Üst gastrointestinal sistem kanamalı hastalarda makine öğrenmesi modellerini kullanarak klinik sonucu öngörme ve sonuçların Glasgow Blatchford skorlama sistemleri ile karşılaştırılması
Başlık çevirisi mevcut değil.
- Tez No: 1023740
- Danışmanlar: PROF. DR. HIZIR UFUK AKDEMİR
- Tez Türü: Tıpta Uzmanlık
- Konular: Acil Tıp, Gastroenteroloji, Emergency Medicine, Gastroenterology
- Anahtar Kelimeler: Gastrointestinal Kanama Makine Öğrenmesi, Risk Değerlendirmesi Kan Transfüzyonu Yoğun Bakım Ünite s i, Mortalite, Gastrointestinal Hemorrhage, Ma chine Learning, Risk Assessment, Blood Transfusion, Intensive Care Unit, Mortality
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç : Bu çalışmanın amacı acil servise üst gastrointestinal sistem kanaması nedeniyle başvuran hastalarda kan transfüzyonu gereksinimi, yoğun bakım yatışı ihtiyacı ve 28 günlük mortalite gibi klinik açıdan önemli sonlanımların öngörülmesinde makine öğrenmesi m odellerinin performansını değerlendirmek ve bu performansı Glasgow Blatchford skoru (GBS) ile karşılaştırmaktır. Üst gastrointestinal sistem kanamalarında erken risk sınıflandırması hasta yönetimi, kaynak kullanımı ve uygun izlem düzeyinin belirlenmesi açı sından kritik önem taşımaktadır. Bu nedenle klasik skor sistemlerinin ötesinde, çok değişkenli klinik veriyi birlikte değerlendirebilen yaklaşımların katkısının araştırılması hedeflenmiştir. Metod ve Yöntem : Bu çalışma, retrospektif, tanımlayıcı ve analit ik nitelikte planlandı. Ondokuz Mayıs Üniversitesi Sağlık Uygulama ve Araştırma Merkezi acil servisine 01 Ocak 2022 ile 30 Kasım 2024 tarihleri arasında başvuran ve üst gastrointestinal sistem kanaması olarak değerlendirilen 449 erişkin hasta çalışmaya dah il edildi. Başvuru semptomları, vital bulgular, rektal muayene bulguları, laboratuvar parametreleri, komorbid hastalıklar ve klinik sonlanımlar elektronik kayıtlar üzerinden toplandı. Kan transfüzyonu gereksinimi, yoğun bakım yatışı ihtiyacı ve 28 günlük m ortalite için ayrı makine öğrenmesi modelleri oluşturuldu ve bu modellerin ayırt edici gücü GBS ile ROC analizi üzerinden karşılaştırıldı. Bulgular : Çalışmaya alınan 449 hastanın %66,6'sı erkekti ve en sık başvuru semptomu melena (%63,9) olarak saptandı. Olguların %68,2'sine kan transfüzyon u uygulandı, %23,6'sı yoğun bakım ünitesine yatırıldı ve %12,2'si mortal seyretti . Transfüzyon gereksiniminin öngörülmesinde L2 düzenlileştirmeli lojistik regresyon modelinin AUC değeri 0,934 iken GBS için bu değer 0,855 bulundu ve fark istatistiksel olarak anlamlı idi (p=0,024). Yoğun bakım yatışı öngörüsünde XGBoost modelinin AUC değeri 0,891, GBS'nin ise 0,721 olarak saptandı ve fark istatistiksel olarak anlamlı idi (p<0,001). Mortalite yi öngör mede Random Forest modelinin AUC değeri 0,819, GBS'nin AUC değeri ise 0,717 bulundu; bu fark istatistiksel anlamlılığa ulaşmamakla birlikte modelin duyarlılık ve özgüllü ğü daha yüksek i di . Sonuç : Makine öğrenmesi temelli modeller, üst gastrointestinal sistem kanamalı hasta larda özellikle transfüzyon gereksinimi ve yoğun bakım yatışı ihtiyacını öngörmede GBS'ye kıyasla daha yüksek performans göstermiştir. Mortalite öngörüsünde de daha dengeli bir ayrım gücü sağlanmıştır. Bu bulgular, makine öğrenmesi yaklaşımlarının acil ser viste erken risk sınıflandırmasını güçlendirebileceğini ve klinik karar süreçlerine katkı s ağlaya bileceğini düşündürmektedir. Bununla birlikte, geliştirilen modellerin klinik uygulamaya aktarılabilmesi için çok merkezli ve prospektif dış doğrulama çalışmal arına da gereksinim vardır.
