Geri Dön

İdrar kültürü sonuçlarının makine öğrenmesi yardımıyla öngörülmesi

Prediction of urine culture results using machine learning

PDF İndir

  1. Tez No: 1017864
  2. Yazar: ABDURRAHMAN ATAK
  3. Danışmanlar: PROF. DR. ZİHNİ AÇAR YAZICI
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Mikrobiyoloji, Microbiology
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bakanlığı
  10. Enstitü: Recep Tayyip Erdoğan Üniversitesi Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Tıbbi Mikrobiyoloji Ana Bilim Dalı
  12. Bilim Dalı: Tıbbi Mikrobiyoloji Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Giriş ve Amaç: İdrar yolu enfeksiyonları (İYE); üriner sistemin çeşitli bölgelerinde görülebilen, anatomik tutulum yerlerine göre farklı şekillerde tezahür eden, bireylerin sahip oldukları risk faktörlerine göre ise klinik açıdan farklı değerlendirilip yönetilen enfeksiyon hastalıkları spektrumunun ortak adıdır. İYE' ler dünya genelinde yılda yaklaşık 150 milyondan fazla insanı etkilemekte ve kadınların üçte biri 24 yaşına kadar, yarısı ise 32 yaşına kadar bir İYE atağı geçirmektedir. İYE' lerin hastaların hayatını tehdit edici ya da hayat konforunu düşürücü niteliklerinin yanı sıra sağlık sistemine getirdikleri iş yükü ve hastalardaki iş gücü kaybı göz önüne alındığında klinik açıdan olduğu gibi ekonomik açıdan da önemli bir sorun olduğu anlaşılmaktadır. Sadece Amerika Birleşik Devletleri'nde İYE' lerin doğrudan ve dolaylı maliyetlerinin 1,6 ila 4,8 milyar dolar arasında olduğu tahmin edilmektedir. İYE tanısında idrar kültürü (İK) altın standarttır ancak testin zaman alıcı doğası ve tüm sağlık kuruluşlarında bulunmaması nedeniyle klinisyenler tarafından çoğunlukla semptomlara göre ve tam idrar tahlili (TİT) sonuçlarına göre ampirik antibiyoterapi uygulaması gerçekleştirilmektedir. Bununla birlikte semptomlar subjektif ve non-spesifik olabilmektedir ve TİT parametrelerinin tek başlarına tahmin başarıları düşüktür. Bu nedenlerden dolayı çağımızda bilgisayar teknolojisinin ve veri işleme kapasitesinin artmasından faydalanılarak TİT parametrelerinin ve bazı hasta demografik özelliklerinin kullanılması suretiyle zaman alıcı İK test sonuçlarının başarıyla tahmin edilip edilemeyeceği araştırmamızın odak noktası olmuştur. Materyal ve Metod: Ekim 2020 ile Aralık 2024 tarihleri arasında 8 saatlik zaman dilimi içerisinde hem İK hem de TİT istenen 18 yaşından büyük hastaların verileri hastane bilgi yönetim sisteminden (HBYS) elde edilmiştir. Özgül nitelikler vasıtasıyla eşleştirilerek veri seti birleştirilmiş, aynı hastanın mükerrer kültürlerinde 14 günlük periyotlar baz alınarak her periyodun ilk verisi haricindeki veriler ve polimikrobiyal üreme saptanan hastaların verileri dışlanmış, yazılmamış mikroskobik TİT verilerinin gözlemlenmemiş olduğu varsayımıyla ilgili veriler sıfır ile doldurulmuş ve veri setindeki farklı ifadeler standardize edilerek veri setine son hali verilmiştir. Araştırmada öncelikle klasik istatistiksel analizlere yer verilmiş ardından 5 farklı görev belirlenerek toplamda 7 farklı makine öğrenmesi model grubu eğitimi yapılmıştır. İlk görevde (Görev I) üreme olmayan kültürler ile üreme saptanan kültürlerin ayrılması hem anlamlı bakteriüri sınırı olarak kabul edilen 100.000 cfu/mL (koloni oluşturan birim/mL ) koloni kısıtı ile (Model grubu 1) hem de koloni kısıtı olmaksızın (Model grubu 2); ikinci görevde (Görev II) kontaminasyon ile anlamlı sonuçlar (üreme saptanması ve üreme olmaması) ayrımı hem demografik verilere ek olarak TİT verileri (Model grubu 3) ile hem de yalnızca demografik verilerle (Model grubu 4); üreme olması durumunda üreyen mikroorganizmanın bakteri mi yoksa maya mı olacağı ayrımı Görev III Model grubu 5 ile; bakteri üremesi durumunda üreyecek bakterinin Gram boyanma özelliğinin tahmini Görev IV Model grubu 6 ile ve son olarak da üreyen bakterinin duyarlı mı yoksa dirençli bir bakteri mi olacağı tahmini de Görev V Model grubu 7 ile araştırılmış ve raporlanmıştır. Modellerin başarı durumları ROC-EAA değeri, doğruluk, ortalama kesinlik, duyarlılık, özgüllük, PPD, NPD, F1(+) skoru gibi skorlarla tablolar ve grafiklerle verilmiştir. Bulgular: Tüm görevler içerisinde en yüksek başarı metriklerine Görev I ile ulaşılmıştır. Kültürde üreme saptananlar ile üreme olmayanların anlamlı bakteriüri sınırı olarak kabul edilen 100.000 cfu/mL' lik kısıtlama konularak ayırt edildiği Model grubu 1' de en başarılı model olan WEnsemble-L2 modeli 0,93 (%95 GA: 0,91-0,94) ROC-EAA değeri ile en başarılı model olmuş 0,46 optimal eşik değerinde doğruluk 0,86; duyarlılık 0,81; özgüllük 0,89; PPD 0,85; NPD 0,86 başarı değerleri elde edilmiştir. Görev I için veri setinde koloni kısıtlaması olmaksızın gerçekleştirilen eğitimde (Model grubu 2) en başarılı model olan WEnsemble-L2 modeli 0,90 (%95 GA: 0,88-0,91) ROC-EAA değeri ve 0,47'lik optimal eşik değerinde doğruluk 0,82; duyarlılık 0,77; özgüllük 0,85; PPD 0,82; NPD 0,81 başarı metrikleri elde etmiştir. Kontaminasyonun anlamlı sonuçlarla ayrımı için geliştirilen modellerde (Görev II) TİT ve demografik verilerin kullanılması ile (Model grubu 3) sadece demografik verilerin (Model grubu 4) kullanılmasına göre daha başarılı metrikler elde edilmiştir (ROC-EAA değeri 0,74'e karşı 0,70). Üreme olması durumunda üremenin bakteri mi yoksa maya mı olacağının ayrımı için geliştirilen modelde (Görev III Model grubu 5) 0,93 (%95 GA: 0,90-0,95) ROC-EAA değerine ulaşılmıştır (optimal eşik 0,15; doğruluk 0,85; duyarlılık 0,85, özgüllük 0,85; PPD 0,48; NPD 0,97). Bakteri üremelerinde Gram boyanma özelliğinin tahmini görevi için geliştirilen modelde (Görev IV Model grubu 6) 0,84 (%95 GA: 0,81-0,87) ROC-EAA değerine ulaşılmıştır (doğruluk 0,73; duyarlılık 0,81; özgüllük 0,71; PPD 0,47; NPD 0,92). Son görev olan üreyecek bakterinin direnç düzeyinin tahmini görevinde ise (Görev V Model grubu 7) en başarılı model 0,65 (%95 GA: 0,58-0,71) ROC-EAA değeri elde etmiştir (doğruluk 0,67; duyarlılık 0,49; özgüllük 0,68; PPD 0,12; NPD 0,94). Sonuç: Bilgisayar bilimlerinin ve bilgisayarların hesaplama kapasitelerinin ilerlemesiyle birlikte her geçen gün gelişmeye devam eden yapay zekâ teknolojilerinin tıp alanındaki uygulama alanı da her geçen gün genişlemeye devam etmektedir. Gerçekleştirilen çalışma tek başına yetersiz tahmin gücü sunan TİT parametrelerini ve hasta demografik özelliklerini birleştirerek bazı görevlerde başarılı tahminler gerçekleştirilebileceğini göstermektedir. Ayrıca kontaminasyon tahmininde olduğu gibi nispeten düşük başarıya sahip görevlerde de daha düşük eşik değerler kullanılarak prediktif değerlerden taviz verilmekle birlikte duyarlılığı artırmanın dolayısıyla maliyet etkinliği artırmanın mümkün olabileceği düşünülmektedir.

