The Evaluation of Prenatal Breastfeeding Self-Efficacy of Pregnants with Artificial Neural Network Model
Öz
Objective: The aim of this study was predicted prenatal breastfeeding self-efficacy of pregnant women using artificial neural networks (ANNs) model.
Methods: The sample of the study consisted of 407 pregnant women who applied to a state hospital for routine pregnancy follow-up. The relevant data were collected through the use of a Personal Information Form, The Prenatal Rating of Effıcacy in Preparation to Breastfeed Scale (PREP to BF). The obtained data were transferred to the SPSS 22.0 program. Data were evaluated using descriptive statistical analyzes (mean, standard deviation, frequency) and Pearson Correlation Analysis. Afterwards, machine learning was performed with the answers given by the participants to the data collection tools, and the ANNs model was used to estimate the participants' PREP to BF total and sub-dimension scores.
Results: The mean age of pregnant women was 27.27 ± 5.14 years. PREP to BF total mean score was . As a result of the correlation analysis, it was determined that the data set number 4 consisting of 6 variables (economic status, employment status, family type, birth history, breastfeeding history, breastfeeding information) constituted the input parameter of the best ANNs. According to the results obtained from linear modeling, it was determined that the most important parameter was “trimester” and the score of this parameter was 0.41 in the range of 0-1. In the calculation phase of the study performed with ANNs, it was observed that the error of the total score estimations was around 20%. While it was expected that the distributions of well-made predictions would concentrate on the diagonal line, this concentration could not be clearly observed. The mean squared error values of the training and test data were found to be 31.5 and 41.1. This data has been evaluated as mean deviations of approximately 13% and 17% are to be expected.
Conclusion: In this study, it was found that the estimations of the calculations made with the ANNs model showed widespread distributions. Breastfeeding self-efficacy of pregnant women can be affected by many factors (physical, social, spiritual, environmental, emotional etc.). It can be thought that the widespread distribution is caused by these factors, which may affect the participants during the filling of the data collection tools. In line with the findings it can be said that the estimation of the data obtained as a result of a subjective evaluation with the calculations performed with ANNs negatively affects the ANNs performance.
Anahtar Kelimeler
Kaynakça
- Kaynaklar Catley, C., Frize, M., Walker. C.R., Petriu, D.C. (2006). Predicting high-risk preterm birth using artificial neural networks. IEEE Transactions on information technology in biomedicine, 10(3): 540-549. https://doi.org/540-549. 10.1109/titb.2006.872069
- Cirban Ekrem, E., Daşıkan, Z. (2021). Perinatal dönemde yapay zekâ teknolojisinin kullanımı. Eurasian Journal of Health Technology Assessment, 5(2): 147-162. https://doi.org/10.52148/ehta.980568
- Delanerolle, G., Yang, X., Shetty, S., Raymont, V., Shetty, A., Phiri, P. (2021). Artificial intelligence: a rapid case for advancement in the personalization of gynaecology/obstetric and mental health care. Women’s Health, 17: 1-20. https://doi.org/10.1177/17455065211018111
- Dennis, C.L. (2003). The breastfeeding self-efficacy scale:psycometric assesment of the short form. Journal of Obstetric, Gynecologic and Neonatal Nursing, 32(6): 734-744. https://doi.org/10.1177/0884217503258459
- Ekrem, Ö., Salman, O.K.M., Aksoy, B., İnan, S.A. (2020). Yapay zekâ yöntemleri kullanılarak kalp hastalığının tespiti. Mühendislik Bilimleri ve Tasarım Dergisi, 8(5): 241-254. https://doi.org/10.21923/jesd.824703
- Evcili, F., Demirel, G. (2020). The Prenatal Rating of Efficacy in Preparation to Breastfeed Scale (PREP to BF): A Turkish Validity and Reliability Study, Clınıcal and Experimental Health Sciences, 10(3): 196-202. https://doi.org/10.33808/clinexphealthsci.670616
- Irmak, S., Köksal, C.D., Asilkan, Ö. (2012). Hastanelerin gelecekteki hasta yoğunluklarının veri madenciliği yöntemleri ile tahmin edilmesi. Uluslararası Alanya İşletme Fakültesi Dergisi, 4(1): 101-114.
