Geri Dön

Makine öğrenmesi kullanılarak pulmoner tromboemboli riski olan hastaların belirlenmesi

Determination of patients with pulmonary thromboembolism risk using machine learning

PDF İndir

  1. Tez No: 730581
  2. Yazar: SENEM KOCA
  3. Danışmanlar: DOÇ. DR. AFŞİN EMRE KAYIPMAZ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Göğüs Hastalıkları, Computer Engineering and Computer Science and Control, Chest Diseases
  6. Anahtar Kelimeler: Bilgisayarlı Tomografi Anjiyografi, Makine öğrenmesi, Tromboembolizm, akciğer, Yapay zeka, Artificial Intelligence, Computed Tomography Angiography, Machine Learning, Thromboembolism, Pulmonary
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Ankara Numune Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 93

Özet

Amaç: Pulmoner Tromboemboli (PTE) hastalığı hayatı tehdit eden bir problem olup Bilgisayarlı Tomografi Pulmoner Anjiyografi (BTPA) tanıda altın standart olarak kullanılmaktadır. Bu durum son yirmi yılda artan görüntüleme miktarına ve azalan tespit oranına sebep olmaktadır. PTE risk skorlamalarına alternatif bir çözüm üretmek ve bu süreci hastane bilgi sistemleri ile bütünleşmiş karar destek yazılımlarına devretmek ihtiyacı gelişen teknolojinin bir sonucu olarak öngörülmektedir. Bu çalışmada acil servise başvuran hastaların laboratuvar sonuçlarından makine öğrenmesi yaklaşımları kullanılarak PTE risk tespiti yapılması ve hastaların BTPA görüntülemesine yönlendirilmesi için hekimlere karar desteği sağlanması amaçlandı Materyal ve Metod: Bu retrospektif ve kesitsel klinik çalışmaya 1 Şubat 2019- 1 Şubat 2020 tarihleri arasında T.C. Sağlık Bakanlığı Ankara Şehir Hastanesi Acil Tıp Kliniği'ne öksürük, hemoptizi, göğüs ağrısı, dispne, çarpıntı semptomlarının bir veya birden fazlası ile başvuran ve yaşları 18'den büyük hastalar arasından ilk muayene sonrası rutin laboratuvar testleri ve BTPA yapılan hastalar dahil edildi. Hastaların cinsiyeti, yaşı ve laboratuvar sonuçları ile BTPA görüntülemesi sonuçları çalışma verisi olarak kullanıldı. Eksik laboratuvar verileri için Zı̇ncı̇rleme Denklemlerle Çoklu Atama (MICE) metodu kullanılarak, özniteliklerinin seçimi için Tek Değişkenli Öznitelik Seçimi (SelectKBest) ve Çapraz Doğrulama ile Özyinelemeli Öznitelik Eleme (RFECV) yöntemlerinden faydalanıldı. Hastaların cinsiyeti, yaşı ve laboratuvar sonuçları ile PTE'leri olup olmadıkları makine öğrenmesi modellerinden Rastgele Orman (RF), Lojistik Regresyon (LF), Destek Vektör Makinesi (SVM) ve Yapay Sinir Ağları (NN) modellerine öğretildi. Test grubu hastalarında eğitilen modeller tarafından yapılan PTE prediksiyonu gerçek durum ile karşılaştırılarak en başarılı modeller belirlendi. Bulgular: Çalışmaya 554'ü PTE tanılı olmak üzere toplam 4487 hasta alındı. Hastaların 2283'ü erkekti (%50,9). Çalışmaya dahil edilen hastaların yaş ortalamaları 66,70±17,09 yıl, %23'ünün (1034 hasta) 70 ila 79 yaş arasında olduğu belirlendi. Öznitelik seçimi aşamasında SelectKBest metodu 43, RFECV metodu 35 özniteliğin seçilmesini önerdi. Yeniden örnekleme metodları arasında SMOTE-TOMEK metodu doğruluk, duyarlılık, kesinlik ve AUC skorları dikkate alınarak yapılan karşılaştırmada en iyi sonucu verdi. Makine öğrenmesi modellerinden, Rastgele Orman (RF) modelinin sensivitesi %86,08, spesifitesi %77,83, doğruluğu %78,86 ve AUC %81,95 olarak ölçüldü. Lojistik Regresyon (LR) modelinde ise sensivite %76,80, spesifite %73,23, doğruluk %73,67 ve AUC %75,01 sonuçları görüldü. Destek Vektör Makinesi (SVM) modeli, sensivite %89,69, spesifite %86,32, doğruluk %86,74 ve AUC %88,00 ile en iyi sonuç veren ikinci model oldu. En başarılı sonuçlar ise sensivite %95,88, spesifite %84,13, doğruluk %85,59 ve AUC %90 sonuçları ile Yapay Sinir Ağları (NN) modeli ile elde edildi. En ayırt edici 5 öznitelik D-Dimer, troponin, cinsiyet, CRP ve RDW değerleri olarak bulundu. Tartışma ve Sonuç: Hastaların radyasyona maruziyetini azaltmak, kontrast nefropatisini önlemek ve BTPA görüntülemesi sayısını azaltmak amacıyla, makine öğrenmesi yaklaşımlarının başarılı sonuçlar vereceği düşünülmektedir.

