Yatarak tedavi gören çocuk yanık olgularında prognozu öngörmede makine öğrenme modellerinin kullanımı
Machine learning models for prognostic prediction in hospitalized pediatric burn patients
- Tez No: 1014332
- Danışmanlar: PROF. DR. ARZU ŞENCAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Çocuk Cerrahisi, Pediatric Surgery
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: İzmir Dr. Behçet Uz Çocuk Hastalıkları ve Cerrahisi Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Çocuk Cerrahisi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Yatarak tedavi gören çocuk yanık olgularında makine öğrenme modelleri ile prognostik tahminler yapmak amaçlanmıştır. Gereç ve Yöntem: Retrospektif tek merkezli çalışmada Ocak 2020 – Aralık 2024 tarihleri arasında hastanemiz yanık merkezinde yatarak tedavi edilen 1138 olguya ait veri seti ile; lojistik regresyon, random forest, gradient boosting ve histogram tabanlı gradient boosting modelleri, katmanlı 5 katlı çapraz doğrulama kullanılarak eğitildi ve karşılaştırıldı. Veri seti; yaş, cinsiyet, uyruk, yanık yeri (baş, boyun, gövde, genital bölge, gluteal bölge, üst ekstremite ve alt ekstremite), yanık yüzdesi, yanık derecesi, yanık tipi (sıcak su, alev, yağ, temas, elektrik ve kimyasal yanıklar), sirküler yanık varlığı, inhalasyon hasarı varlığı, yanık merkezine nakil süresi, ilk 24 saatte kaydedilen vital bulguların ortalama değeri (vücut sıcaklığı, kalp hızı, tansiyon ve solunum sayısı), sıvı resüsitasyonu sonrası ilk 24 saatte çalışılan laboratuvar parametreleri, komorbiditeler, uygulanan tedaviler ve klinik sonuç değişkenlerinden oluşmaktaydı. Makine öğrenme modelleri ile debridman-greftleme, mekanik ventilasyon ihtiyacı, sepsis gelişimi, mortalite ve hastanede yatış süresi tahmin edildi. Bulgular: En iyi modeller ile elde edilen F1-skoru, debridman-greftleme tahmini için yaklaşık 0,66, mekanik ventilasyon için 0,58, sepsis gelişimi için 0,55, mortalite için 0,73 idi. Debridman-greftlemeyi öngörmede en başarılı model random forest, mekanik ventilasyon ihtiyacını öngörmede ise en başarılı model lojistik regresyon olarak bulundu. Gradient boosting, sepsis ve mortaliteyi öngörmede en başarılı model olarak saptandı. Hastanede yatış süresini öngörmede en düşük ortalama mutlak hata 4,87 gündü (R² ≈ 0,59) ve en başarılı model histogram tabanlı gradient boosting regresyon modeliydi. Açıklanabilir yapay zeka yöntemleri ile modellerin karar mekanizmaları ortaya kondu ve hangi değişkenlerin kararlarda önemli rol oynadığı belirlendi. Sonuç: Makine öğrenme modelleri; yatarak tedavi gören çocuk yanık olgularında prognostik faktörleri öngörerek klinisyenlere erken tedavi planlaması ve kaynak yönetiminde destek olmakta ve tedavi yönetiminde veri temelli karar destek sistemlerinin geliştirilmesine bilimsel temel sağlamaktadır.
Özet (Çeviri)
Aim: To predict prognosis in hospitalized pediatric burn patients using machine learning models. Materials and Methods: In this retrospective single-center study, 1138 pediatric burn patients hospitalized in our burn center between January 2020 and December 2024 were analyzed. Logistic regression, random forest, gradient boosting and histogram-based gradient boosting models were trained and compared using stratified 5-fold cross-validation. The dataset included age, sex, nationality, burn surface area, percentage, depth, type, circumferential burn, inhalation injury, transfer time to burn center, vital signs, laboratory findings, comorbidities, treatments administered and clinical outcomes. Machine learning models were used to predict debridement–grafting, mechanical ventilation requirement, sepsis development, mortality and length of hospital stay. Model interpretability was assessed using explainable artificial intelligence methods. Results: Best-performing models achieved F1-scores of approximately 0.66, 0.58, 0.55 and 0.73 for debridement–grafting, mechanical ventilation, sepsis and mortality, respectively. For predicting the need for debridement and grafting, random forest achieved the best performance, while logistic regression performed best in predicting mechanical ventilation requirement. Sepsis and mortality were most accurately predicted by the gradient boosting model. Length of hospital stay was best predicted by the histogram-based gradient boosting regression model with the lowest mean absolute error of 4.87 days (R² ≈ 0.59). The decision-making mechanisms of the models were revealed using explainable artificial intelligence methods, identifying the variables that played a key role in the predictions. Conclusion: Machine learning models can support early treatment and resource management by predicting prognostic factors in hospitalized pediatric burn patients, enabling data-driven clinical decision support.
Benzer Tezler
- Mersin Üniversitesi Hastanesi Pediatri servislerinde yatan hastalarda ilaç aşırı duyarlılığı reaksiyonları insidanslarının ve klinik öngörücü özelliklerinin belirlenmesi
Determination of the incidence and predictive characteristics of drug hypersensitivity reactions among children hospitalized at Department of Pediatrics at Mersin University Hospital
FAZİLET ESEN
Tıpta Uzmanlık
Türkçe
2023
Çocuk Sağlığı ve HastalıklarıMersin ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. SEMANUR KUYUCU
- Evaluation of clinical, laboratory, and radiology findings in children with septic arthritis
Septik artrit tanılı çocuklarda klinik, laboratuvar ve radyoloji bulguların değerlendirilmesi
ELNUR HUSEYNOV
Tıpta Uzmanlık
Türkçe
2021
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. NEVİN HATİPOĞLU
- SBÜ İzmir DR. Behçet Uz Çocuk Hastalıkları ve Cerrahisi SUAM yanık merkezinde yatarak tedavi gören yanık hastalarının epidemiyolojik özelliklerinin ve tedavi sonuçlarının analizi
Analysis of the epidemiological features and treatment results of burns patients treated in SBU İzmir DR. Behçet Uz pediatric diseases and surgery SUAM burn center
HÜNKAR ERDOĞAN
Tıpta Uzmanlık
Türkçe
2022
Çocuk CerrahisiSağlık Bilimleri ÜniversitesiÇocuk Cerrahisi Ana Bilim Dalı
PROF. DR. ARZU ŞENCAN
- Çocuk yanıklarında enfeksiyon etkenleri ve mortaliteye etkileri
Infectious agents in children's burns and their effects on mortality
SABRİ DEMİR
Tıpta Uzmanlık
Türkçe
2013
Çocuk CerrahisiSağlık BakanlığıÇocuk Cerrahisi Ana Bilim Dalı
PROF. DR. EMRAH ŞENEL
- Çocukluk çağı idrar yolu enfeksiyonlarının klinik ve laboratuvar özelliklerinin hematolojik parametreler ile ilişkisinin değerlendirilmesi
Evaluation of the relationshi̇p between clinical and laboratory features of childhood urinary tract infections and hematological parameters
FURKAN YILMAZ
Tıpta Uzmanlık
Türkçe
2023
Çocuk Sağlığı ve HastalıklarıBezm-İ Alem Vakıf ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. AYŞEGÜL DOĞAN DEMİR