Search

Aim: To adapt the social media use disorder scale, which was validated and reliable in adolescents, to the adult group. Material and Methods: The sample of the study consisted of 454 adults. The scale consists of 9 items in a five-point Likert type. In the evaluation of scale validity, internal consistency between items was evaluated by Cronbach's alpha coefficient, Kaiser-Meyer-Olkin test, Bartlett test, factor structure determination, and main components analysis. Results: The Cronbach alpha internal consistency coefficient of the scale was found to be 0.905. The scale showed a structure consisting of two sub-dimensions, psychosocial dysfunction, and social isolation. The total explained variance of the scale was 69.98%. Conclusion: As a result of the study, a highly reliable and valid social media use disorder scale for adults was created. Considering the developing technology and social media, there will be a need to develop new scales in this regard in the future., Amaç: Ergenlerde geçerlilik güvenilirliği yapılmış olan, sosyal medya kullanım bozukluğu ölçeğini yetişkin gruba uyarlamaktır. Gereç ve Yöntemler: Çalışmanın örneklemini 454 yetişkin oluşturdu. Ölçek adet beşli Likert tipi maddeden oluştu. Maddeler arasındaki tutarlılık değerlendirilirken, Cronbach's alpha, Kaiser Meyer Olkin testi, Bartlett testi ve temel bileşenler analizi ile faktör yapısı değerlendirildi. Bulgular: Yetişkinler için geliştirilen ölçekte, Cronbach’s alfa, 0,905 bulundu. Ölçek, psikososyal işlev bozukluğu ve sosyal izolasyon olmak üzere iki alt boyuttan oluşan bir yapı gösterdi. Ölçeğin toplam açıklanan varyansı %69.98 saptandı. Sonuç: Çalışma sonucunda erişkinler için yüksek güvenilirlikte ve geçerli sosyal medya kullanım bozukluğu ölçeği oluşturulmuştur. Gelişen teknoloji ve sosyal medya göz önüne alındığında bu konuda ileride yeni ölçeklerin geliştirilmesine ihtiyaç olacaktır.

Oftalmolojide, insan gözündeki anatomik yapıları ve anomalilikleri yakalamak için bir retina görüntüleme yöntemi olan fundus görüntüleme ve erken fundus taraması, oftalmolojik hastalıkların neden olduğu körlüğü önlemenin etkili ve ekonomik bir yoludur. Klinik olarak, tıbbi kaynakların yetersizliği nedeniyle manuel teşhis zaman alıcıdır. Hastalığa ait tanı, teşhis ve tedavi durumunu geciktirebilir. Günümüzde hızlı ve otomatik hastalık tespiti, oftalmologların iş yükünü azaltmak için kritik ve acildir. Oftalmologlar, gözün ve çevresindeki yapıların doğrudan veya dolaylı olarak görselleştirilmesi yoluyla örüntü tanımaya dayalı olarak hastalıkları teşhis eder. Oftalmoloji alanının hastalık tespitinde fundus görüntülerine olan bu bağlılığı, derin öğrenme mimarilerinden yararlanmak için mükemmel bir zemin hazırlamıştır. Bu tez çalışmasının temel amacı, yapay zekâ odaklı oküler hastalıkların sınıflandırma probleminin çözümlenmesini sağlamaktır. Bu kapsamda, hastaların sağ ve sol gözlerinden alınan renkli fundus görüntüleri ve her bir görüntüye ait hastalık teşhis anahtar kelimeleri olan eğitim verisi kullanılarak oküler hastalık sınıflandırması için farklı derin konvolüsyonel sinir ağı modelleri oluşturmak, bu modellerin eğitimini gerçekleştirmek, model eğitimi sonrası, test fundus görüntü kümesi kullanılarak oluşturulan modellerin hastalık sınıflandırma performans ölçütleri olan kappa değeri, F1 skoru, Eğri altında kalan alan (Area Under Curve-AUC) ve bu üç ölçütün ortalaması olan Final skoru değerlerinin hesaplanması, modellerin sınıflandırma performansının bu ölçütlere göre değerlendirilmesi, en iyi skora sahip modelin oküler hastalıkların sınıflandırılmasında kullanılması ve literatüre önerilmesi amaçlanmıştır. Yöntem: Konvolüsyonel sinir ağları (CNN), güçlü özellik öğrenme yeteneği ile fundus görüntüleri üzerinde dikkate değer bir başarı elde etmiştir ve derin öğrenmenin gelişmesiyle birlikte, oftalmoloji alanında hastalıklar üzerine yapılan araştırmalar hız kazanmıştır. Yapılan araştırmaların çoğu sadece tek bir hastalığa odaklanmıştır. Göz dibi taraması sırasında, oftalmologlar genellikle binoküler fundus görüntüsünde çoklu hastalık teşhisi verirler. Gerçek tıbbi senaryoyu karşılayabilmek için 2019 yılında ilk kez 8 farklı hastalık sınıfı içeren binoküler fundus görüntülerinden oluşan halka açık Oküler Hastalık Akıllı Tanıma (ODIR) veri seti yayınlanmıştır. v