COVID-19 enfeksiyonunun biyokimyasal yansımalarının değerlendirilmesi
Evaluation of biochemical reflections of COVID-19 infection
- Tez No: 869604
- Danışmanlar: PROF. DR. EVİN ADEMOĞLU
- Tez Türü: Doktora
- Konular: Biyoistatistik, Biyokimya, Biostatistics, Biochemistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: Türkçe
- Üniversite: İstanbul Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Tıbbi Biyokimya Ana Bilim Dalı
- Bilim Dalı: Tıbbi Biyokimya Bilim Dalı
- Sayfa Sayısı: 67
Özet
Yapay zeka teknolojileri sayısı ve çeşitliliği gün geçtikçe artan elektronik kayıtların büyük bir doğrulukla hızla değerlendirebilme yetenekli sayesinde robotik, otomasyon, görüntü ve doğal dil işlemeyi kapsayan birçok sektörde giderek benimsenmektedir. Yapay zeka destekli tıbbi teknolojiler, özellikle de görüntü analizi uygulamaları klinik pratikte hızla uygulanabilir çözümlere dönüşmektedir. Yakın gelecekte de klinik laboratuvar verilerini yapay zeka ile birleştiren uygulamaların sağlık alanındaki çalışmalara yeni bir ufuk açması beklenmektedir. Bu kapsamda çalışmamızda COVID-19 tanısı rRT-PCR ile doğrulanmış hastaların rutin biyokimyasal test sonuçları retrospektif olarak bir geleneksel istatistik yöntem olan lojistik regresyon analizi ve makine öğrenmesi temelli karar ağacı algoritması olan Sınıflandırma ve Regresyon Ağacı (CART) ile değerlendirilerek hastalığın başlangıcından itibaren ayaktan/yatarak takip prognozunun tahmin edilmesi, tüm vakalarda başlangıç ve hastane içi mortalite risk profillerinin belirlenmesinde kullanılabilecek modeller oluşturulması amaçlanmıştır. Toplam 8036 COVID-19 vakasının başlangıç rutin tıbbi laboratuvar test sonuçları, hastalar prognozlarına göre ayaktan/yatarak takip edilenler, tüm hastalar sağkalan/vefat edenler ve hastanede yatan hastalar sağkalan/vefat edenler olarak etiketlenip gruplandırılarak geleneksel lojistik regresyon analizi ve CART algoritması ile modellenmiştir. COVID-19 tanısı almış hastaların ayaktan-yatarak takip öngörüsünde en etkili parametrelerin sırasıyla CRP >31.45 mg/L, LDH >305.50I U/L ve Ca+2 ≤8.225 mg/dL olduğun saptanmış ve elde edilen modelin doğruluğunun %80.8, duyarlılığının %91.4 ve özgüllüğünün % 48.8 olduğu hesaplanmıştır. Başlangış mortalite öngörüsünde en etkili parametrelerin ise üre >62.65 mg/dL, LDH >359.5 IU/L, CRP >73.45 mg/dL ve cTnI >33.39 pg/mL olduğu saptanmış ve elde edilen modelin doğruluğu %96.8, duyarlılığı %99.5 ve özgüllüğü %30.1 olarak hesaplanmıştır. Hastane içi mortalite öngörüsü için etkili parametrelerin sırasıyla cTnI >33.06 pg/mL, üre >65.5mg/dL, LDH >435.50 IU/L ve nötrofil sayısı >5.78 x103/µL olduğu saptarak modelin doğruluğu %87.7, duyarlılığı %96.2 ve özgüllüğü %42.1 olarak hesaplanmıştır. Elde ettiğimiz bulgular makine öğrenmesi yöntemlerinin değişken çeşitliği fazla olan büyük veri setlerindeki doğrusal olmayan ilişkileri modellemede geleneksel istatistiki yöntemlerden daha başarılı olduğu görüşünü doğrular niteliktedir. Makine öğrenmesi yöntemi ile elde ettiğimiz tüm karar ağacı modelleri ayaktan-hastanede yatarak takip prognozunun, başlangıç ve hastane içi mortalite riskinin belirlenmesinde yüksek riskli hastaları büyük bir doğruluk oranı ile belirleyebilmiş ve yüksek risk ile ilişkili parametreleri kesim değerleri ile birlikte ortaya koyabilmiştir.