Özet (Çeviri)

Introduction and Purpose: Urinary tract infections (UTIs) are a general term for a spectrum of infectious diseases which occur at different sites of the urinary system and manifest differently depending on the anatomical site and are clinically evaluated and treated differently based on the risk factors of individuals. UTIs affect more than 150 million people worldwide annually with one-third of women experiencing a UTI episode by age 24 and half by age 32. Considering not only the life threatening or quality of life reducing nature of UTIs but also the workload they impose on the healthcare system and the resulting loss of productivity in patients, it is clear that they represent a significant problem both clinically and economically. In the United States alone, the direct and indirect costs of UTIs are estimated to range between 1.6 and 4.8 billion dollars. While urine culture (UC) is the gold standard for diagnosing UTIs, clinicians frequently administer empirical antibiotic therapy based on symptoms and urinalysis (UA) results because of the UC test is time consuming and not available at all healthcare facilities. Nevertheless patient symptoms can be subjective and non-specific and UA parameters alone have low predictive value. For these reasons, taking advantage of today's increasing computer technology and data processing capacity, the focus of our research has been to investigate whether time consuming UC test results can be successfully predicted using UA parameters and certain patient demographic characteristics. Materials and Methods: Data from patients over 18 years of age for whom both UC and UA were requested within an 8-hour time window between October 2020 and December 2024 were obtained from the hospital information management system. The dataset was merged by matching specific attributes; for repeat cultures from the same patient, only the first data point of each 14-day period was retained while the rest were excluded, data from patients with polymicrobial growth were excluded, missing values in the UA microscopic count data were filled with zero and differing expressions in the dataset were standardized to finalize the dataset. In our research, classical statistical analyses were conducted first, followed by the identification of 5 different tasks and the training of a total of 7 different machine learning model groups. In the first task (Task I), the separation of cultures with no growth from those with detected growth was investigated both with the colony restriction of 100,000 cfu/mL (colony forming units/mL), accepted as the threshold for significant bacteriuria (Model group 1), and without this colony restriction (Model group 2); in the second task (Task II), the distinction between contamination and significant results (growth detected and no growth) was investigated both using demographic data together with UA data (Model group 3) and using demographic data alone (Model group 4); the distinction, in cases of growth, between whether the growing microorganism would be bacteria or yeast was investigated with Task III Model group 5; in cases of bacterial growth, the prediction of the Gram-staining characteristic of the bacteria was investigated with Task IV Model group 6; and finally, the prediction of whether the growing bacterium would be susceptible or resistant was investigated and reported with Task V Model group 7. The success of the models was presented in tables and graphs using metrics such as ROC-AUC value, accuracy, average precision, sensitivity, specificity, PPV, NPV, and F1(+) score. Results: Among all tasks, the highest success metrics were achieved with Task I. In Model group 1, where cultures with detected growth were distinguished from those without growth by applying the 100,000 cfu/mL restriction accepted as the threshold for significant bacteriuria, the most successful model, WEnsemble-L2, achieved a ROC-AUC value of 0.93 (95% CI: 0.91–0.94), with the following success values obtained at the optimal threshold of 0.46: accuracy 0.86, sensitivity 0.81, specificity 0.89, PPV 0.85, and NPV 0.86. In the training conducted for Task I without colony restriction in the dataset (Model group 2), the most successful model, WEnsemble-L2, achieved a ROC-AUC value of 0.90 (95% CI: 0.88–0.91), with the following success metrics obtained at the optimal threshold of 0.47: accuracy 0.82, sensitivity 0.77, specificity 0.85, PPV 0.82, and NPV 0.81. In the models developed for distinguishing contamination from significant results (Task II), more successful metrics were obtained using both UA and demographic data (Model group 3) compared to using only demographic data (Model group 4) (ROC-AUC value of 0.74 versus 0.70). In the model developed to distinguish, in the case of growth, whether the growth would be bacteria or yeast (Task III Model group 5), a ROC-AUC value of 0.93 (95% CI: 0.90–0.95) was achieved (optimal threshold 0.15; accuracy 0.85; sensitivity 0.85; specificity 0.85; PPV 0.48; NPV 0.97). In the model developed for the task of predicting the Gram-staining characteristic in bacterial growths (Task IV Model group 6), a ROC-AUC value of 0.84 (95% CI: 0.81–0.87) was achieved (accuracy 0.73; sensitivity 0.81; specificity 0.71; PPV 0.47; NPV 0.92). In the final task of predicting the resistance level of the growing bacterium (Task V Model group 7), the most successful model achieved a ROC-AUC value of 0.65 (95% CI: 0.58–0.71) (accuracy 0.67; sensitivity 0.49; specificity 0.68; PPV 0.12; NPV 0.94). Conclusion: With the advancement of computer science and the computational capacity of computers the field of application of artificial intelligence technologies which continues to develop day by day in the field of medicine also continues to expand. Our study demonstrates that by combining UA parameters and patient demographic characteristics which individually offer insufficient predictive power, successful predictions can be made in certain tasks. Furthermore, we believe that in tasks with relatively lower success such as contamination prediction, it may be possible to increase sensitivity and thus cost-effectiveness by using lower threshold values even at the expense of predictive values.

