Geri Dön

Makine öğrenmesi kullanılarak üst gastrointestinal kanaması olan hastalarda yoğun bakıma yatış ve hastane içi mortalite riski arasındaki ilişkinin araştırılması

Using machine learning, investigation of therelationship between icu installation and in-hospitalmortality risk in patients with upper gastrointestinalbleeding

PDF İndir

  1. Tez No: 799511
  2. Yazar: NACİYE BÜŞRA ERDOĞAN
  3. Danışmanlar: PROF. DR. ŞERVAN GÖKHAN
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Acil Tıp, Gastroenteroloji, Emergency Medicine, Gastroenterology
  6. Anahtar Kelimeler: Üst gastrointestinal kanama (ÜGİK), mortalite, yoğun bakım, makine öğrenmesi, Upper gastrointestinal bleeding (UGIB), mortality, intensive care, machine learning
  7. Yıl: 2023
  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: 106

Özet

Amaç: Günümüzde hastane içi ölümlerin önemli bir kısmını ÜGİK (üst gastrointestinal kanama) oluşturmaktadır. Günümüzde acil servise başvuru giderek artmakta olup, bu yoğunlukta gözden kaçmaması gereken önemli bir hasta grubudur. Gelişen teknoloji ile makine öğrenmesi gibi; karar verme, problem çözme gibi insan yerine getirebilecek bilgisayar sistemleri gelişmektedir. Acil servise başvuran hastaların vital bulguları rutin hemogram, biyokimya, koagülasyon tetkik sonuçlarından ve yapılan endoskopi sonuçlarından makine öğrenmesi yaklaşımları kullanılarak gastrointestinal kanaması olan hastalarda yoğun bakıma yatış ve 28 günlük mortalite riskinin belirlemesini amaçlanmıştır. ÜGİK ile takip edilen hastaların genel durumunun ciddiyeti ve mortalite risk yüzdesini belirleyerek erken triyaj ile servis ve yoğun bakım yatışının planlanması konusunda hekimlere öngörü sağlayarak destek geliştirmek hedeflenmiştir. Gereç ve Yöntem: Bu retrospektif ve kesitsel klinik çalışmaya 1 Nisan 2019- 1 Nisan 2022 tarihleri arasında, T.C. Sağlık Bakanlığı Ankara Şehir Hastanesi Acil Tıp Kliniğine başvuran baş dönmesi, senkop, nefes darlığı, halsizlik, siyah renkli gaita, kanlı dışkılama, siyah renkli kusma, kanlı kusma semptomlarının bir veya birden fazlasıyla acil servise başvuran ve yaşlarının 18 ve üzerinde olan, ilk muayene sonrası rutin laboratuvar testlerinin yapılmış olan, Gastroenteroloji ve/veya Dahiliye kliniğine konsülte edilmiş olan ve endoskopi işlemi yapılmış olan hastalar dahil edildi. Hastaların yaşı, cinsiyeti, vital bulguları, laboratuvar verileri, rektal tuşesi, endoskopi sonuçları çalışma verisi olarak kullanıldı. Hastaların cinsiyeti, yaşı ve laboratuvar sonuçları ile ÜGİK tanılı hastaların yoğun bakım yatış ve hastane içi mortalitesi 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 ÜGİK tanılı hastaların yoğun bakım yatış ve hastane içi mortalite prediksiyonu gerçek durum ile karşılaştırılarak en başarılı modeller belirlendi. Araştırma verilerinin istatistiksel analizleri için IBM Statistical Package for Social Sciences (SPSS), Windows için sürüm 23.0 (SPSS Inc. Chicago, USA) bilgisayar paket programı kullanılmıştır. Bulgular: Çalışmaya 1560 hasta yer almaktadır. 1560 hastanın 123'ü exitus, 569'u yoğun bakımda takip edilmiştir. Hastaların 619' u (%39,7) kadın, 941' i (%60,3) erkekti. Çalışmaya dahil edilen hastaların yaş ortalaması 64.11±18.10 yıl iken, en küçük yaşın 18, en büyük yaşın 103 olduğu belirlenmiştir. ÜGİK tanılı hastaların hastane içi mortalite prediksiyonunda en başarılı sonuçlar Destek Vektör Makinesi (SVM) modeli [sensivite %89,18, spesifite %63.46, doğruluk %95,08 ve AUC (Eğri Altında Kalan Alan) % 92.39] ile elde edildi. Bu başarıya en yakın model Yapay Sinir Ağları (NN) modeli (sensivite %91,89, spesifite %45,94, doğruluk %90,81 ve AUC %91,30) oldu. ÜGİK tanılı hastaların yoğun bakıma yatış prediksiyonunda makine öğrenmesi algoritmaları doğruluk oranları birbirine çok yakındır (RF %65,59- LR %64.31- SVM %66.88- NN %64.31), duyarlılıkları (RF %65.59- LR %64.31- SVM %66.88- NN %64.31), AUC değerleri (RF %78,30- LR %74,61- SVM %77,88- NN %74,66) karşılaştırıldığında da anlamlı fark görülmemiştir. Sonuç: Acil servise başvuran ÜGİK tanılı hastaların yoğun bakım yatış ve hastane içi mortalitesinin ön görülmesinde makine öğrenmesi modellenin başarılı olduğunu ve acil serviste yol gösterici olduğu düşünülmektedir.

