Makine öğrenmesi kullanılarak pulmoner tromboemboli riski olan hastaların belirlenmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: SENEM KOCA
Danışman: Afşin Emre KAYIPMAZ
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Pulmoner Tromboemboli (PTE) hastalığı hayatı tehdit eden bir problem olup Bilgisayarlı Tomografi Pulmoner Anjiyografi (BTPA) tanıda altın standart olarak kullanılmaktadır. Bu durum son yirmi yılda artan görüntüleme miktarına ve azalan tespit oranına sebep olmaktadır. PTE risk skorlamalarına alternatif bir çözüm üretmek ve bu süreci hastane bilgi sistemleri ile bütünleşmiş karar destek yazılımlarına devretmek ihtiyacı gelişen teknolojinin bir sonucu olarak öngörülmektedir. Bu çalışmada acil servise başvuran hastaların laboratuvar sonuçlarından makine öğrenmesi yaklaşımları kullanılarak PTE risk tespiti yapılması ve hastaların BTPA görüntülemesine yönlendirilmesi için hekimlere karar desteği sağlanması amaçlandı Materyal ve Metod: Bu retrospektif ve kesitsel klinik çalışmaya 1 Şubat 2019- 1 Şubat 2020 tarihleri arasında T.C. Sağlık Bakanlığı Ankara Şehir Hastanesi Acil Tıp Kliniği'ne öksürük, hemoptizi, göğüs ağrısı, dispne, çarpıntı semptomlarının bir veya birden fazlası ile başvuran ve yaşları 18'den büyük hastalar arasından ilk muayene sonrası rutin laboratuvar testleri ve BTPA yapılan hastalar dahil edildi. Hastaların cinsiyeti, yaşı ve laboratuvar sonuçları ile BTPA görüntülemesi sonuçları çalışma verisi olarak kullanıldı. Eksik laboratuvar verileri için Zı̇ncı̇rleme Denklemlerle Çoklu Atama (MICE) metodu kullanılarak, özniteliklerinin seçimi için Tek Değişkenli Öznitelik Seçimi (SelectKBest) ve Çapraz Doğrulama ile Özyinelemeli Öznitelik Eleme (RFECV) yöntemlerinden faydalanıldı. Hastaların cinsiyeti, yaşı ve laboratuvar sonuçları ile PTE'leri olup olmadıkları makine öğrenmesi modellerinden Rastgele Orman (RF), Lojistik Regresyon (LF), Destek Vektör Makinesi (SVM) ve Yapay Sinir Ağları (NN) modellerine öğretildi. Test grubu hastalarında eğitilen modeller tarafından yapılan PTE prediksiyonu gerçek durum ile karşılaştırılarak en başarılı modeller belirlendi. Bulgular: Çalışmaya 554'ü PTE tanılı olmak üzere toplam 4487 hasta alındı. Hastaların 2283'ü erkekti (%50,9). Çalışmaya dahil edilen hastaların yaş ortalamaları 66,70±17,09 yıl, %23'ünün (1034 hasta) 70 ila 79 yaş arasında olduğu belirlendi. Öznitelik seçimi aşamasında SelectKBest metodu 43, RFECV metodu 35 özniteliğin seçilmesini önerdi. Yeniden örnekleme metodları arasında SMOTE-TOMEK metodu doğruluk, duyarlılık, kesinlik ve AUC skorları dikkate alınarak yapılan karşılaştırmada en iyi sonucu verdi. Makine öğrenmesi modellerinden, Rastgele Orman (RF) modelinin sensivitesi %86,08, spesifitesi %77,83, doğruluğu %78,86 ve AUC %81,95 olarak ölçüldü. Lojistik Regresyon (LR) modelinde ise sensivite %76,80, spesifite %73,23, doğruluk %73,67 ve AUC %75,01 sonuçları görüldü. Destek Vektör Makinesi (SVM) modeli, sensivite %89,69, spesifite %86,32, doğruluk %86,74 ve AUC %88,00 ile en iyi sonuç veren ikinci model oldu. En başarılı sonuçlar ise sensivite %95,88, spesifite %84,13, doğruluk %85,59 ve AUC %90 sonuçları ile Yapay Sinir Ağları (NN) modeli ile elde edildi. En ayırt edici 5 öznitelik D-Dimer, troponin, cinsiyet, CRP ve RDW değerleri olarak bulundu. Tartışma ve Sonuç: Hastaların radyasyona maruziyetini azaltmak, kontrast nefropatisini önlemek ve BTPA görüntülemesi sayısını azaltmak amacıyla, makine öğrenmesi yaklaşımlarının başarılı sonuçlar vereceği düşünülmektedir. Anahtar Kelimeler: Bilgisayarlı Tomografi Anjiyografi; Makine öğrenmesi; Tromboembolizm, akciğer; Yapay zeka.