Özet (Çeviri)

Purpose: Pulmonary Thromboembolism (PTE) is a life-threatening disease and the gold standard for diagnosis is Computed Tomography Pulmonary Angiography (CTPA). This has led to the overutilization of imaging in the past 20 years with a decreasing yield. To produce an alternative to the existing PTE risk scores and to transfer risk evalution process to decision support software integrated with hospital information systems is necessary in the wake of the technological developments. We aimed to determine the patients with PTE risk among those admitted to the emergency department by using their laboratory test results and machine learning approaches and thus provide decision support to the medical doctors to direct the patients to CTA. Materials and Methods: This retropective and cross-sectional clinical study was conducted in the Emergency Department of Ankara City Hospital between February 1, 2019 and February 1, 2020 with patients over 18 years of age, who arrived to the Emergency Department with either one or more symptoms of dyspnea, hemoptysis, chest pain and cough, and have been referred for various laboratory tests and CTA) for diagnosis after initial medical examination. Patient dataset includes sex, age and results of routine laboratory tests and CTA imaging. Missing values in the dataset are imputed using Multivariate Imputation by Chained Equation (MICE) method, and for feature selection Univariate Feature Selection (SelectKBest) and Recursive Feature Elimination Cross-Validation (RFECV) methods are applied. Machine learning models of Random Forest (RF), Logistic Regression (LF), Support Vector Machines (SVM) and Neural Networks (NN) are trained with patient dataset so that they can determine the patients with PTE in the test group. Finally, a comprehensive performance comparison of models are provided. Findings: A total of 4487 patients, 554 of whom were diagnosed with PTE, were included in the study. 2283 (50.9%) of the patients were males. The mean age of the patients was 66.80±17.09 years, 23% of whom (n=1034) were between 70 and 79 years old. During feature selection, SelectKBest algorithm returned 43 and RFECV returned 35 features. Among resampling methods, SMOTE-TOMEK provided best results in terms of accuracy, recall, precision and AUC. Random Forest (RF) model provided a sensitivity of 86.08%, specificity of 77.83%, accuracy of 78.86% and AUC of 81.95%. Logistic Regression (LR) model had a sensitivity of 76.80%, specificity of 73.23%, accuracy of 73.67% and AUC of 75.01%. The runnerup model was Support Machines Vector (SVM) with a sensitivity of 89.69%, specificity of 86.32%, accuracy of 86.74% and AUC of 88.00%. The best performing model was Neural Network (NN) Model with a sensitivity of 95.88%, specificity of 84.13%, accuracy of 85.59% and AUC of 90.00%. 5 features with highest importance coefficients were D-Dimer, Troponin, Gender, CRP and RDW. Discussion and Conclusion: In order to reduce the radiation exposure of the patients, to prevent contrast nephropathy and to reduce the number of CTA, machine learning approaches proves to be a potential area of study.

Benzer Tezler

  1. Tez No

    515234

    Pulmoner emboli klinik tanı sistemi

    Pulmonary embolism clinical support system

    ÖZLEM KARADENİZ

    Yüksek Lisans

    Türkçe

    Türkçe

    2018

    BiyoistatistikKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı

    YRD. DOÇ. DR. BURÇİN KURT

  2. Tez No

    839424

    Acil ekokardiyografi ile ölçülen aort çıkımı çaplarınınbilgisayarlı tomografi ile tanısal doğruluk açısından karşılaştırılması ve makine öğrenmesi kullanılarak algoritma oluşturulması

    Comparison of measurement of aortic diameters by pointof-care ultrasonography with computerized tomography in terms ofdiagnostic accuracy and creating an algorithm using machinelearning

    ÖMER ERDEM ŞEVİK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Acil TıpEskişehir Osmangazi Üniversitesi

    Acil Tıp Ana Bilim Dalı

    PROF. DR. NURDAN ACAR

  3. Tez No

    627624

    Derin öğrenme yaklaşımı ile pulmoner nodül karar destek sistemi

    Pulmonary nodule decision support system with deep learning approach

    HİLAL TİRYAKİ

    Yüksek Lisans

    Türkçe

    Türkçe

    2020

    BiyoistatistikKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ BURÇİN KURT

  4. Tez No

    709795

    Bilgisayarlı tomografide saptanan pulmoner nodüllerin derin öğrenme teknikleri kulllanılarak benign-malign ayrımının yapılması

    Differentiating the pulmonary nodules detected in computed tomography as benign and malign using deep learning techniques

    MUHAMMED BİLAL AKINCI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Radyoloji ve Nükleer TıpVan Yüzüncü Yıl Üniversitesi

    Radyoloji Ana Bilim Dalı

    DOÇ. DR. MESUT ÖZGÖKÇE

  5. Tez No

    499549

    Enhancing deep extreme learning machines: Novel multi-kernel autoencoders and implementation for detecting the chronic obstructive pulmonary disease

    Derin aşırı öğrenme makinelerinin geliştirilmesi: Yeni çok çekirdekli autoencoderlar ve kronik obstruktif akciğer hastalığının belirlenmesinde uygulanması

    GÖKHAN ALTAN

    Doktora

    İngilizce

    İngilizce

    2018

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMustafa Kemal Üniversitesi

    Enformatik Ana Bilim Dalı

    YRD. DOÇ. DR. YAKUP KUTLU

Geri Dön