Özet (Çeviri)
Objective: The aim of this study was to evaluate the performance of machine learning models in predicting clinically important outcomes, including the need for blood transfusion, intensive care unit admission, and 28 day mortality, in patients presenting to the emergency department with upper gastrointestinal bleeding, and to compare this performance with that of the Glasgow Blatchford score (GBS). Early risk stratification in upper gastrointestinal bleeding is of critical importance for patient management, resource utilization, and determination of the appropriate level of monitoring. Ther efore, this study sought to investigate the contribution of approaches capable of integrating multidimensional clinical data beyond conventional scoring systems. Materials and Methods: This study was designed as a retrospective, descriptive, and analytical investigation. A total of 449 adult patients who presented to the emergency department of Ondokuz Mayis University Health Practice and Research Center between January 1, 2022 and November 30, 2024 and were evaluated as having upper gastrointestinal bleedi ng were included in the study. Presenting symptoms, vital signs, rectal examination findings, laboratory parameters, comorbid diseases, and clinical outcomes were collected from electronic records. Separate machine learning models were developed for the pr ediction of blood transfusion requirement, intensive care unit admission, and 28 day mortality, and the discriminative performance of these models was compared with that of the GBS using ROC analysis. Results: Of the 449 patients included in the study, 66. 6% were male, and the most common presenting symptom was melena (63.9%). Blood transfusion was administered to 68.2% of the patients, 23.6% were admitted to the intensive care unit, and mortality occurred in 12.2%. In predicting transfusion requirement, th e L2 regularized logistic regression model achieved an AUC of 0.934, whereas the AUC of the GBS was 0.855, and the difference was statistically significant (p=0.024). For the prediction of intensive care unit admission, the AUC of the XGBoost model was 0.8 91, compared with 0.721 for the GBS and the difference was statistically significant (p<0.001). In mortality prediction, the Random Forest model yielded an AUC of 0.819, while the AUC of the GBS was 0.717; although this difference did not reach statistical significance, the model demonstrated a better balance between sensitivity and specificity. Conclusion: Machine learning based models showed higher performance than the GBS, particularly in predicting transfusion requirement and the need for intensive care unit admission in patients with upper gastrointestinal bleeding. A more balanced discriminative ability was also observed for mortality prediction. These findings suggest that machine learning approaches may strengthen early risk stratification in the eme rgency department and contribute to clinical decision making processes. Nevertheless, multicenter and prospective external validation studies are needed before these models can be translated into clinical practice.
Benzer Tezler
- Üst gastrointestinal sistem kanama hastalarında endoskopi ihtiyacı kararının makine öğrenmesi algoritmasıyla verilmesi
Determination of endoscopy necessity in gastrointestinal bleedingpatients using machine learning algorithm
MELİH UÇAN
Tıpta Uzmanlık
Türkçe
2024
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. SERKAN DOĞAN
- Üst gastrointestinal sistem kanamalı hastalarda nütrisyonel durumun değerlendirilmesi
Assessment of nutritional status in patients with upper gastrointestinal bleeding
SÜLEYMAN EGE ERSUNAR
Tıpta Uzmanlık
Türkçe
2026
GastroenterolojiSağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
DOÇ. DR. KADEM ARSLAN
- Üst gastrointestinal kanamalı hastalarda prognostik risk skorları ve inflamatuar parametreler arasındaki ilişkinin değerlendirilmesi
Evaluation of the relationship between prognostic risk scores and inflammatory parameters in patients with upper gastrointestinal bleeding
GİZEM NUR SÖZEN
Tıpta Uzmanlık
Türkçe
2025
İç HastalıklarıSağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ SÜLEYMAN BAŞ
- Acil servise üst gastrointestinal sistem kanamaları ile başvuran hastalarda vena kava inferior ve aort çapının ultrasonografi ile görüntülenmesinin yatış, taburculuk ve morbidite üzerine etkilerinin araştırılması
Researching the effects of visualization of vena cava inferior and aortic diameter by ultrasound on hospitalization, discharge and morbiity in patients admitted to the emergency department with upper gastrointestinal hemorrhage
MUHAMMED SALTUK DENİZ
Tıpta Uzmanlık
Türkçe
2020
İlk ve Acil YardımAnkara Yıldırım Beyazıt ÜniversitesiAcil Tıp Ana Bilim Dalı
DR. ÖĞR. ÜYESİ FATİH TANRIVERDİ
- Üst gastrointestinal kanaması olan hastalarda serum tam kan ve biyokimyasal parametrelerinin prognozla ilişkisi
The relationship between serum complete blood count and biochemical parameters and prognosis in patients with upper gastrointestinal bleeding
ÖZKAN GİZLİCİ
Tıpta Uzmanlık
Türkçe
2025
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. YAVUZ OTAL
DR. EMİNE SARCAN