Gıca, ŞakirArslan, Ayşenur2026-06-112026-06-1120252025Arslan, A. (2025). Psikotik bozukluğu olan hastalar ve sağlıklı kontrollerin ayrımında EEG güç analizlerinin kullanılması: Yapay zeka destekli bir model. (Yayınlanmamış tıpta uzmanlık tezi) Necmettin Erbakan Üniversitesi, Tıp Fakültesi Dahili Tıp Bilimleri Bölümü Ruh Sağlığı ve Hastalıkları Anabilim Dalı, Konyahttps://hdl.handle.net/20.500.12452/20123Amaç: Bu çalışmada, ps"kot"k bozukluk tanılı hastalar "le sağlıklı kontroller"n EEG kayıtlarından elde ed"len ver"ler üzer"nde spektral anal"z yapılarak mutlak ve görel" frekans bant güçler"n"n hesaplanması, kant"tat"f EEG ölçütler"n"n gruplar arasında karşılaştırılması ve mak"ne öğren"m" yöntemler" kullanılarak hasta ve sağlıklı b"reyler"n ayırt ed"leb"l"rl"ğ"n" değerlend"r"lmes" amaçlanmıştır. Yöntem: Çalışma, Ocak 2015 – Mayıs 2025 tarihleri arasında Necmettin Erbakan Üniversitesi Tıp Fakültesi Hastanesi Psikiyatri ve Nöroloji bölümlerine başvuran, EEG kaydı bulunan bireylerin hastane kayıtlarının retrospektif olarak taranmasıyla yürütülmüştür. Ruhsal Bozuklukların Tanısal ve Sayımsal El Kitabı (DSM-5) tanı kriterlerine göre psikotik bozukluk tanı kriterlerini karşılayan 53 hasta ile 51 sağlıklı kontrol çalışmaya dahil edilmiştir. EEG verilerinin ön işleme ve analizleri BrainVision Analyzer programı ve MATLAB yazılımları kullanılarak gerçekleştirilmiş; mutlak ve göreli spektral güç değerleri hesaplanmıştır. Kantitatif EEG özelliklerinin istatistiksel analizlerinin ardından, toplam 246 özellik kullanılarak Çok Katmanlı Algılayıcı (Multilayer Perceptron, MLP) temelli makine öğrenimi analizleri uygulanmıştır. Bulgular: MLP sınıflandırıcısı ile oluşturulan modeller arasında en yüksek performansı gösteren model hasta ve sağlıklı bireyleri %90,48 doğruluk, %91,67 kesinlik ve %90,91 duyarlılık oranlarıyla ayırt etmiştir. Farklı başlangıç tohumları kullanılarak oluşturulan 30 modelin ortalama performansları yöntemin %83 doğruluk, %85 duyarlılık ve %83 kesinlik ile tutarlı ve istikrarlı bir sınıflandırma performansı sunduğunu göstermiştir. Bölgesel güç analizlerinde, psikotik bozukluk grubunda kontrollere kıyasla frontal mutlak delta gücü artışı (p=0.003); frontal (p=0.04), santral (p=0.03) ve oksipital (p=0.05) bölgelerde mutlak teta güçlerinde artış; prefrontal göreli delta artışı (Fp1, p=0.02 ve Fp2 p=0.008) ve santral (p=0.004), sağ temporal (p=0.05) ve parietal (p=0.05) bölgelerde göreli teta güçlerinde artış ile sol prefrontal (Fp1, p=0.03) göreli alfa gücünde azalma gözlenmiştir. Sonuç: Bu çalışmada çoklu kortikal alanlarda gösterilen yavaş dalga aktivitesindeki artış ve prefrontal alfa aktivitesindeki azalma, psikotik bozuklukların kortikal uyarılabilirlik, talamokortikal döngüler ve hipofrontalite ile ilişkili patofizyolojisine dair önemli bulgular sunmaktadır. Kantitatif EEG verilerinden elde edilen spektral güç ölçütleri kullanılarak psikotik bozukluk tanılı bireyler ile sağlıklı kontrollerin makine öğrenimi yöntemiyle yüksek doğrulukla ayırt edilebildiği gösterilmiştir. Çoklu EEG özelliklerinin birlikte değerlendirilmesi, klasik istatistiksel analizlerle doğrudan ortaya konulamayan elektrofizyolojik örüntülerin ortaya çıkarılmasını sağlamaktadır. Bulgular tekil EEG parametrelerinin ötesinde çok değişkenli ve örüntü temelli yaklaşımların beyin işlevlerindeki karmaşık organizasyonu daha duyarlı biçimde yansıtabileceğini düşündürmektedir.Aim: This study aimed to calculate absolute and relative frequency band powers by performing spectral analysis on data obtained from EEG recordings of patients diagnosed with psychotic disorders and healthy controls, to compare quantitative EEG measures between groups, and to evaluate the discriminability of patients and healthy individuals using machine learning methods. Methods: The study was conducted through a retrospective review of hospital records of individuals who applied to the Psychiatry and Neurology departments of Necmettin Erbakan University Faculty of Medicine Hospital between January 2015 and May 2025 and had EEG recordings. A total of 53 patients meeting the diagnostic criteria for psychotic disorders according to the Diagnostic and Statistical Manual of Mental Disorders (DSM-5) and 51 healthy controls were included in the study. EEG data preprocessing and analyses were performed using the BrainVision Analyzer program and MATLAB software, and absolute and relative spectral power values were calculated. Following the statistical analyses of quantitative EEG features, machine learning analyses based on a Multilayer Perceptron (MLP) were applied using a total of 246 features. Results: Among the models generated using the MLP classifier, the model with the highest performance distinguished patients and healthy individuals with an accuracy of 90.48%, a precision of 91.67%, and a sensitivity of 90.91%. The average performances of 30 models generated using different random seeds demonstrated that the method provided a consistent and stable classification performance with 83% accuracy, 85% sensitivity, and 83% precision. In regional power analyses, compared to controls, the psychotic disorder group showed an increase in frontal absolute delta power (p = 0.003); increases in absolute theta power in the frontal (p = 0.04), central (p = 0.03), and occipital (p = 0.05) regions; an increase in prefrontal relative delta power (Fp1, p = 0.02 and Fp2, p = 0.008); increases in relative theta power in the central (p = 0.004), right temporal (p = 0.05), and parietal (p = 0.05) regions; and a decrease in relative alpha power at the left prefrontal region (Fp1, p = 0.03). Conclusion: The increases in slow-wave activity observed across multiple cortical areas and the decrease in prefrontal alpha activity provide important evidence regarding the pathophysiology of psychotic disorders associated with cortical excitability, thalamocortical circuits, and hypofrontality. It was demonstrated that individuals diagnosed with psychotic disorders and healthy controls could be distinguished with high accuracy using machine learning methods based on spectral power measures derived from quantitative EEG data. The joint evaluation of multiple EEG features enables the identification of electrophysiological patterns that cannot be directly revealed by classical statistical analyses. The findings suggest that multivariate and pattern-based approaches beyond single EEG parameters may more sensitively reflect the complex organization of brain functions.trinfo:eu-repo/semantics/openAccessPs"kot"k bozuklukKantitatif EEGSpektral güç analiziMakine öğrenimiÇok katmanlı algılayıcı (MLP)Psychotic disorderQuantitative EEGSpectral power analysisMachine learningMultilayer perceptron (MLP)Specialist Thesis999077