Özet (Çeviri)

Purpose: UGIB (upper gastrointestinal bleeding) constitutes a significant portion of in-hospital deaths today. Applications to the emergency department are increasing day by day, and this is an important patient group that should not be overlooked. With the developing technology, computer systems that can perform human tasks such as decision making and problem solving such as machine learning are developing. It was aimed to determine the risk of hospitalization in the intensive care unit and 28-day mortality in patients with gastrointestinal bleeding by using machine learning approaches from the vital signs of patients admitted to the emergency department, routine hemogram, biochemistry, coagulation test results and endoscopy results. It is aimed to develop support by providing foresight to physicians in planning early triage, service and intensive care hospitalization by determining the severity of the general condition and mortality risk percentage of patients followed up with UGIB. Materials and Methods: This retrospective and cross-sectional clinical study was conducted between 1 April 2019 and 1 April 2022 by T.C. Those who applied to the Ministry of Health Ankara City Hospital Emergency Medicine Clinic with one or more of the symptoms of dizziness, syncope, shortness of breath, weakness, black stools, bloody stools, black vomiting, bloody vomit and were aged 18 and over, after the first examination Patients who had routine laboratory tests, had been consulted to the Gastroenterology and/or Internal Medicine clinic, and had undergone endoscopy were included. The age, gender, vital signs, laboratory data, rectal examination, and endoscopy results of the patients were used as study data. The gender, age and laboratory results of the patients, as well as the intensive care hospitalization and in-hospital mortality of patients with UGIC were taught to the machine learning models Random Forest (RF), Logistic Regression (LF), Support Vector Machine (SVM) and Artificial Neural Networks (NN). The most successful models were determined by comparing the prediction of intensive care hospitalization and in-hospital mortality of patients with UGIC, made by the models trained in the test group patients, with the real situation. IBM Statistical Package for Social Sciences (SPSS), version 23.0 for Windows (SPSS Inc. Chicago, USA) computer package program was used for statistical analysis of research data. Results: A total of 1560 patients, 123 of whom died and 569 of whom were followed in the intensive care unit, were included in the study. Of the patients, 619 (39.7%) were female and 941 (60.3%) were male. While the mean age of the patients included in the study was 64.11±18.10 years, the youngest age was 18 and the oldest was 103 years. The most successful results in predicting in-hospital mortality of patients with UGIC were obtained with the Support Vector Machine (SVM) model (sensitivity 89.18%, specificity 63.46%, accuracy 95.08% and AUC (Area Under the Curve) 92.39%). The model closest to this success was the Artificial Neural Networks (NN) model (sensitivity 91.89%, specificity 45.94%, accuracy 90.81% and AUC 91.30%). Machine learning algorithms in the prediction of ICU admission of patients with UGIB accuracy rates are very close to each other (65.59%-64.31%-66.88%-64.31%), sensitivities (65.59%-64.31%-66.88%-64.31%), AUC values (78.30%-74.61%-%) 77.88-74.66%), no significant difference was observed. Conclusion: It is thought that machine learning models are successful in predicting intensive care hospitalization and in-hospital mortality of patients with a diagnosis of UGIC who applied to the emergency department and are considered to be a guide in the emergency department.

Benzer Tezler

  1. Tez No

    868247

    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

    Türkçe

    2024

    Acil TıpSağlık Bilimleri Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. SERKAN DOĞAN

  2. Tez No

    760714

    Çocuklarda özofagus yerleşimli yabancı cisimlerin anestezi altında migrasyon ihtimalini öngörmede makina öğrenmesi modelinin geliştirilmesi

    Development of machine learning models to predict the probability of migration under anesthesia for esophageal foreign bodies in children

    GONCA HAMİD

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2022

    Çocuk CerrahisiPamukkale Üniversitesi

    Çocuk Cerrahisi Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ İNCİNUR GENİŞOL

  3. Tez No

    684327

    Anahtarlamalı relüktans motorun makine öğrenmesi algoritmaları ile konum algılayıcısız sürücü modelinin geliştirilmesi

    Developing a position sensorless drive model with machine learning algorithms of a switched reluctance motor

    MEHMET AKİF BUZPINAR

    Doktora

    Türkçe

    Türkçe

    2021

    Elektrik ve Elektronik MühendisliğiErciyes Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    PROF. DR. FERHAT DALDABAN

  4. Tez No

    865156

    Psikolojik uyarıma dayalı kaygılı durumların makine öğrenmesi iletespiti

    Detection of anxious situations based on psychological stimulation with machine learning

    DAMLA ÇINAR

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    Bilim ve TeknolojiManisa Celal Bayar Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YÜCEL KOÇYİĞİT

  5. Tez No

    880852

    İnşaat sektöründeki ihtilafların makine öğrenmesi yöntemleriyle analizi

    Analysis of disputes in the construction industry using machine learning methods

    MAHMUT SARI

    Doktora

    Türkçe

    Türkçe

    2024

    İnşaat MühendisliğiErciyes Üniversitesi

    İnşaat Mühendisliği Ana Bilim Dalı

    DOÇ. DR. SAVAŞ BAYRAM

    DOÇ. DR. EMRAH AYDEMİR

Geri Dön