GÖRSEL ANALOG SKALA ÜZERİNDEKİ OMURGA AĞRISI ŞİDDETİNİN MAKİNE ÖĞRENMESİ TABANLI OBJEKTİF TAHMİNİ

Yıldız Z., Başkurt F., SUZEN A. A.

Mühendislik Bilimleri ve Tasarım Dergisi, cilt.14, sa.2, ss.371-385, 2026 (TRDizin)

Özet

Görsel Analog Skala (GAS), klinik uygulamalarda ağrı şiddetinin değerlendirilmesinde yaygın olarak kullanılmaktadır; ancak öznel yapısı ve sınırlı puanlama aralığı hasta beyanı ile objektif veriler arasındaki farklılıklar yol açabilmektedir. Bu çalışmanın amacı, hastaların GAS kullanarak ağrı şiddetini değerlendirirken yaptıkları hata payını makine öğrenmesi tabanlı bir model ile tahmin etmektir. Araştırmada kronik omurga ağrısı bulunan 174 hastaya ait klinik veriler kullanılmıştır. Modelin eğitimi için omurga fonksiyon indeksi (OFİ), yaş, cinsiyet ve vücut kitle indeksi (VKİ) gibi objektif parametreler girdi olarak kullanılmıştır. Dinlenme ve hareket durumundaki ağrı şiddetinin tahmini amacıyla beş farklı makine öğrenmesi algoritması değerlendirilmiştir. En yüksek tahmin doğruluğu %83,50 ile Gradient Boosting algoritması ile elde edilirken, en düşük doğruluk %67,90 ile AdaBoost algoritmasıyla sağlanmıştır. Sonuçlar, hastaların GAS kullanarak ağrı şiddetini değerlendirirken %16,5 ile %32,1 arasında hata yapabildiğini göstermektedir. Önerilen yaklaşım, ağrı değerlendirmesinde daha objektif ve güvenilir bir yöntem sunmaktadır.
The Visual Analog Scale (VAS) is widely used for assessing pain intensity in clinical practice; however, its subjective nature and limited scoring range may cause patient-related biases. This study aims to predict the patient-related biases in pain severity estimation using the VAS through a machine learning-based model. Clinical data from 174 patients with chronic spinal pain were analyzed. Objective parameters including spinal function index (SFI), age, gender, and body mass index (BMI) were used as inputs for model training. Five machine learning algorithms; Gradient Boosting, XGBoost, AdaBoost, Support Vector Machine, and Random Forest were evaluated to estimate pain intensity at rest and during movement. The Gradient Boosting algorithm achieved the highest prediction accuracy of 83.50%, while AdaBoost showed the lowest accuracy at 67.90%. Comparison between predicted and patient-reported VAS values revealed estimation errors ranging from 16.5% to 32.1%. The findings suggest that machine learning-based approaches can provide a more objective and reliable method for pain intensity assessment, helping to address the limitations of subjective reporting in clinical evaluations.