Tiroidin cerrahi hastalıklarının ses özellikleri üzerine etkisinin incelenmesi / Salih Celepli; thesis advisor Osman Eroğul.

Tez (Doktora Tezi)--TOBB ETÜ Fen Bilimleri Enstitüsü Ağustos 2025

Tiroidektomi geçiren hastalarda postoperatif ses kısıklığı sık karşılaşılan bir adli tıbbi sorundur ve önemli bir medikolegal endişe kaynağıdır. Bu tür davalarda sorumluluğun belirlenmesi ve cerrahi sonuçların değerlendirilmesi açısından preoperatif akustik analiz kritik bir rol oynamakta, böylece klinik uygulamaların iyileştirilmesine katkı sağlamaktadır. Bu çalışmada tiroidektomi planlanan 126 hasta öncelikle Kulak Burun Boğaz (KBB) kliniğinde videolaringostroboskopi ile değerlendirildi. Ardından bu hastalardan kaydedilen /a/ ve /i/ ünlü sesleri akustik analizlere tabi tutuldu. Elde edilen analiz sonuçları demografik ve klinik özelliklerle istatistiksel olarak ilişkilendirilerek değerlendirildi. Takiben, sağlıklı ve hasta seslerine ait akustik öznitelikler Cubic Destek Vektör Makineleri (Support Vector Machines, SVM), Quadratic SVM, Radyal Baz Fonksiyon (Radial Basis Function, RBF) SVM, GentleBoost ve LogitBoost algoritmaları kullanılarak sınıflandırıldı, modellerin performansları doğruluk, kesinlik, duyarlılık, özgüllük, Alıcı İşletim Karakteristiği (Receiver Operating Characteristic, ROC) Eğri Altında Kalan Alan (Area Under the Curve, AUC) ve F1 skoru değerleriyle karşılaştırıldı. Ayrıca, sınıflandırma başarısına en çok katkı sağlayan özniteliklerin belirlenmesi amacıyla Shapley Katkı Değerleriyle Açıklamalar (SHapley Additive exPlanations, SHAP) analizi gerçekleştirildi. Pre-tiroidektomi olgularında jitter, shimmer ve spektral düzlük gibi özniteliklerde istatistiksel olarak anlamlı artış gözlenirken; Harmonik Gürültü Oranı (Harmonic to Noise Ratio, HNR), spektral akı, tepe, güç ve enerji gibi özniteliklerde anlamlı düşüş tespit edilmiştir (p < 0,05). Nodül boyutu ve anatomik lokalizasyonunun akustik öznitelikler üzerindeki etkisi istatistiksel olarak anlamlı sonuçlar (p < 0,05) ve yüksek korelasyon değerleri ile gösterildi. Tüm Makine Öğrenimi (Machine Learning, ML) modelleri yüksek sınıflandırma performansı göstermiş olsa da, %100 AUC değeri ve dengeli performans metrikleri ile Cubic SVM en başarılı model olarak öne çıktı. SHAP analizlerine göre, midpower akustik özniteliği tüm modellerde en ayırt edici öznitelik olarak öne çıktı. Pre-tiroidektomi olgularına yönelik gerçekleştirilen bu çalışma, akustik analiz ile ML yöntemlerinin birleştirmesi ve tiroid nodüllerinin anatomik lokalizasyonu ile boyutlarıyla akustik öznitelikler arasındaki ilişkiyi istatistiksel olarak ortaya koyması açısından literatürde öncü bir nitelik taşımaktadır. Elde edilen bulgular, ses bozukluklarının preoperatif dönemde nesnel olarak değerlendirilebileceğini ortaya koymaktadır. Hasta seslerinin sağlıklı seslerden neredeyse tamamen ayırt edilebilmesi, postoperatif dönemde ses kalitesinde bozulma iddialarına yönelik medikolegal sorumluluğun belirlenmesinde kritik bir rol oynayabilir. Ayrıca, nodül lokalizasyonu ve boyutuna bağlı olarak akustik özniteliklerdeki değişikliklerin ortaya konması, tiroid hastalarında ses bozukluklarının takibinde büyük önem arz edebilir. Sağlıklı ve patolojik sesleri yüksek doğrulukla ayırt edebilen ML yöntemleri, klinik karar destek sistemlerine entegrasyon açısından güçlü bir potansiyele sahiptir.

Postoperative hoarseness is a frequently encountered medicolegal issue in patients undergoing thyroidectomy and represents a significant medical-legal concern. Preoperative acoustic analysis plays a critical role in determining responsibility in such medicolegal cases and in evaluating surgical outcomes, thereby contributing to the improvement of clinical procedures. In the study, 126 patients scheduled for thyroidectomy were first evaluated using videolaryngostroboscopy in the Ear, Nose and Throat clinic. Following this, the /a/ and /i/ vowel sounds recorded from these patients were subjected to acoustic analysis. The results of this analysis were assessed statistically in relation to demographic and clinical features. Subsequently, the acoustic features of healthy and patient voices were used to perform classification with Cubic Support Vector Machines (SVM), Quadratic SVM, Radial Basis Function (RBF) SVM, GentleBoost, and LogitBoost algorithms, and their performances were compared based on accuracy, precision, recall, specificity, Receiver Operating Characteristic (ROC) Area Under the Curve (AUC) and F1-score values. Additionally, SHapley Additive exPlanations (SHAP) analysis was conducted to identify the features contributing most to classification performance. In pre-thyroidectomy cases, a statistically significant increase was observed in features such as jitter, shimmer, and spectral flatness, while a significant decrease was found in Harmonic to Noise Ratio (HNR), spectral flux, peak, power, and energy features (p < 0,05). The effects of nodule size and anatomical localization on acoustic features were demonstrated with statistically significant results (p < 0,05) and high correlation values. All Machine Learning (ML) models showed high performance; however, Cubic SVM was identified as the most successful model in classification, with a 100% AUC value and balanced performance metrics. According to SHAP analyses, the midpower acoustic feature was consistently identified as the most discriminative feature across all models. This study conducted on pre-thyroidectomy cases holds a pioneering position in the literature, as it combines acoustic analysis with ML and statistically demonstrates the relationship between acoustic features and both the anatomical localization and size of thyroid nodules. The findings indicate that voice disorders can be objectively evaluated during the preoperative period. The near-complete differentiation of patient voices from healthy ones may play a critical role in determining medicolegal responsibility in postoperative claims of voice deterioration. Demonstrating the varying effects of nodule localization and size on acoustic features may also be of great importance in monitoring voice disorders in thyroid patients. ML methods, by accurately distinguishing between healthy and pathological voices, show strong potential for integration into clinical decision support systems.