Türkiye'deki ağrı anlatılarının nicel ve nitel analizle incelenmesi sonucunda makine ile derin öğrenme yöntemleriyle evrensel ağrı skalası algoritması geliştirilmesi

Abstract

Bu tez, Türkiye’deki farklı lehçelerde ifade edilen ağrı anlatılarını çok-boyutlu olarak değerlendirerek evrensel bir “Ağrı Skalası Algoritması” tasarlamayı amaçlamaktadır. Migren/başağrısı, Multipl Skleroz (MS), fibromiyalji ve epilepsi tanılı toplam 200’den fazla hasta; demografik anketleri doldurmuş, en az on iki sözcüklük ağrı betimlemeleri sunmuş ve beş ayrı ölçek (HFDI, FSDC, SF-MPQ, BPI, Pain Sensitivity Questionnaire) ile taranmıştır. Güvenirlik incelemeleri, MS ve başağrısı gruplarında Cronbach’s α ≈ 0,88 düzeyinde yüksek iç tutarlılık, epilepsi ve fibromiyaljide ise negatif α katsayılarıyla yetersiz tutarlılık göstermiştir. Metin verileri Bag of Words (BoW), Term Frequency Inverse Document Frequency (TFIDF) ve Bidirectional Encoder Representations from Transformers (BERT) gömüleriyle vektörlenmiş, çoklu çıktı regresyonu için on bir model oluşturulmuştur. Bu modellerin değerlendirilmesinde Ortalama Kare Hatası (MSE), Ortalama Mutlak Hata (MAE), Ortalama Mutlak Yüzde Hatası (MAPE), Belirleme Katsayısı (R2) kullanılmıştır. BoW temsiliyle Gradient Boosting ve Lasso en güvenilir öngörüleri sağlamış; Ridge regresyonu parsimoni ile yüksek genellenebilirlik sunmuştur. Nitel analizde, Strauss & Corbin’in eksenli kodlama yöntemiyle 1300-1400 anlam birimi dört üst temada bütünleştirilmiştir: duyusal nitelik, zamanlama/süre, işlevsel etki ve duygusal yansıma. Bu temalar “Tükenmişliği Yeniden Çerçeveleme” (MS) ve “Zonklayan Tükenmişlik Döngüsü” (baş ağrısı) çekirdek kategorileri etrafında kuramsallaştırılmıştır. Bulgular, hastalık modeli farklılıklarının model performansını etkilediğini; düzenlileştirilmiş lineer modeller ile artırmalı yöntemlerin aşırı uyumu sınırladığını göstermektedir. Tez, çok-lehçeli büyük veri kümeleriyle modelin doğrulamasını ve ölçeğin klinik karar destek sistemlerine entegrasyonunu gelecekteki başlıca adımlar olarak önermektedir. Ayrıca gelecekte, açıklanabilir-yapay-zekâ yöntemleri de çalışılabilir.

This thesis aims to design a universal “Pain Scale Algorithm” by multidimensionally evaluating pain narratives expressed in different dialects in Türkiye. Over 200 patients diagnosed with migraine/headache, multiple sclerosis (MS), fibromyalgia, or epilepsy completed demographic surveys, provided pain descriptions of at least twelve words, and were assessed with five scales (HFDI, FSDC, SF-MPQ, BPI, Pain Sensitivity Questionnaire). Reliability analyses showed high internal consistency for MS and headache groups (Cronbach’s α ≈ 0.88) but inadequate consistency with negative α values in epilepsy and fibromyalgia. Text data were vectorized using Bag of Words, TF-IDF, and BERT embeddings, and eleven multi-output regression models were tested. Mean Squared Error, Mean Absolute Error, Mean Absolute Percentage Error, and R² were used for evaluation. With Bag of Words, Gradient Boosting and Lasso yielded the most reliable predictions; Ridge regression offered parsimony and generalizability. Qualitative analysis via Strauss & Corbin’s axial coding integrated 1,300–1,400 meaning units into four themes: sensory quality, timing/duration, functional impact, and emotional reflection— conceptualized as “Reframing Exhaustion” (MS) and “Throbbing Exhaustion Cycle” (headache). Findings indicate disease-model differences affect performance, and regularized linear and boosting methods limit overfitting. Future work includes validation with large multilingual datasets, integration into clinical decision support, and explainable AI methods.