Biyokimyasal parametreler kullanılarak makine öğrenmesi ile yoğun bakım hastalarında mortalite tahmin modelinin geliştirilmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, HAMİDİYE TIP FAKÜLTESİ, TEMEL TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: BİLGE SU GELBAL
Danışman: Cemal KAZEZOĞLU
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Yoğun bakım üniteleri kritik durumdaki hastaların tedavi edildiği, yüksek mortalite ve maliyete sahip hastane bölümleridir. Mortalite tahmininin erken dönemde ve doğru şekilde yapılması klinisyenleri tedavi yaklaşımı açısından yönlendirici olup mortalite oranını ve maliyeti düşürmektedir. Çalışmamızda yoğun bakım hastalarında mortalite tahmini yapabilen makine öğrenmesi modelleri geliştirmek, modellerin performansını değerlendirmek ve geleneksel olarak kullanılan Akut Fizyolojik ve Kronik Sağlık Değerlendirmesi II (APACHE II) skoru ile performans karşılaştırması yapmak amaçlanmıştır. Gereç ve Yöntem: Çalışmamız retrospektif ve tek merkezli olarak tasarlandı. Yoğun bakımda yatışı olan 2.686 hastanın verileri kullanıldı. Değişken olarak 69 farklı laboratuvar parametresi, yaş ve cinsiyet dahil edildi. Veri seti eğitim (%80) ve test (%20) grubu olacak şekilde ayrıldı. Farklı makine öğrenmesi modelleri geliştirildi ve en başarılı iki model belirlendi. Modellerin açıklanabilirliği için özellik önemi incelendi. APACHE II skorunun performansı hesaplandı ve makine öğrenmesi modelleri ile karşılaştırıldı. Bulgular: Geliştirilen makine öğrenmesi modellerinin 6'sı 0,90 ve üzeri eğri altında kalan alan (AUC) değerleri ile yüksek başarı elde etmişlerdir. Modellerin AUC değerleri, karşılaştırma için kullanılan Kukla modeli hariç 0,76-0,94 arasında yer almaktadır. En iyi performansa sahip iki model Hafif Gradyan Arttırma Makinesi (LightGBM) ve Ekstra Ağaçlar (ET) olarak saptanmıştır. Sırasıyla LightGBM, ET ve APACHE II için AUC değerleri 0,94, 0,93 ve 0,77; doğruluk 0,88, 0,88 ve 0,77 şeklindedir. Sonuç: Çalışmamız makine öğrenmesi yöntemlerinin geleneksel yöntemlere göre daha hızlı ve doğru sonuçlar üreterek hastane içi mortalite ve maliyeti azaltmada etkin olarak kullanılabileceğini ortaya koymaktadır. Kullanılan değişkenlerin hastane bilgi sistemine kaydı yapılan rutin parametrelerden oluşması bu modellerin günlük kullanılan sistem içinde otomatize edilebilirliğini kolaylaştırmaktadır. Ayrıca değişkenlerin laboratuvar verilerinden oluşması laboratuvar bazlı bir risk skorunun raporlanma potansiyelini ortaya çıkarmaktadır.