Geri Dön

Akut karın ağrısı ile acil servise başvuran hastalarda yapay zeka tabanlı gastrointestinal sistem kaynaklı akut batın olgularının saptanması

Detection of acute abstract causes caused by the artificial intelligence based gastrointestinal system in patients attending the emergency department with acute abdominal pain

PDF İndir

  1. Tez No: 774297
  2. Yazar: ESRA EKİCİ ERDEM
  3. Danışmanlar: PROF. DR. HAVVA ŞAHİN KAVAKLI
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Acil Tıp, Emergency Medicine
  6. Anahtar Kelimeler: Akut Karın, Makine öğrenmesi, Yapay zeka, Acute abdomen, Machine learning, Artificial intelligence
  7. Yıl: 2022
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Ankara Bilkent Şehir Hastanesi
  11. Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 98

Özet

Amaç: Yapay zeka (AI: Artificial intelligence), karar verme ve problem çözme gibi insan zekası görevlerini yerine getirebilen bilgisayar sistemlerinin geliştirilmesidir. Acil servise akut karın ağrısı ile başvuran hastaların demografik özellikleri, vital bulguları, başvuru şikayeti ve fizik muayene bulguları ile AI-makine öğrenmesi (ML: Machine Learning) yaklaşımları kullanılarak gastrointestinal sistem kaynaklı akut batın tablolarının risk tespiti yapılması, bununla ilgili acil servis hekimlerine hızlı tanı aşamasında karar desteği sağlayacak bir makine öğrenmesi modeli geliştirilmesi amaçlanmıştır. Gereç ve Yöntem: Bu prospektif ve kesitsel klinik çalışmaya 21 Ocak 2022- 21 Temmuz 2022 tarihleri arasında T.C. Sağlık Bakanlığı Ankara Şehir Hastanesi Acil Tıp Kliniği'ne; akut karın ağrısı ile başvuran, yaşları 18'den büyük, ilk muayene sonrası rutin laboratuvar tetkikleri istenmiş ve görüntülemeleri yapılmış olan hastalar dahil edildi. Bu çalışmanın istatistiksel analizleri Python yazılım dilinde Pandas, Numpy, Sklearn kütüphaneleri kullanılarak gerçekleştirilmiştir. Kategorik değişkenler için frekans dağılımları, sürekli değişkenler için ise tanımlayıcı istatistikler verilmiştir. ML modellerinden Rastgele Orman (RF), Lojistik Regresyon (LR), Destek Vektör Makinesi (SVM) ve Yapay Sinir Ağları (NN) modellerine, toplanan veriler ile akut batın olan ve olmayan vakalar öğretildi. Test grubundaki hastalarda; eğitilen modeller tarafından yapılan akut batın öngörülmesi, gerçek durum ile karşılaştırılarak en başarılı modeller belirlendi. Bulgular: Çalışmaya 680'i akut batın olmak üzere toplam 1120 hasta dahil edildi. Hastaların 545'i (%48.6) kadın, 575'i (%51.4) erkekti. Çalışmaya dahil edilenlerin yaş ortalaması 49.44±19.30 yıl olarak belirlendi. Akut batın öngörülmesinde en başarılı sonuçlar NN modeli (sensivite %88.23, spesifite %78.67 ve AUC(Alıcı işlem karakteristikleri altında kalan alan) %70.58) ile elde edildi. Bu başarıya en yakın sonuçlar ise RF modeli ile (sensivite %89.69, spesifite %86.32, doğruluk %86.74 ve AUC %88) sağlanmıştır. Alt grup olarak akut pankreatit öngörülmesinde en başarılı sonuçlar LR modeli (sensivite %90.9, spesifite %92.41 ve AUC %91.74) ile elde edildi. Bu başarıya en yakın sonuçlar ise RF modeli ile (sensivite %72.72, spesifite %95.98 ve AUC %85.62) sağlanmıştır. Akut apandisit öngörülmesinde ise en başarılı sonuçlar LR modelindedir (sensivite %93.10, spesifite %82.58 ve AUC % 86). Bu başarıya en yakın model SVM modeli (sensivite %84.48, spesifite %83.03 ve AUC %83.5) olmuştur. Sonuç: Acil servise karın ağrısı ile başvuran akut batın tanısı alan hastaların saptanmasında; özellikle akut apandisit ve pankreatit tanılarının öngörülmesinde, AI tabanlı modellerin başarılı olduğunu ve acil servislerde yol gösterici olabileceğini düşünüyoruz.

