Geri Dön

Anti-Nükleer Antikor (ANA) pozitifliği tespit edilen hastaların sınıflandırılmasında yapay zeka yöntemlerinin etkinliği

Başlık çevirisi mevcut değil.

PDF İndir

  1. Tez No: 905700
  2. Yazar: BURCU BOSNALI
  3. Danışmanlar: PROF. DR. VELİ YAZISIZ
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: İç Hastalıkları, Internal diseases
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Akdeniz Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: İç Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 86

Özet

Amaç: Yapay zekâ modellemelerinin tıp alanında kullanımı zamanla daha fazla önem kazanmaktadır. Bu çalışmada, antinükleer antikor (ANA) pozitifliği tespit edilen hastaların diğer laboratuvar belirteçlerini de kullanılarak, yapay zeka derin öğrenme yönteminin, laboratuvar verilerine dayalı olarak bağ doku hastalıklarını (BDH) sınıflandırma performansının araştırılması amaçlanmıştır. Metot: Çalışmanın grubu, Akdeniz Üniversitesi Romatoloji Polikliniği'ne 2014-2024 yılları arasında başvuran ve ANA pozitifliği saptanmış 597 (%90) kadın, 66 (%10) erkek toplam 663 kişiden oluşmaktadır. Hastaların ortalama yaşları 49.1±13.6 (Min-max: 18-88) yıldır. Çalışma grubundaki hastaların 121'i Sistemik lupus eritematozus (SLE), 132'si Sjögren sendromu (SjS), 121'i Romatoid artrit (RA), 97'si Sistemik skleroz (SSk), 4'ü Polimiyozit (PM), 9'u Dermatomiyozit (DM), 5'i Miks bağ doku hastalığı, (MBDH), 85'i undiferansiye bağ doku hastalığı (UBDH) tanısına sahiptir ve 89'u tanı konulamayan gruptadır. Bulgular: Tüm hastaların sınıflandırılmasında, en başarılı model, Bayes Network (Bayes Ağı) olmuş, doğruluk oranı %93.1, sensitivite %77.7 ve spesifite %96.0 hesaplanmıştır. SLE'yi ayırt etmede en başarılı sınıflandırıcı model Locally Weighted Learning doğruluk oranı %93.4; SjS için Logistic Model Trees, doğruluk oranı %91.4; RA için AdaBoostM, doğruluk oranı %95.2; SSk için Sequential Minimal Optimization, doğruluk oranı %92.0 bulunmuştur. SLE, SjS, RA ve SSk için sensitivite ve spesifisite oranları sırasıyla %69.4, %72.0, %78.5 ve %75.3 ile %98.7, %96.2, %98.9 ve %94.9 bulunmuştur. ROC analizlerinde, grupların genel dağılımında ROC alanı %95.6, her bir hastalığı ayırt etmede en yüksek değer %99.1 ile RA, en düşük %85.1 SSk için bulunmuştur. Sonuç: Birçok klinikte kolaylıkla ulaşılabilen laboratuvar tetkiklerinin sonuçlarına dayalı olmasına rağmen yapay zeka modellerinin yüksek doğruluk oranları ile ANA pozitifliği olan hastaları sınıflandırmada başarılı olduğu tespit edilmiştir. Yapay zeka bazlı yaklaşımların, otoimmün hastalıkların tanısal süreçlerinde, daha doğru ve daha hızlı sonuç vererek, klinisyenlere yardımcı olma potansiyelinin olduğu görülmektedir.

Özet (Çeviri)

