Pıhtı dalga formu analizi kullanarak makine öğrenmesi temelli mortalite tahminleme modeli geliştirilmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İZMİR TEPECİK SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, TEMEL TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: Türkçe
Öğrenci: VELİ İYİLİKCİ
Danışman: Ayfer ÇOLAK
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Çalışmamızda dissemine intravasküler koagülasyon, sepsis gibi klinik durumlarda kullanımı araştırılan pıhtı dalga formu analizi (PDFA) ve rutinde kullanılan parametreleri ilişkilendiren makine öğrenmesi algoritmalarını kullanarak kompleks patofizyolojik mekanizmaları çözümleyebilen, laboratuvar verilerine dayalı, objektif bir mortalite tahminleme modeli geliştirmeyi amaçladık. Gereç ve Yöntem: Retrospektif, tek merkezli çalışmamızda yatışı 72 saati aşmış 400 yoğun bakım ünitesi (YBÜ) hastasının verileri kullanıldı. Yaş, cinsiyet, YBÜ'ye yatışın 24-72. saatindeki laboratuvar parametreleri ile her birinin iki zaman arasındaki yüzde değişim değeri girdi değişkenleri; 7-28.gün sonlanım noktalarına göre sağkalım durumu çıktı değişkeni olarak kullanıldı. Test/eğitim seti oranı 0.25 belirlendi. Eğitim ve validasyon sürecinde k=10 katlamalı çapraz doğrulama yöntemiyle belirlenen en başarılı iki model, optimize edilip yeniden eğitilerek test verisiyle performansları değerlendirildi. Model açıklanabilirliği için parametre önem dereceleri hesaplandı. Bulgular: Final performans değerlendirmesinde 7.gün sonlanımında sırasıyla RF ve LGBM için; 0.87/0.88 doğruluk, 0.89/0.88 AUC, 0.76/0.79 F1 skor; 28.gün sonlanımında 0.83/0.83 doğruluk, 0.88/0.90 AUC, 0.83/0.83 F1 skor değerleri elde edilmiştir. Her iki sonlanım için modellerin önem derecelendirmesinde PDFA parametreleri ilk 5 sıra içerisinde yer almıştır. Sonuç: Literatürdeki konvansiyonel ve makine öğrenmesi temelli mortalite öngörü çalışmaları incelendiğinde, çalışmamız PDFA parametrelerinin kullanıldığı ilk çalışmadır. RF ve LGBM modellerimiz başarıyla mortalite tahmininde bulunurken, PDFA bu modeller içerisinde önemli roller üstlenmiştir. Çalışmamızın makine öğrenmesinin biyokimya alanındaki potansiyelini ortaya çıkardığı, PDFA'nın da prognoz öngörüsü konusunda basit, ucuz, hızlı olmasıyla gelecekte klinik kullanıma gireceği kanaatindeyiz.