NYNezahat Yılmaz

Nezahat Yılmaz

*This is an algorithmically generated author record based on publicly available information.

Nezahat Yılmaz has a total of 8 co-authors. Here are the top co-authors by number of shared publications:


Latest Publications

  • Effectiveness of an atraumatic orogastric tube insertion protocol for the combined use of swaddling, facilitated tucking, breast milk and sucrose

    by Vildan Apaydin Cirik, Ayse Sonay Turkmen, Esra Derin, Nezahat Yilmaz

    Aim: The study aims to develop a protocol for the combined use of swaddling, facilitated tucking, expressed breast milk and sucrose administration methods in the orogastric tube (OGT) insertion procedure and evaluate its effectiveness.Methods: The randomized controlled trial was conducted in the Neonatal Intensive Care Unit between 15 February 2022 and 15 September 2022, with 175 preterms. Preterms at 32–34 gestational weeks were randomly allocated to five groups: routine care, swaddling + expressed breast milk, swaddling + sucrose, facilitated tucking + expressed breast milk and facilitated tucking + sucrose groups. The data were collected using the Preterm Descriptive Information Form, the Physiological Measurement Form, the COMFORTneo scale and the Premature Infant Pain Profile (PIPP).Results: The facilitated tucking + expressed breast milk method was found to be more effective than the routine care (pdistress < 0.001; ppain = 0.031) and swaddling + expressed breast milk (pdistress = 0.004; ppain = 0.015) methods in reducing the estimated distress and PIPP pain level of preterms during the procedure. Two minutes after the procedure, the facilitated tucking + expressed breast milk method was more effective than the routine care (p < 0.001), swaddling + expressed breast milk (p = 0.011) and swaddling + sucrose (p = 0.002) methods in reducing the comfort level score.Conclusions: The facilitated tucking + expressed breast milk method is effective in reducing pain and distress and providing comfort during the OGT procedure.Clinical Trials ID: NCT05180058.


  • Open Access

    Yenidoğan Laboratuvar Bulgularında LSTM Tabanlı Derin Öğrenme Ağı ile Zaman Serisi Analizi

    by Mahmut Çevi̇k, Mücahit Ci̇han, Nezahat Yılmaz, Murat Konak, Hanifi Soylu, Murat Ceylan

    Yenidoğan yoğun bakımında kalan bebeklerde laboratuvar bulguları ve hayati değerler düzenli olarak takip edilmeli ve değerlendirilmelidir. Bebek kan damarları normal bir insana göre oldukça zayıf ve incedir. Aynı zamanda kan hacminin çok düşük olması sebebi ile sürekli olarak kan tahlili yapılamamakta veya alınan kan yetersizliği ile istenen tüm laboratuvar bulguları elde edilememektedir. Özellikle yenidoğan yoğun bakımında kalan ve diğer bebeklere göre dezavantajlı bulunan prematüre bebeklerde (preterm) bu olumsuzluklar daha sık yaşanmakta ve bunlara ek olarak preterm morbiditesinin çok daha yüksek olduğu da bilinmektedir. Bu çalışmada bebeklerden belirli bir zaman içerisinde elde edilen laboratuvar bulgularını değerlendirerek ileriye yönelik tahminler yapan bir zaman serisi analizi gerçekleştirilmiştir. Zaman seri analizi yöntemi olarak LSTM ağ mimarisine dayalı derin öğrenme modeli kullanılmıştır. Bu çalışma için 22 adet bebekten 161 veri elde edilmiş ve her bir bebek için belirli bir zaman içerisinde alınan laboratuvar bulguları zaman serisi verileri haline getirilmiştir. Laboratuvar bulguları olarak sıklıkla takip edilen CRP, hemoglobin ve bilirubin değerleri seçilmiştir. Her bebek için oluşturulan zaman seri verileri ile LSTM modeli eğitilmiştir. LSTM modelinin sonuçları incelendiğinde CRP değerinin tahmininde doğruluk değerinin %29.09’da kaldığı, en yüksek tahmin sonucunun ise %43.63 ile hemoglobin değerlerinde elde edildiği gözlemlenmiştir. Bilirubin değerleri için doğruluk oranı ise %36.36’dır. Kısıtlı veri seti ile elde edilen bu sonuçların umut vaat ettiği ve gelecek çalışmalar için önemli olduğu değerlendirilmiştir.

  • Open Access

    Neonatal Hiperspektral Görüntü Sınıflandırması için 3 Boyutlu Evrişimli Sinir Ağları ile Boyut İndirgeme Yöntemlerinin Karşılaştırmalı Analizi

    by Mücahit Ci̇han, Mahmut Çevi̇k, Nezahat Yılmaz, Murat Konak, Hanifi Soylu, Murat Ceylan

    Hiperspektral Görüntüleme (HSG) verilerinin yüksek boyutlu olması, sınıflandırma performansını olumsuz etkilemektedir. Bu nedenle, birçok HSG sınıflandırma uygulamasında, yüksek boyutlu verilerle başa çıkmak için boyut indirgeme yöntemlerine başvurulmaktadır. Boyut indirgeme yöntemleri, kullanışlı özelliklerin elde edilmesini hedeflemektedir. Bu sürecin sonucunda veri boyutu azaltılmakta ve işlem maliyeti düşürülmektedir. Bu çalışmada, neonatal HSG sınıflandırma başarısını artırmak için veriler üzerine çeşitli boyut indirgeme yöntemleri uygulanmıştır. Hem uzamsal hem de spektral özelliklere erişebilen özel bir 3 boyutlu evrişimli sinir ağı (3B-ESA) modeli sınıflandırma için kullanılmıştır. Birçok boyut indirgeme yöntemi farklı performans değerlendirme ölçütleri kullanılarak değerlendirilmiş ve Temel Bileşenler Analizi (TBA) ile en iyi sonuca ulaşılmıştır. TBA, genel doğruluk oranı dışında boyut indirgeme süresi bakımından diğer yöntemlere kıyasla oldukça başarılı olmuştur. Bu sayede TBA, anlamlı spektral özelliklerin daha kısa bir sürede elde edilmesini sağlayarak hesaplama maliyetini düşürmüştür. Ayrıca, Negatif Olmayan Matris Ayrışımı (NOMA) ve Yerel Doğrusal Gömme (YDG) yöntemleri de başarılı sonuçlar vermiştir. t-Dağıtılmış Stokastik Komşu Gömme (t-SKG) yöntemi, iyi sonuçlar vermesine rağmen boyut indirme işleminde en fazla süreyi alan yöntem olmuştur. Sonuç olarak, bu çalışma neonatal hiperspektral görüntü sınıflandırmasında çeşitli boyut indirgeme yöntemlerinin başarılı sonuçlar elde edilmesini sağlayabileceğini göstermektedir. Bu tür tekniklerin kullanılması, yüksek boyutlu HSG verilerini daha işlenebilir hale getirerek sınıflandırma performansını artırmaktadır.