Özet (Çeviri)

Aim: Artificial intelligence (AI) is the development of computer systems that can perform human intelligence tasks such as decision making and problem solving. In this study, it is aimed to create an machine learning model that will detect acute abdomen originating from the gastrointestinal system and provide decision support to emergency department physicians at the rapid diagnosis stage, using demographic characteristics, vital signs, admission complaints and physical examination findings of patients who apply to the emergency department with acute abdominal pain. Materials and Methods: This prospective and cross-sectional clinical study was conducted between January 21, 2022 and July 21, 2022 by T.C. Patients over the age of 18 who applied to the Ministry of Health Ankara City Hospital Emergency Medicine Clinic with acute abdominal pain and had routine laboratory results and imaging after the first examination were included. Statistical analyzes of this study were carried out in Python software language using Pandas, Numpy, Sklearn libraries. Frequency distributions are given for categorical variables and descriptive statistics for continuous variables. With the data, whether they are acute abdomen or not was taught to Random Forest (RF), Logistic Regression (LF), Support Vector Machine (SVM) and Artificial Neural Networks (NN) models from machine learning models. The most successful models were determined by comparing the prediction of acute abdomen made by the models trained in the test group patients with the real situation. Results: A total of 1120 patients, 680 of whom had acute abdomen, were included in the study. Of the patients, 545 (48.6%) were female and 575 (51.4%) were male. The mean age of those included in the study was 49.44±19.30 years. The most successful results in the prediction of acute abdomen were obtained with the NN model (sensitivity 88.23%, specificity 78.67%, and AUC 70.58%). The model closest to this success was the RF model (sensitivity 89.69%, specificity 86.32%, accuracy 86.74% and AUC 88%). The most successful results in the prediction of acute pancreatitis as a subgroup were obtained with the LR model (sensitivity 90.9%, specificity 92.41% and AUC 91.74%). The model closest to this success was the RF model (sensitivity 72.72%, specificity 95.98% and AUC 85.62%). The most successful results in predicting acute appendicitis, are in the LR model (sensitivity 93.10%, specificity 82.58%, and AUC 86%). The model closest to this success was the SVM model (sensitivity 84.48%, specificity 83.03% and AUC 83.50%). Conclusion: We think that artificial intelligence-based models are successful in predicting the diagnosis of acute abdomen, especially acute appendicitis and pancreatitis, and can be a guide in emergency services.

Benzer Tezler

  1. Tez No

    812115

    Triyaj verisi kullanarak öntanı tahmini yapan yapay zeka tabanlı karar destek sistemi

    Artificial intelligence based decision support system predicting prediagnosis using triage data

    GÖKSU BOZDERELİ BERİKOL

    Doktora

    Türkçe

    Türkçe

    2023

    Acil TıpAkdeniz Üniversitesi

    Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı

    DOÇ. DR. UĞUR BİLGE

  2. Tez No

    473809

    Akut apandisit hibrit karar destek sistemi

    Acute appendicitis hybrid decision support system

    TUĞBA KURT

    Yüksek Lisans

    İngilizce

    İngilizce

    2017

    BiyoistatistikKaradeniz Teknik Üniversitesi

    Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı

    PROF. DR. KEMAL TURHAN

  3. Tez No

    602103

    Akut karın ağrısı ile acile başvuran ve akut apandisit düşünülen hastalarda acil tıp hekimi tarafından yapılan termal kamera ölçümlerinin analizi

    Analysis of thermal camera measurements of acute abdominal pain and acute appendicitis patients BY emergency physician

    ALİ GÜRAKIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2019

    İlk ve Acil YardımGaziantep Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. SUAT ZENGİN

  4. Tez No

    307852

    Travma dışı akut karın ağrılı geriatrik hastalarda opioid analjezi uygulaması, muayene bulguları ve tanıyı değiştirir mi?

    Are opioid analgesic change physical examination findings and clinical diagnosis in non-traumatic geriatric acute abdominal pain patients?

    FARUK GÜNGÖR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2010

    İlk ve Acil YardımAkdeniz Üniversitesi

    Acil Tıp Ana Bilim Dalı

    YRD. DOÇ. DR. MUTLU KARTAL

  5. Tez No

    678909

    Sağ alt kadran ağrısı ile başvuran kadın hastalarda over kist rüptürü ve akut apandisit ayırımında laboratuar parametrelerinin değerlendirilmesi

    The evaluation of laboratory parameters for discrimination of ruptured overi̇an cyst and acute appendicitis in female patients with right lower-quadrant pain

    SÜLEYMAN KARDAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    İlk ve Acil Yardımİzmir Katip Çelebi Üniversitesi

    Acil Tıp Ana Bilim Dalı

    YRD. DOÇ. DR. UMUT PAYZA

    DR. ÖĞR. ÜYESİ AHMET KAYALI

Geri Dön