Oğuz KIZILASLAN

Oğuz KIZILASLAN

orcid

Research Focus & Metrics

Academic Career Length

5Years (2022-Present)

(Calculated once Scilit publication data is synced: current year − year of first publication + 1)

Representative Publications

View All Publications
1 April 2022 in Uludağ Üniversitesi Tıp Fakültesi Dergisi
Verified
Journal Article
Closed access
EGErcüment Gürlüler
Ercüment Gürlüler
MŞMurat Şen
Murat Şen
IYİlker Yalçin
İlker Yalçin
OKOğuz KIZILASLAN
Oğuz KIZILASLAN
Ozgen IsikOzgen Isik
Ozgen Isik
TYTuncay Yılmazlar
Tuncay Yılmazlar
Bu çalışmanın amacı Low Anterior Rezeksiyon Sendromu (LARS) ile yaşam kalitesi (QOL) arasındaki ilişkiyi değerlendirmektir. Kliniğimizde rektum kanseri nedeniyle ameliyat olan hastalar çalışmaya dahil edildi. Çalışma periyodu arasında toplam 52 hastaya rektal rezeksiyon uygulandı, 24 hasta çalışma dışı bırakıldı, 28 hasta çalışmaya dahil edildi. Yaşam kalitesi (QOL), Avrupa kanser yaşam kalitesi araştırma ve tedavi anketi-C30 (EORTC QLQ C-30) ve bağırsak fonksiyonları LARS skoru kullanılarak değerlendirildi. Kliniğimizde 19 Ocak 2017-31 Mart 2019 tarihleri arasında rektum kanseri nedeniyle ameliyat edilen ve sfinkter koruyucu cerrahi uygulanan tüm hastalar retrospektif veri tabanından alınmıştır. Polikliniğimizde takiplerine devam eden ve ankete katılmak isteyen hastalar çalışmaya dahil edilmiş ve hastalarla yüz yüze anket yapılmıştır. LARS ve QOL arasındaki ilişki analiz edilmiştir. Majör LARS olan hastaların oranı %53,7'dir. QOL, LARS ile yakından ilişkiliydi. Majör LARS hastaları ile majör LARS olmayan hastalar arasında global sağlık durumları ve fonksiyonel ölçekleri (fiziksel, rol, duygusal, bilişsel, sosyal) açısından anlamlı bir fark vardı. Anastomoz seviyesi (alçak anastomoz) majör LARS için önemli bir risk faktörüydü (p

31 March 2026 in Healthcare
Verified
Journal Article
Open access
PDF file
AAAzad Asaf
Azad Asaf
YOYavuz Selim Ogur
Yavuz Selim Ogur
AKayşe erdoğan kaya
ayşe erdoğan kaya
OKOğuz KIZILASLAN
Oğuz KIZILASLAN
MTMünevver Tunçkal
Münevver Tunçkal
EYEce Yazla
Ece Yazla
Aim: The identification of alcohol and substance use disorders is primarily based on clinical evaluation, and the lack of accessible objective markers remains a challenge. This study aimed to explore whether routine hemogram parameters, analyzed using multiclass machine learning models, could assist in differentiating individuals with alcohol use disorder, substance use disorder, and healthy controls. Method: This retrospective case–control study included 35 patients with alcohol use disorder, 61 patients with substance use disorder, and 132 healthy controls. Routine hematological parameters were obtained from hospital records. Multiclass classification models, including Random Forest, Support Vector Machine (SVM), Artificial Neural Network (ANN), and other conventional machine learning algorithms, were applied. Model performance was evaluated using 10-fold cross-validation with metrics including accuracy, sensitivity, precision, F1-score, and AUC. Results: Significant differences were observed among groups in several hematological parameters, including monocyte count, basophil count, and RDW-CV (p < 0.05). Among the models, Random Forest achieved the highest overall accuracy (81.6%) and AUC (0.93), followed by SVM and ANN models with comparable performance. However, classification performance was not uniform across all classes, and sensitivity was relatively lower for the alcohol use disorder group compared to the control and substance use disorder groups. Conclusions: These findings suggest that machine learning models based on routine hemogram parameters may provide a preliminary, low-cost, and accessible supportive approach for differentiating addiction-related conditions. However, the results should be interpreted as exploratory, given the retrospective single-center design, limited sample size, lack of external validation, and absence of model interpretability analyses. Further studies incorporating larger multicenter datasets, confounding factors, and explainable artificial intelligence methods are required before clinical application can be considered.