- Karakaya, B.H., Aykol, A.S., Doğan Merih, Y. (2022). Yapay zekâ teknolojisinin perinatal dönem bakımına entegrasyonu ve uygulama örnekleri. Türkiye Sağlık Enstitüleri Başkanlığı Dergisi, 5(2): 1-11. https://doi.org/10.52148/ehta.980568
- Kaya, U., Yılmaz, A., Dikmen, Y. (2019). Sağlık Alanında Kullanılan Derin Öğrenme Yöntemleri. Avrupa Bilim ve Teknoloji Dergisi, 16: 792-808. https://doi.org/10.31590/ejosat.573248
- Kayhan Tetik, B., Çolak, C. (2019). Myoma uteri ile ilişkili faktörlerin yapay sinir ağı modeli ile tahmini. 4. Uluslararası Sağlık Bilimleri ve Aile Hekimliği Kongresi, 07-09 Şubat 2019, 330-333.
- Manna, C., Nanni, L., Lumini, A., Pappalardo, S. (2013). Artificial intelligence techniques for embryo and oocyte classification. Reproductive BioMedicine Online, 26: 42-49. https://doi.org/10.1016/j.rbmo.2012.09.015 McKinley, E.M., Knol, L.L., Turner, L.W., Burnham, J.J., Graettinger, K.R., Hernandez-Reif, M., Leeper, J.D. (2019). The Prenatal Rating of Efficacy in Preparation to Breastfeed Scale: A New Measurement Instrument for Prenatal Breastfeeding Self-efficacy. Journal of Human Lactation, 35(1): 21-31. https://doi.org/10.1177/0890334418799047 United Nations International Children's Emergency Fund. (UNICEF) (2019). Erişim Adresi:https://www.unicef.org/media/48046/file/UNICEF_Breastfeeding_A_Mothers_Gift_for_Every_Child.pdf
Öz
Amaç: Bu çalışmanın amacı, gebelerin prenatal emzirme özyeterliliğini yapay sinir ağları (YSA) modeli kullanılarak tahmin etmektir.
Yöntem: Rutin gebelik izlemlerini yaptırmak için bir devlet hastanesine başvuran 407 gebe araştırmanın örneklemini oluşturmuştur. Veriler, Kişisel Bilgi Formu ve Emzirmeye Hazırlanmada Prenatal Yeterliliği Derecelendirme Ölçeği (EH-PYDÖ) kullanılarak toplanmıştır. Elde edilen veriler, SPSS 22.0 programına aktarılmıştır. Veriler, tanımlayıcı istatistiksel analizler (ortalama, standart sapma, frekans) ve Pearson Korelasyon Analizi kullanılarak değerlendirilmiştir. Daha sonra katılımcıların veri toplama araçlarına verdikleri cevaplar ile makine öğrenmesi gerçekleştirilmiş, katılımcıların EH-PYDÖ toplam ve alt boyut puanlarını tahmin etmek üzere YSA modeli kullanılmıştır.
Bulgular: Gebelerin yaş ortalaması 27,27 ± 5,14 olup EH-PYDÖ toplam puan ortalaması ’dür. Yapılan korelasyon analizi sonucunda 6 değişkenden oluşan (ekonomik durum, çalışma durumu, aile tipi, doğum öyküsü, emzirme öyküsü, emzirme bilgisi) 4 numaralı veri setinin en iyi YSA’nın girdi parametresini oluşturduğu belirlenmiştir. Doğrusal modellemeden elde edilen sonuçlara göre en önemli parametrenin “trimester” olduğu, bu parametrenin aldığı skorun 0-1 aralığında 0,41 olduğu saptanmıştır. Çalışmanın YSA ile gerçekleştirilen hesaplama aşamasında, toplam puan tahminlerine ait hatanın yaklaşık %20 civarında olduğu görülmüştür. İyi yapılan tahminlere ait dağılımların köşegen çizgisi üzerinde yoğunlaşması beklenirken bu yoğunlaşma net olarak gözlenememiştir. Eğitim ve test verilerine ait kare ortalama karekök hata değerleri, 31,5 ve 41,1 bulunmuştur. Bu veri, yaklaşık %13 ve %17’lik ortalama sapmaların bekleneceği şeklinde değerlendirilmiştir.
Sonuç: Bu çalışmada, YSA modeli ile gerçekleştirilen hesaplamalara ait tahminlerin yaygın dağılımlar gösterdiği bulunmuştur. Gebelerin emzirme özyeterliliği, pek çok faktörden (fiziksel, sosyal, ruhsal, çevresel, duygusal gibi.) etkilenebilir. Yaygın dağılımlara, veri toplama araçlarının doldurulması sırasında katılımcıları etkileyebilecek bu faktörlerin neden olduğu düşünülebilir. Bulgular doğrultusunda; subjektif bir değerlendirme sonucunda elde edilen verilerin YSA ile gerçekleştirilen hesaplamalar ile tahmin edilmesinin YSA performansını olumsuz etkilediği söylenebilir.