Aim: The use of artificial intelligence models in the medical field is gaining more importance over time. In this study, it was aimed to investigate the classification performance of the artificial intelligence deep learning method in connective tissue diseases (CTD) based on laboratory data, using other laboratory markers of patients with antinuclear antibody (ANA) positivity. Method: The study group consisted of a total of 663 patients with ANA positive, 597 female (90%) and 66 male (10%), who applied to Akdeniz University Rheumatology clinic between 2014 and 2024. The average age of the patients is 49.1 ± 13.6 years (Min-Max: 18-88). In the study group, 121 patients have Systemic Lupus Erythematosus (SLE), 132 have Sjögren's Syndrome (SjS), 121 have Rheumatoid Arthritis (RA), 97 have Systemic Sclerosis (SSc), 4 have Polymyositis (PM), 9 have Dermatomyositis (DM), 5 have Mixed Connective Tissue Disease (MCTD), 85 have Undifferentiated Connective Tissue Disease (UCTD), and 89 are in the undiagnosed group. Results: In the classification of all patients, the most successful model was Bayes Network with an accuracy rate of 93.1%, sensitivity of 77.7% and specificity of 96.0%. The most successful model in distinguishing SLE was Locally Weighted Learning with an accuracy rate of 93.4%; Logistic Model Trees for SjS with an accuracy rate of 91.4%; AdaBoostM for RA with an accuracy rate of 95.2%; and Sequential Minimal Optimization for SSk with an accuracy rate of 92.0%. Sensitivity and specificity rates for SLE, SjS, RA and SSk were found to be 69.4%, 72.0%, 78.5%, 75.3% and 98.7%, 96.2%, 98.9%, 94.9%, respectively. In ROC analyses, the ROC area in the general distribution of the groups was 95.6%, the highest value in distinguishing was 99.1% for RA and the lowest was 85.1% for SSc. Conclusion: Although it is based on the results of laboratory tests that can be accessed in many clinics, it has been determined that artificial intelligence models are successful in classifying patients with ANA positivity with high accuracy rates. It is seen that artificial intelligence-based approaches have the potential to assist clinicians in the diagnostic processes of autoimmune diseases by providing more accurate and faster results.

Benzer Tezler

  1. Tez No

    860806

    Juvenil idiopatik artrit tanılı hastaların klinik, laboratuvar ve tedavi izleminin değerlendirilmesi

    Evaluation of clinical, laboratory, and treatment follow-up of patients diagnosed with juvenile idiopathic arthritis

    ÖZGE DEMİRTAŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Çocuk Sağlığı ve HastalıklarıPamukkale Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. SERKAN TÜRKUÇAR

  2. Tez No

    840148

    Bir üniversite hastanesinde eklem ağrısı şikayeti ile başvuran hastalarda otoimmün hastalık tanısına yönelik kullanılan immünolojik ve hematolojik parametrelerin irdelenmesi

    Analysis of immunologic and haematological parameters for diagnosis of autoimmun diseases in patients with joint pains in a university hospital

    BEYZA KESKİN DOĞAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    MikrobiyolojiTekirdağ Namık Kemal Üniversitesi

    Tıbbi Mikrobiyoloji Ana Bilim Dalı

    PROF. DR. NURİ KİRAZ

  3. Tez No

    156514

    Çocukluk çağı inflamatuvar bağırsak hastalığı: Klinik, laboratuvar ve endoskopik bulguları, tedavi ve uzun süreli izlemi

    Başlık çevirisi yok

    MAKBULE EREN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2004

    Beslenme ve DiyetetikHacettepe Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    PROF. DR. NURTEN KOÇAK

  4. Tez No

    683399

    İnterstisyel akciğer hastalığı ile yönlendirilen hastaların romatolojik değerlendirme sonuçlarının retrospektif olarak incelenmesi

    Retrospective analysis of rheumatologic evaluation results of the patient referred with i̇nterstitial lung disease

    AYNUR KAMBUROĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    RomatolojiBursa Uludağ Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. YAVUZ PEHLİVAN

  5. Tez No

    844083

    Sağlık Bilimleri Üniversitesi Haydarpaşa Numune Eğitim ve Araştırma hastanesi deri ve zührevi hastalıklar polikliniği'ne başvuran ve morfea tanısı alan hastaların histopatolojik, klinik, laboratuvar ve tedavi parametrelerinin retrospektif değerlendirilmesi

    Retrospective evaluation of histopathological, clinical, laboratory and treatment parameters of patients who diagnosed with morphea and admitted to the dermatology and venereology polyclinic of the University of health sciences Haydarpaşa Numune training and Research Hospital

    EMİRHAN KANDEMİR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    DermatolojiSağlık Bilimleri Üniversitesi

    Deri ve Zührevi Hast. Ana Bilim Dalı

    PROF. DR. ŞİRİN YAŞAR

Geri Dön