Geri Dön

Temel klinik veriler ve laboratuvar parametreleri kullanılarak yapay zeka desteğiyle sepsis fenotiplerinin belirlenmesi

Identification of sepsis phenotypes with artificial intelligence using basic clinical data and laboratory parameters

PDF İndir

  1. Tez No: 879799
  2. Yazar: MEHMET ÇELİK
  3. Danışmanlar: PROF. DR. MUSTAFA KEMAL ARSLANTAŞ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Anestezi ve Reanimasyon, Anesthesiology and Reanimation
  6. Anahtar Kelimeler: Sepsis, Phenotyping, Artificial Intelligence, Machine Learning, Intensive Care
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Demiroğlu Bilim Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: Anesteziyoloji ve Reanimasyon Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 79

Özet

Giriş ve Amaç: Sepsis, enfeksiyona karşı düzensiz bir immün yanıtın neden olduğu organ disfonksiyonu ile karakterize, hayatı tehdit eden bir durumdur. Yüksek morbidite ve mortalite oranlarıyla yoğun bakım ünitelerinde önemli bir sorun olmaya devam etmektedir. Sepsis fenotiplemesi, hastaların klinik özelliklerini, tedaviye yanıtlarını ve prognozlarını daha iyi anlamayı ve potansiyel olarak kişiselleştirilmiş tedavi yaklaşımlarını mümkün kılmayı amaçlamaktadır. Yapay zeka tekniklerini kullanarak tam kan sayımı ve hemodinamik izlem verilerine dayanarak sepsis fenotiplerini belirlemek ve bu fenotiplerin klinik sonuçlar üzerindeki etkisini analiz etmek. Yöntem: Bu retrospektif çalışmada, 2008-2019 yılları arasında Beth Israel Deaconess Tıp Merkezi'nin yoğun bakım ünitelerinde tedavi gören 65.000'den fazla yetişkin hastanın verilerini içeren MIMIC-IV veritabanı kullanıldı. Sepsis-3 kriterlerine göre sepsis tanısı konulan hastalar çalışmaya dahil edildi. Hastaların demografik bilgileri, vital bulguları, laboratuvar sonuçları ve komorbiditeleri analiz edildi. Sepsis fenotiplerinin belirlenmesi için kümeleme analizi uygulandı. Fenotipler arasındaki farklılıklar Kruskal-Wallis ve χ2 testleriyle değerlendirilirken, 28 ve 90 günlük sağkalım analizleri Kaplan-Meier eğrileri ve Cox regresyon analizleriyle gerçekleştirildi. Bulgular: Makine öğrenimi teknikleri üç farklı fenotip belirledi. Ortalama trombosit ve lökosit sayıları gibi laboratuvar parametreleri bu fenotiplerin belirlenmesinde etkili oldu. Özellikle, yoğun bakıma kabulde yüksek trombosit sayısına sahip hastaların (Fenotip HP) daha yüksek mortalite riski gösterdiği, buna karşın normal sayıda trombosit sayısına sahip hastalarda (Fenotip NP) ise en düşük mortalite oranlarına sahip olduğu saptandı. Sonuç: Bu çalışma, erken dönem hemodinamik bulgular ve temel kan sayımı parametreleri kullanılarak belirlenen sepsis fenotipleri arasında mortalite, morbidite ve klinik sonuçlarda önemli farklılıklar olduğunu ortaya koydu. Makine öğrenimi teknikleriyle elde edilen fenotip sınıflandırması, hasta risk değerlendirmesinde ve kişiselleştirilmiş tedavi yaklaşımlarında kullanılabilir. Sepsis yönetiminde yapay zeka entegrasyonu, bu alandaki yenilikçi yaklaşımların öncüsü olarak ortaya çıkmakta ve gelecekteki araştırmalar için kritik bir dönüm noktası sunmaktadır. Anahtar Sözcükler: Sepsis, Fenotipleme, Yapay zeka, Makine öğrenmesi, Yoğun bakım

Özet (Çeviri)

