, enabling remote monitoring of patient data and analysis of risk status, not only contributes significantly to treatment success but also has the potential to reduce hospital workload and healthcare cost.
Chronic Obstructive Pulmonary Disease (COPD) is a perilous condition that is increasingly prevalent worldwide, causing millions of deaths annually. The key factors driving this prevalence include urbanization, industrialization, air pollution, and rising tobacco use. Exacerbations, a significant phenomenon in COPD, lead to serious health complications, affecting the prognosis of patients. Factors such as disease stage, comorbidities, viral infections, air pollution, and the patient's psychological state are major triggers for exacerbations. Personalized prediction of exacerbation risk, considering different combinations of these factors, holds paramount importance in controlling the disease progression and reducing its fatal effects. In this study, we propose Artificial Neural Network model trained to predict exacerbations. The necessary data for training the network were obtained from the Korea National Health and Nutrition Examination Survey (KNHANES) datasets, containing information from 151 COPD cases. The trained artificial neural network model demonstrated 90% success in predicting exacerbations within a month. Additionally, a smartphone application has been developed to transfer patient information to the database, enabling the transmission of respiratory data necessary for analysis to healthcare servers. This design, which integrates with Internet of Things (IoT) technology, offers flexibility in working with systems, aligning with the concepts of portable health, home health, and smart hospitals. The proposed model provides early intervention by detecting exacerbation risk status for the next month. This approach, enabling remote monitoring of patient data and analysis of risk status, not only contributes significantly to treatment success but also has the potential to reduce hospital workload and healthcare cost.