Erken neonatal sepsisi öngörmede laktat ve sistemik inflamatuar belirteçlerin makine öğrenimine dayalı yararlılığının değerlendirilmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: ŞEYMA MÜNEVVER BOZDEMİR
Danışman: Şirin GÜVEN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın amacı, erken başlangıçlı neonatal sepsisin tanısında kullanılabilecek yapay zekâ temelli bir model geliştirmek, bu modelin öngörü performansını değerlendirmek ve yapay zekanın klinik karar destek sistemlerine entegrasyon potansiyelini ortaya koymaktır. Gereç ve Yöntem: Bu çalışma, retrospektif ve gözlemsel bir tasarıma sahiptir. Ocak 2020 ile Kasım 2024 tarihleri arasında kliniğimizde takip edilen 738 yenidoğanın (589 sepsisli, 149 sepsis olmayan) demografik, perinatal, maternal bilgileri ile klinik ve laboratuvar verileri analiz edilmiştir. Modelleme sürecinde yapay sinir ağı (ANN) ve lojistik regresyon (LR) algoritmaları kullanılmış; sınıf dengesizliği random oversampling yöntemiyle giderilmiştir. Model performansı F1 skoru, genel doğruluk ve dengeli doğruluk ölçütleriyle değerlendirilmiştir. Bulgular: Sınırlı özellik kümesiyle yapılan ilk modelleme yetersiz performans göstermiştir. Genişletilmiş veri kümesiyle eğitilen ANN modeli F1 skoru 0.9818, doğruluk %97.07 ve dengeli doğruluk %94.44 ile en yüksek başarıyı göstermiştir. LR modeli yalın veriyle daha stabil çalışmış; F1 skoru 0.9803, doğruluk %96.85 ve dengeli doğruluk %94.71 olarak hesaplanmıştır. Önem derecesi analizine göre en belirleyici değişkenler arasında CRP, albümin, prokalsitonin, doğum haftası, doğum tartısı, EMR öyküsü, Apgar skoru ve gastrointestinal sistem semptomları yer almıştır. Modelin klinik semptomlara verdiği ağırlık incelendiğinde, gastrointestinal semptomlar (örn. beslenme güçlüğü, karın şişliği) en güçlü pozitif prediktör olarak öne çıkarken; takipne, apne, retraksiyon gibi solunum semptomları ve solukluk, akrosiyanoz gibi cilt bulguları da anlamlı katkı sağlamıştır. En belirgin negatif prediktör ise asemptomatik olma durumu olmuş; bu durum modelin klinik sezgiyle uyumlu biçimde öğrenme gerçekleştirdiğini ortaya koymuştur. Ayrıca nötrofil, monosit, lenfosit düzeyleri ile NLR, MLR ve SII gibi immünolojik oranlar da modele anlamlı katkı sağlamıştır. Laktat düzeyi tek başına sınırlı bir öngörü gücüne sahip olmakla birlikte, diğer değişkenlerle birlikte değerlendirildiğinde tanı başarısını artırmıştır. Sonuç: Yapay sinir ağı modeli, erken neonatal sepsis tanısında yüksek doğruluk oranları ve klinik sezgiyle uyumlu öğrenme çıktıları sayesinde, pratikte uygulanabilir güçlü bir karar destek aracı olarak değerlendirilmektedir. Ancak modelin genellenebilirliğini değerlendirmek amacıyla çok merkezli, prospektif ve açıklanabilir yapay zeka teknikleriyle desteklenen ileri çalışmalar gereklidir.