Title: Identification of Sepsis Phenotypes with Artificial Intelligence Using Basic Clinical Data and Laboratory Parameters Introduction and Objective: Sepsis is a life-threatening condition characterized by organ dysfunction resulting from a dysregulated immune response to infection. It remains a major challenge in intensive care units with high morbidity and mortality rates. Sepsis phenotyping aims to better understand patients' clinical characteristics, treatment responses, and prognoses, potentially enabling personalized treatment approaches. To identify sepsis phenotypes using artificial intelligence techniques based on complete blood count and hemodynamic monitoring data, and to analyze the impact of these phenotypes on clinical outcomes. Methods: This retrospective study utilized the MIMIC-IV database, containing data for over 65,000 adult patients treated in the intensive care units of Beth Israel Deaconess Medical Center between 2008 and 2019. Patients diagnosed with sepsis according to Sepsis-3 criteria were included. Demographic information, vital signs, laboratory results, and comorbidities were analyzed. Clustering analysis was applied to identify sepsis phenotypes. Differences between phenotypes were evaluated using Kruskal- Wallis and χ2 tests, while 28- and 90-day survival analyses were performed using Kaplan-Meier curves and Cox regression analyses. Results: Machine learning techniques identified three distinct phenotypes. Laboratory parameters, such as mean platelet and leukocyte counts, were influential in determining these phenotypes. In particular, it was found that patients with high platelet counts (Phenotype HP) had a higher mortality risk at intensive care unit admission, whereas patients with normal platelet counts (Phenotype NP) had the lowest mortality rates. Conclusion: This study revealed significant differences in mortality, morbidity, and clinical outcomes among sepsis phenotypes identified using early hemodynamic findings and basic blood count parameters. The phenotype classification obtained through machine learning techniques may be utilized in patient risk assessment and personalized treatment approaches. The integration of artificial intelligence in sepsis management emerges as a pioneer for innovative approaches in this field and presents a critical turning point for future research.

Benzer Tezler

  1. Tez No

    70899

    Radiküler kist ve granülomların dijital histogram analizi ile ayırdedilmesi

    Differention of radicular cyst and granulomas with digital histogram analysis

    ÜLKEM AYDIN

    Doktora

    Türkçe

    Türkçe

    1998

    Diş HekimliğiGazi Üniversitesi

    Diş Hastalıkları ve Tedavisi Ana Bilim Dalı

    PROF. DR. TAYFUN ALAÇAM

  2. Tez No

    804185

    K vitamini ölçüm metodunun geliştirilmesi ve referans aralığının belirlenmesi

    Development of vitamin K measurement method and determination of reference range

    METİN DEMİREL

    Doktora

    Türkçe

    Türkçe

    2023

    BiyokimyaBezm-i Alem Vakıf Üniversitesi

    Tıbbi Biyokimya Ana Bilim Dalı

    PROF. DR. ŞAHABETTİN SELEK

  3. Tez No

    508510

    Klinik laboratuvarlarda veri yönetim sistemi ile referans aralık temelli veri analiz yöntemlerinin geliştirilmesi; Trabzon deneyimi

    Development of reference range based data analysis methods with data management system in clinical laboratories; Trabzon experience

    MUSTAFA TAT

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2018

    BiyokimyaKaradeniz Teknik Üniversitesi

    Tıbbi Biyokimya Ana Bilim Dalı

    PROF. DR. ASIM ÖREM

  4. Tez No

    229983

    Kronik obstrüktif akciğer hastalığında efor kapasitesinin belirlenmesinde bisiklet ergospirometrisiyle yapılan kardiyopulmoner egzersiz testinin altı dakika yürüme testiyle karşılaştırılması

    Comparison of cardiopulmonary exercise testing by cycle ergometry and six minute walking test in determination of exercise capacity in chronic obstructive pulmonary disease

    FATMA ÇİFTCİ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2008

    Göğüs HastalıklarıAnkara Üniversitesi

    Göğüs Hastalıkları Ana Bilim Dalı

    PROF. DR. SEVGİ BARTU SARYAL

  5. Tez No

    887649

    Development of microfluidic chip for impedance-based detection of liver cancer biomarkers

    Karaciğer kanseri biyobelirteçlerinin empedans bazlı tespiti için mikroakışkan çip geliştirilmesi

    ARDA DURER

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Biyoteknolojiİstanbul Teknik Üniversitesi

    Metalurji ve Malzeme Mühendisliği Ana Bilim Dalı

    PROF. DR. HÜSEYİN KIZIL

Geri Dön