Benzer Tezler

  1. Tez No

    943001

    Biyokimyasal parametreler kullanılarak idrar kültür sonuçlarının öngörülmesinde yapay zeka teknolojilerinin rolünün araştırılması

    Investigation the role of the artificial intelligence technologies in predicting urine culture results using biochemical parameters

    PINAR ZEHRA DAVARCI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Halk SağlığıTrakya Üniversitesi

    Halk Sağlığı Ana Bilim Dalı

    PROF. DR. GALİP EKUKLU

    DOÇ. DR. SELÇUK KORKMAZ

  2. Tez No

    927728

    Pediatrik hastalarda üriner sistem enfeksiyonunun yapay zeka yöntemleri ile araştırılması

    Investigation of urinary system infection in pediatric patients with artificial intelligence methods

    HÜSEYİN GÜNDOĞDU

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Çocuk Sağlığı ve HastalıklarıManisa Celal Bayar Üniversitesi

    Yazılım Mühendisliği Ana Bilim Dalı

    DOÇ. DR. OSMAN ALTAY

  3. Tez No

    807744

    Artificial intelligence assisted drop pattern analysis and RNAseq profiling for early diagnosis and follow-up of bladder cancer

    Mesane kanserinin erken tanı ve takibinde yapay zeka destekli damla motif analizi ve RNAseq profilleme

    RAMİZ DEMİR

    Doktora

    İngilizce

    İngilizce

    2023

    Moleküler TıpKoç Üniversitesi

    Tıbbi Genetik Ana Bilim Dalı

    PROF. DR. DEVRİM GÖZÜAÇIK

  4. Tez No

    449914

    Sağlık sektöründe örgüt kültürü, örgütsel öğrenme ve örgütsel yenilik ilişkisi

    The relationship between organizational culture, organizational learning and organizational innovation in health industry

    VASFİ KENDİR

    Yüksek Lisans

    Türkçe

    Türkçe

    2016

    Sağlık Kurumları YönetimiBeykent Üniversitesi

    İşletme Yönetimi Ana Bilim Dalı

    DOÇ. DR. BAHADDİN SİNSOYSAL

  5. Tez No

    993650

    2 yaş altı ateşli çocuklarda idrar yolu enfeksiyonu hesaplayıcısının kullanılabilirliğinin değerlendirilmesi

    Evaluation of the usability of a urinary tract infection calculator in febrile children under 2 years of age

    TUĞÇE NUR DENİZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Çocuk Sağlığı ve HastalıklarıEskişehir Osmangazi Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. ASLI KAVAZ TUFAN

Geri Dön