Bulgular: Bu tez çalışmasında, oftalmolojik hastalıklara ait görüntülerinin sınıflandırılması için literatürde State of the Art Modelleri olarak adlandırılan ve üç başarılı model olan Inceptionv3, VGG16 ve ResNet50 CNN mimarisi oluşturulmuştur. Ön-eğitimli ImageNet ağırlıkları kullanılarak, her bir model için öznitelik çıkarımı elde edildikten sonra modellerin hastalık sınıflandırma performansları değerlendirilmiştir. Uluslararası Oküler Hastalık Akıllı Tanıma Yarışması tarafından sağlanan veri seti üzerinde eğitilen ve test edilen modeller için sırası ile Final skoru değerleri VGG16 modeli için, 0.677, Inceptionv3 modeli için 0.669, ResNet50 modeli için 0.628 bulunmuştur. Sonuç: Elde edilen yüksek doğruluk, AUC, F1 skoru, kappa değeri ve son üç ölçütün ortalaması olan en yüksek Final skor değerine sahip CNN modeli olan VGG16 modelinin fundus görüntülerinin sınıflandırılmasında kullanılabileceğini; Tıp Fakültelerinin Oftalmoloji alanında uzmanlara tanı aşamasında yardımcı bir destek rolü üstlenebileceği ve bu alanda gelecekte kullanılabilir sistemler tasarlanabileceğini göstermektedir Fundus imaging and early fundus scanning, a retinal imaging method to capture anatomical structures and anomalies in the human eye in ophthalmology, is an effective and economical way to prevent blindness caused by ophthalmologic diseases. Clinically, manual diagnosis is time consuming due to the scarcity of medical resources. Diagnosis, diagnosis and treatment of the disease may delay. Fast and automated disease detection today is critical and urgent to reduce the workload of ophthalmologists. Ophthalmologists diagnose diseases based on pattern recognition through direct or indirect visualization of the eye and surrounding structures. This commitment of the field of ophthalmology to fundus images in disease detection has laid the perfect groundwork for taking advantage of deep learning architectures. The main purpose of this thesis is to solve the classification problem of ocular diseases focused on artificial intelligence. In this context, creating different deep convolutional neural network models for ocular disease classification by using color fundus images taken from the right and left eyes of the patients and the education data, which are the disease diagnosis keywords of each image, to train these models, after the model training, the test fundus image set Calculation of the disease classification performance criteria such as kappa value, F1 score, Area Under Curve (AUC) and Final score values which are the average of these three criteria, evaluation of the classification performance of the models according to these criteria, It is aimed to be used in the classification of diseases and suggested to the literature. Method: Convolutional neural networks (CNN) have achieved remarkable success on fundus images with their powerful feature learning ability, and with the development of deep learning, research on diseases in the field of ophthalmology has gained momentum. Most of the research has focused on only one disease. During fundus scanning, ophthalmologists usually diagnose multiple diseases on a binocular fundus image. In order to meet the real medical scenario, a public Ocular Disease Intelligent Recognition (ODIR) data set consisting of binocular fundus images containing eight different disease classes was published for the first time in 2019. vii Results: In this thesis, three successful models Inceptionv3, VGG16 and ResNet50, which are called State of the Art Models in the literature, were created for the classification of images of ophthalmologic diseases. The disease classification performances of the models were evaluated after feature extraction was obtained for each model using pre-trained ImageNet weights. Final score values for the models trained and tested on the data set provided by the International Ocular Disease Intelligent Recognition Competition were 0.677 for the VGG16 model, 0.669 for the Inceptionv3 model, and 0.628 for the ResNet50 model, respectively. Conclusion: The obtained high accuracy, AUC, F1 score, kappa value and the highest Final score value of the CNN model, which is the average of the last three criteria, can be used in classification of fundus images; It shows that Medical Faculties can play an auxiliary role to support specialists in the field of ophthalmology at the diagnosis stage and those systems can be designed in the future

