Triyaj verisi kullanarak öntanı tahmini yapan yapay zeka tabanlı karar destek sistemi
Artificial intelligence based decision support system predicting prediagnosis using triage data
- Tez No: 812115
- Danışmanlar: DOÇ. DR. UĞUR BİLGE
- Tez Türü: Doktora
- Konular: Acil Tıp, Biyoistatistik, Emergency Medicine, Biostatistics
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: Akdeniz Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik ve Tıp Bilişimi Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 126
Özet
Amaç: Acil servislerde öntanı ve triyaj kararı hastaların şikayet ve klinik durumlarına göre yapılmaktadır. Bu çalışmada şikayet metinleri kulllanılarak triyaj, öntanı ve yatış kararlarının, makine öğrenmesi tabanlı bir karar destek sistemi ile tahmini amaçlanmıştır. Yöntem: Ocak 2018-Temmuz 2019 tarihleri arasında eğitim ve araştırma hastanesi acil servise başvuran hastalar çalışmaya alındı. Çalışmada şikayet metinlerinin doğal dil işlem sonrası XGBoost, rastgele orman(RF) ve yapay sinir ağları(YSA) kullanılarak triyaj ve öntanı tahminleri yapıldı. Bulgular: Çalışmaya alınan 54.867 hasta verisi içerisinde en fazla sarı triyajı(%76,4) saptandı. En çok kaydedilen üç tanı; akut batın (%14), üst solunum yolu enfeksiyonu(%10,3) ve diyare(%6,1); ikili n-gramlar içerisinde en sık kullanılan kelime çifti karın ağrısı, göğüs ağrısı ve baş ağrısı olduğu saptandı. Sonlanım tahmininde en başarılı yöntem 0,931 doğrulukla yapay sinir ağlarında, triyaj tahmininde ise duyarlılıklar en çok sarı ve ESI 3 olmak üzere XGB (0,771; %95 CI 0,763-0,777), rastgele orman (0,765; %95CI 0,760-0,773) ve YSA'nda(0,766; %95CI 0,760-0.772) olduğu saptanmıştır. Öntanılar arasında nörolojik acillerin tahminine yönelik en yüksek seçicilik XGB(0,936) ve RF(0,936) ile, kardiyovasküler aciller grubunda ise seçicilik yine XGB (0,865) ve RF'de(0,865) daha yüksek bulundu. Sonuç: Yapılandırılmamış şikayetler ile triyaj ve öntanı tahmin etmede üç yöntemin de duyarlılıkları sarı ve ESI 3 hastaları için yüksek olurken, sonlanım tahmininde en yüksek doğruluk yapay sinir ağlarında saptanmıştır. Bu modeller acil servise başvuran hastaların hayati öntanı kararı ve taburculuğunda klinisyene yardımcı olabilir.
Özet (Çeviri)
Objective: The aim of this study was to predict triage, preliminary diagnosis and admissions using a machine learning-based decision support system from complaint texts. Methods: Patients admitted to the emergency department of training and research hospital between Jan 2018 and Jul 2019 were included in the study. Triage and preliminary diagnosis predictions were made using XGBoost, Random Forest(RF), and Artificial Neural Networks(ANN) after Natural Language Processing of chief complaints text. Results: Out of the 54,867 patient data included in the study, yellow triage was found to be the most prevalent(76.4%). The three most frequently recorded diagnoses were acute abdomen(14%), upper respiratory tract infection(10.3%), and diarrhea(6.1%); within bi-grams, the most frequently used word pairs were abdominal pain, chest pain, and headache. For prediction of outcomes, the most successful method was ANN with an accuracy of 0.931. For triage prediction, the highest sensitivities were found in yellow and ESI 3 triages, specifically in XGB(0.771; 95% CI 0.763-0.777), random forest(0.765; 95% CI 0.760-0.773), and ANN(0.766; 95% CI 0.760-0.772). The highest specifity towards predicting pre-diagnoses, neurological ones was with XGB (0.936) and RF (0.936), and in the cardiovascular, specifity was again higher in XGB(0.865) and RF(0.865). Conclusion: While the sensitivities of the three methods in predicting triage and pre-diagnosis with unstructured complaints were found to be high for patients in yellow and ESI 3 categories, the highest accuracy in outcome prediction was detected in artificial neural networks. These models can aid clinicians in mortal pre-diagnosis and discharge decisions in emergency department.
Benzer Tezler
- 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
NACİYE BÜŞRA ERDOĞAN
Tıpta Uzmanlık
Türkçe
2023
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. ŞERVAN GÖKHAN
- Makine öğrenmesi algoritmaları kullanılarak sağlık sisteminde tahmin çalışması
Prediction study using machine learning algorithms in health system
GÜLSÜM SALTAN YAŞLI
Yüksek Lisans
Türkçe
2024
Endüstri ve Endüstri MühendisliğiSakarya ÜniversitesiEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SEHER ARSLANKAYA
- Bilgisayara dayalı karar destek sisteminin acil servis triyaj yönetimine etkisi
Effect of computer-based decision support system on triage management in emergency department
SONGÜL BİŞKİN ÇETİN
Doktora
Türkçe
2021
HemşirelikAkdeniz ÜniversitesiHemşirelik Ana Bilim Dalı
PROF. DR. FATMA CEBECİ
PROF. DR. OKTAY ERAY
- Acil servis triyajında yapay zeka programı ile hastaların acil servis ciddiyet skalasına göre aciliyetlerinin belirlenmesi
Determination of patient urgency in the emergency department using an artificial intelligence program based on the emergency severity index
CANSU ÇOLAKÇA
Tıpta Uzmanlık
Türkçe
2024
Acil TıpSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. MEHMET ERGİN
- Emet borik asit fabrikası atıklarından borun kazanılması
Recovering of boron from emet boric acid factory's wastes
ERSİN BÜYÜKYILDIZ