Özet (Çeviri)
Artificial intelligence technologies are increasingly integrated to a wide range of industries related to robotics, automation, image processing and natural language processing for their ability to evaluate growing quantity and diversity electronic records with high accuracy rapidly. Artificial intelligence-powered medical technologies, especially the applications on image processing, are rapidly evolving into applicable solutions in clinical practice. Applications combining clinical laboratory data and artificial intelligence are also expected to open a new horizon in medical sciences in near future. In this context, we developed models to predict the out- and inpatient follow-up prognosis along with all case and in-hospital mortality risk profiles by a conventional statistical method, logistic regression analysis, and by a decision tree-based machine learning algorithm, Classification and Regression Tree (CART) using routine biochemical test results at admission. For this aim routine biochemical test results of a total of 8036 rRT-PCRconfirmed COVID-19 cases weremodeled using traditional logistic regression analysis and CART algorithm after grouped according to prognosis and labeled as out- or in patient; in all cases as survivor or death; in hospital patients survivor or death. CART decision tree revealed thatin patients with COVID-19 the most effective parameters for the prediction of out-/in-patient follow-up prognosis of were CRP >31.45 mg/L, LDH >305.50 IU/L, and Ca+2 ≤8.225 mg/dL, respectively with accuracy 80.8%, sensitivity 91.4% and specificity 48.8%. The most effective parameters for the prediction of all case mortality were urea >62.65 mg/dL, LDH >359.5 IU/L, CRP >73.45 mg/dL and cTnI >33.39 pg/mL, respectively with accuracy 96.8%, sensitivity 99.5% and specificity 30.1%. The effective parameters for the prediction of in-hospital mortality were cTnI >33.06 pg/mL, urea >65.5 mg/dL, LDH >435.50 IU/L, and neutrophil count >5.78 x103/µL, respectively with accuracy 87.7%, sensitivity 96.2%, and specificity 42.1%. Our results confirm the opinion that machine learning applicationsseem to be more successful than conventional statistical methods in modeling nonlinear relationships in large data sets with various variables. All machine learning based decision tree models developed by CART algorithm were able to predict high-risk patients with a great accuracy for of outpatient-inpatient follow-up prognosis, all case and in-hospital mortality risk and, also, revealed the most effective parameters and their cut-off values.
Benzer Tezler
- Hafif COVID-19 enfeksiyonu geçiren hastalarda takipte kardiyak sorunların değerlendirilmesi
Evaluation of cardiac problems in follow-up in patients with mild COVID-19 infection
ABDULLAH ALVUROĞLU
Tıpta Uzmanlık
Türkçe
2022
KardiyolojiKaradeniz Teknik ÜniversitesiKardiyoloji Ana Bilim Dalı
PROF. DR. CİHAN ÖREM
- COVİD-19 tanılı hastalarda psikiaytrik belirtiler ve ilişkili faktörlerin değerlendirilmesi
Psychiatric symptoms and associated factors of COVİD-19 inpatients
SİVİ KUÇİ
Tıpta Uzmanlık
Türkçe
2021
PsikiyatriAnkara ÜniversitesiRuh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. BERKER DUMAN
- Covid-19 ve diğer viral enfeksiyon tanılı çocuklarda koagülopati değerlerinin karşılaştırılması
Comparison of coagulopathy values in children with covid-19 and other viral infections
FARAZ TALEBAZADEH
Tıpta Uzmanlık
Türkçe
2020
Çocuk Sağlığı ve HastalıklarıBezm-i Alem Vakıf ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. FATMA BETÜL ÇAKIR
- COVİD 19'lu hastaların serumunda ferritin transferrin ve hemogram (nötrofil lenfosit oranı ve ortalama trombosit hacmi/trombosit sayısı (MPV/PLT) oranı değerlerinin incelenmesi
Investigation of ferritin, transferrin and hemogram (neutrophil lymphocyte ratio and mean platelet volume/platelet number (MPV/PLT) ratio) in the serum of patients with COVİD 19
ILHAM SULAIMAN HAJI
Yüksek Lisans
Türkçe
2022
BiyokimyaHarran ÜniversitesiTıbbi Biyokimya Ana Bilim Dalı
PROF. DR. NİHAYET BAYRAKTAR
- Subklinik Cushing Syndrome diagnosed in patients COVID-19 disease navigation, mortality, morbidity rate functional non adrenal with patients with insidentalomcomparison
Subklinik Cushing Sendromu tanılı hastalarda COVID-19 hastalığının seyri, mortalite, morbidite oranın fonksiyonel olmayan adrenal insidentalomali hastalarla karşılaştırılması
NARMIN HUSEYNLI
Tıpta Uzmanlık
Türkçe
2023
Endokrinoloji ve Metabolizma HastalıklarıDokuz Eylül Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. ABDULLAH SERKAN YENER