Anahtar Kelimeler
Kaynakça
- Kaynaklar Catley, C., Frize, M., Walker. C.R., Petriu, D.C. (2006). Predicting high-risk preterm birth using artificial neural networks. IEEE Transactions on information technology in biomedicine, 10(3): 540-549. https://doi.org/540-549. 10.1109/titb.2006.872069
- Cirban Ekrem, E., Daşıkan, Z. (2021). Perinatal dönemde yapay zekâ teknolojisinin kullanımı. Eurasian Journal of Health Technology Assessment, 5(2): 147-162. https://doi.org/10.52148/ehta.980568
- Delanerolle, G., Yang, X., Shetty, S., Raymont, V., Shetty, A., Phiri, P. (2021). Artificial intelligence: a rapid case for advancement in the personalization of gynaecology/obstetric and mental health care. Women’s Health, 17: 1-20. https://doi.org/10.1177/17455065211018111
- Dennis, C.L. (2003). The breastfeeding self-efficacy scale:psycometric assesment of the short form. Journal of Obstetric, Gynecologic and Neonatal Nursing, 32(6): 734-744. https://doi.org/10.1177/0884217503258459
- Ekrem, Ö., Salman, O.K.M., Aksoy, B., İnan, S.A. (2020). Yapay zekâ yöntemleri kullanılarak kalp hastalığının tespiti. Mühendislik Bilimleri ve Tasarım Dergisi, 8(5): 241-254. https://doi.org/10.21923/jesd.824703
- Evcili, F., Demirel, G. (2020). The Prenatal Rating of Efficacy in Preparation to Breastfeed Scale (PREP to BF): A Turkish Validity and Reliability Study, Clınıcal and Experimental Health Sciences, 10(3): 196-202. https://doi.org/10.33808/clinexphealthsci.670616
- Irmak, S., Köksal, C.D., Asilkan, Ö. (2012). Hastanelerin gelecekteki hasta yoğunluklarının veri madenciliği yöntemleri ile tahmin edilmesi. Uluslararası Alanya İşletme Fakültesi Dergisi, 4(1): 101-114.
- Karakaya, B.H., Aykol, A.S., Doğan Merih, Y. (2022). Yapay zekâ teknolojisinin perinatal dönem bakımına entegrasyonu ve uygulama örnekleri. Türkiye Sağlık Enstitüleri Başkanlığı Dergisi, 5(2): 1-11. https://doi.org/10.52148/ehta.980568
- Kaya, U., Yılmaz, A., Dikmen, Y. (2019). Sağlık Alanında Kullanılan Derin Öğrenme Yöntemleri. Avrupa Bilim ve Teknoloji Dergisi, 16: 792-808. https://doi.org/10.31590/ejosat.573248
- Kayhan Tetik, B., Çolak, C. (2019). Myoma uteri ile ilişkili faktörlerin yapay sinir ağı modeli ile tahmini. 4. Uluslararası Sağlık Bilimleri ve Aile Hekimliği Kongresi, 07-09 Şubat 2019, 330-333.
- Manna, C., Nanni, L., Lumini, A., Pappalardo, S. (2013). Artificial intelligence techniques for embryo and oocyte classification. Reproductive BioMedicine Online, 26: 42-49. https://doi.org/10.1016/j.rbmo.2012.09.015 McKinley, E.M., Knol, L.L., Turner, L.W., Burnham, J.J., Graettinger, K.R., Hernandez-Reif, M., Leeper, J.D. (2019). The Prenatal Rating of Efficacy in Preparation to Breastfeed Scale: A New Measurement Instrument for Prenatal Breastfeeding Self-efficacy. Journal of Human Lactation, 35(1): 21-31. https://doi.org/10.1177/0890334418799047 United Nations International Children's Emergency Fund. (UNICEF) (2019). Erişim Adresi:https://www.unicef.org/media/48046/file/UNICEF_Breastfeeding_A_Mothers_Gift_for_Every_Child.pdf
Ayrıntılar
| Birincil Dil | Türkçe |
|---|---|
| Konular | Sağlık Kurumları Yönetimi |
| Bölüm | Araştırma Makaleleri |
| Yazarlar | |
| Erken Görünüm Tarihi | 26 Temmuz 2023 |
| Yayımlanma Tarihi | 27 Temmuz 2023 |
| Yayımlandığı Sayı | Yıl 2023Cilt: 1 Sayı: 1 |
