Yatarak tedavi gören çocuk yanık olgularında prognozu öngörmede makine öğrenme modellerinin kullanımı
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İZMİR DR. BEHÇET UZ ÇOCUK HASTALIKLARI VE CERRAHİSİ SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2026
Tezin Dili: Türkçe
Öğrenci: BEGÜM SÖNMEZ
Danışman: Arzu ŞENCAN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Yatarak tedavi gören çocuk yanık olgularında makine öğrenme modelleri ile prognostik tahminler yapmak amaçlanmıştır. Gereç ve Yöntem: Retrospektif tek merkezli çalışmada Ocak 2020 – Aralık 2024 tarihleri arasında hastanemiz yanık merkezinde yatarak tedavi edilen 1138 olguya ait veri seti ile; lojistik regresyon, random forest, gradient boosting ve histogram tabanlı gradient boosting modelleri, katmanlı 5 katlı çapraz doğrulama kullanılarak eğitildi ve karşılaştırıldı. Veri seti; yaş, cinsiyet, uyruk, yanık yeri (baş, boyun, gövde, genital bölge, gluteal bölge, üst ekstremite ve alt ekstremite), yanık yüzdesi, yanık derecesi, yanık tipi (sıcak su, alev, yağ, temas, elektrik ve kimyasal yanıklar), sirküler yanık varlığı, inhalasyon hasarı varlığı, yanık merkezine nakil süresi, ilk 24 saatte kaydedilen vital bulguların ortalama değeri (vücut sıcaklığı, kalp hızı, tansiyon ve solunum sayısı), sıvı resüsitasyonu sonrası ilk 24 saatte çalışılan laboratuvar parametreleri, komorbiditeler, uygulanan tedaviler ve klinik sonuç değişkenlerinden oluşmaktaydı. Makine öğrenme modelleri ile debridman-greftleme, mekanik ventilasyon ihtiyacı, sepsis gelişimi, mortalite ve hastanede yatış süresi tahmin edildi. Bulgular: En iyi modeller ile elde edilen F1-skoru, debridman-greftleme tahmini için yaklaşık 0,66, mekanik ventilasyon için 0,58, sepsis gelişimi için 0,55, mortalite için 0,73 idi. Debridman-greftlemeyi öngörmede en başarılı model random forest, mekanik ventilasyon ihtiyacını öngörmede ise en başarılı model lojistik regresyon olarak bulundu. Gradient boosting, sepsis ve mortaliteyi öngörmede en başarılı model olarak saptandı. Hastanede yatış süresini öngörmede en düşük ortalama mutlak hata 4,87 gündü (R² ≈ 0,59) ve en başarılı model histogram tabanlı gradient boosting regresyon modeliydi. Açıklanabilir yapay zeka yöntemleri ile modellerin karar mekanizmaları ortaya kondu ve hangi değişkenlerin kararlarda önemli rol oynadığı belirlendi. Sonuç: Makine öğrenme modelleri; yatarak tedavi gören çocuk yanık olgularında prognostik faktörleri öngörerek klinisyenlere erken tedavi planlaması ve kaynak yönetiminde destek olmakta ve tedavi yönetiminde veri temelli karar destek sistemlerinin geliştirilmesine bilimsel temel sağlamaktadır.