Introduction: The person who is giving the first-hand care to hospitalised children and mostly is being affected by the child’s disease is generally the mother. It is inevitable for the children not to be affected by the fear and anxiety of their mothers. Materials and Methods: This study has been carried out with the purpose of identifying the level of depression and anxiety of the mothers whose 7-12 years of age children hospitalised due to an acute or a chronic disease between 28 October 2014 and 16 January 2015 in the State Hospital of Eskisehir. The first 100 voluntary mothers whose children were diagnosed with an acute disease and the first 100 voluntary mothers whose children were diagnosed with a chronic disease and who were on the third day of hospitalization were all included in the study. The necessary approval from the Ethics Committee of the Hospital has been received before beginning the study. Descriptive features have been collected through the “Descriptive Information Form” which was developed by the researchers. All the mothers have been applied to “Beck’s Depression Inventory BDI ” and “StateTrait Anxiety Inventory STAI ”. The data have been analysed through IBM SPSS Version 21. Results and Conclusions: At the end of the study, the mean depression score of mothers has been identified as 21.58, mean score of state anxiety has been 49.66, and mean score of trait anxiety has been identified as 47.30. When the scores of Beck’s Depression Inventory have been grouped into 3 categories as mild, moderate, and severe, a considerable statistical significance has been found between the score distributions of mothers who have an acute and chronic disease p=0.03* . Similarly, when the scores of State-Trait Anxiety Inventory have been grouped into 3 categories as lower, intermediate, and higher, a considerable statistical significance has been found between the score distributions of mothers who have an acute and chronic disease p=0.038*, p=0.004** . It is recommended that nurses and other healthcare personnel should accept the mothers whose children have been hospitalised as risky groups and should carry out appropriate practices in order to alleviate the anxiety of mothers, Giriş: Hastanede yatan çocuklarda birinci derecede bakım veren ve çocuğun hastalığından en fazla etkilenen kişi genellikle annedir. Annenin yaşadığı korku, huzursuzluk gibi olumsuz duyguların çocuğu etkilemesi ise kaçınılmazdır.Gereç-Yöntem: Bu çalışma, Eskişehir Devlet Hastanesi’nde akut veya kronik hastalık nedeniyle yatmakta olan 7-12 yaş arası çocukların annelerinin depresyon ve anksiyete kaygı düzeylerini belirlemek amacıyla, 28 Ekim 2014 ile 16 Ocak 2015 tarihleri arasında yapıldı. Bu tarihlerde hastaneye yatışının 3. günü olan ve çalışmaya katılmayı kabul eden ilk 100 akut hastalık tanılı ve ilk 100 kronik hastalık tanılı çocukların anneleri çalışmaya dâhil edildi. Çalışma yapılmadan önce Hastane Etik Kurulu’ndan gerekli izin alındı. Tanımlayıcı özellikler, araştırmacılar tarafından oluşturulan “Tanımlayıcı Bilgi Formu” kullanılarak toplandı. Tüm annelere “Beck Depresyon Ölçeği” ve “Durumluk ve Süreklik Kaygı Ölçeği” uygulandı. Araştırma analizi IBM SPSS 21 paket programı ile yapıldı. Bulgular ve Sonuç: Çalışma sonucunda annelerin depresyon puan ortalaması 21.58, durumluk anksiyete puan ortalaması 49.66, süreklik anksiyete puan ortalaması ise 47.30 bulundu. Beck Depresyon Ölçeği puanları minimal-hafif-orta-şiddetli depresif belirtiler olmak üzere 4 kategoriye ayrıldığında, akut ve kronik hastalığı olan çocukların annelerinin puan dağılımları arasında istatistiksel olarak önemli derecede farklılık bulundu p=0.03* . Benzer şekilde Durumluk Kaygı Ölçeği puanları ve Süreklik Kaygı Ölçeği puanları az-orta-yüksek düzeyde kaygı olmak üzere kategorilere ayrıldığında akut ve kronik hastalığı olan çocukların annelerinin puan dağılımları arasında istatistiksel olarak önemli derecede farklılık bulundu p=0.038*, p=0.004** . Önerimiz hemşireler ve diğer sağlık çalışanlarının, çocuğu hasta olan anneleri depresyon yönünden riskli grup olarak kabul etmeleri ve kaygılarını azaltmaya yönelik destek ve girişimde bulunmalarıdır