Üst gastrointestinal sistem kanama hastalarında endoskopi ihtiyacı kararının makine öğrenmesi algoritmasıyla verilmesi

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İSTANBUL KANUNİ SULTAN SÜLEYMAN SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2024

Tezin Dili: Türkçe

Öğrenci: MELİH UÇAN

Danışman: Serkan DOĞAN

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Giriş ve Amaç Üst gastrointestinal (GİS) kanama, sık görülen ve mortalite ve morbiditesi açısından önemli bir sağlık sorunudur. Üst GİS kanamalarının yönetiminde endoskopi, hem tanısal hem terapötik öneme sahiptir. Glasgow Blatchford Skoru (GBS), hastaların endoskopi ihtiyacını değerlendirmede kullanılır ve düşük riskli hastaları belirlemede etkiliyken, yanlış pozitifliği yüksektir. Biz de bu çalışmada, makine öğrenmesi modelleri kullanarak acil servise üst GİS kanaması sebebiyle başvuran hastalarda gereksiz endoskopi yapılan vakaları azaltmayı ve daha yüksek spesifitedeki tahminlerle maliyet ve iş gücü kaybını önlemeyi amaçlamaktayız. Materyal ve Metod Etik kurul onayı alınarak başlatılan çalışmamız, retrospektif, gözlemsel, kesitsel ve analitik niteliktedir. Vaka grubumuz 1 Ocak 2015 ve 1 Ağustos 2022 tarihleri arasında, acil servise üst GİS kanama ön tanısıyla başvuran ve endoskopi yapılan 18 yaş ve üstü hastaları kapsamaktadır. Python 3.9.0 kullanılarak oluşturulan makine öğrenmesi modelleri ile hastaların endoskopi ihtiyacının belirlenmesi amaçlanmıştır. Power analizi sonucunda, anlamlı bir fark tespit edebilmek için toplam 1146 hastanın gerektiği ve bu hastalardan randomize seçilen %30'unun (343 vaka) internal validasyon grubunda değerlendirilmesi gerektiği, %70'iyle de (666 vaka) makine öğrenmesi modellemesi yapılması kararlaştırılmıştır. Bulgular Aktif kanama bulunan hastaları tespit etmek için eğittiğimiz makine öğrenmesi modellerinden Gaussian Naive Bayes (GNB), Support Vector Machines (SVM), Random Forest ve Logistic Regression modellerini gerçek sonuçlarla karşılaştırdığımızda istatistiksel olarak anlamlı bir ilişki olduğunu tespit ettik (p=0,017, p<0,001, p<0,001, p<0,001, sırasıyla). Makine öğrenmesi modellerinden K-Nearest Neighbor (KNN) ile gerçek sonuçlar arasında ise istatistiksel olarak anlamlı bir ilişki saptamadık (p=0,241). Tartışma ve Sonuç Aktif GİS kanama saptama modellerimizden; SVM, Logistic Regression ve Random Forest modellerinin negatif prediktif değerlerinin yüksekliği, aktif kanama bulgusu olmayan hastaları tanımada başarılı olarak çalıştığını göstermektedir. Çalışmamızda GİS kanama prevalansı %8.8 olarak hesaplanmış olması da analiz sonuçlarımızı etkileyeceğini kabul ederek, makine öğrenmesi ile oluşturulan modellerin aktif GİS kanama olgularını saptayacağını düşünmekteyiz. Anahtar kelimeler Üst gastrointestinal sistem kanamaları, makine öğrenmesi, endoskopi