Geri Dön

Kolorektal cerrahi sonra gelişen cerrahi alan enfeksiyonları için prediktif değerlerin incelenmesinde yapay zeka kullanımı

The use of artificial intelligence to analyze predictive values for surgical site infections after colorectal surgery

PDF İndir

  1. Tez No: 906655
  2. Yazar: ZÜLFİYE SÜMEYYE KALE
  3. Danışmanlar: DOÇ. DR. PINAR YAZICI
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Genel Cerrahi, General Surgery
  6. Anahtar Kelimeler: Kolorektal cerrahi, Cerrahi alan enfeksiyonu, Makine öğrenim modelleri, XGBoost, Karar ağacı, Cerrahi yara, Surgical wound
  7. Yıl: 2024
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: İstanbul Şişli Hamidiye Etfal Eğitim ve Araştırma Hastanesi
  11. Ana Bilim Dalı: Genel Cerrahi Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Kolorektal cerrahi (KRC), dünya çapında en yaygın cerrahi operasyonlardan biridir. Bununla birlikte, cerrahi alan enfeksiyonları (CAE) önemli bir komplikasyon olmaya devam etmekte olup, hastanede kalış sürelerinin uzamasına, sağlık maliyetlerinin artmasına ve hasta rahatsızlığına yol açmaktadır. Biz bu çalışmada, KRC sonrası CAE ile ilişkili faktörleri tahmin etmek için geleneksel lojistik regresyona ek olarak değişken makine öğrenimi modellerinin etkinliğini değerlendirmeyi amaçladık. Gereç- Yöntem: Kliniğimizde Ocak 2013 ve Ocak 2024 yılları arasında KRC uygulanan 738 hastadan demografik bilgiler, vücut kitle indeksi, laboratuvar sonuçları, operatif-postoperatif veriler ve CAE ile ilgili diğer değişkenleri içeren klinik veriler toplandı. Bu veriler SPSS kullanılarak analiz edildi ve karar ağacı, rastgele orman, XGBoost, Gradient Boost gibi Boost versiyonları ve LightGBM dahil olmak üzere farklı makine öğrenimi modelleri eğitim ve test seti kullanılarak değerlendirildi. Bulgular: XGBoost modeli CAE'yi tahmin etmede en yüksek doğruluk oranını ve pozitif prediktif değeri sergilemiştir (sırasıyla 0.910 ve 0.888). Duyarlılık ve F1 skoru ise en yüksek karar ağacı modelinde bulunmuştur (sırasıyla 0.774 ve 0.857). Geleneksel lojistik regresyon analizi (AUC: 0.760, %95 CI 0.727-0.790) ile karşılaştırıldığında dahi doğruluk oranı daha yüksek saptandı. Acil cerrahi (OR: 2.19, %95 CI 1.51-3.18), preoperatif ve postoperatif albümin <3 g/L (sırasıyla OR: 2.67, %95 CI 1.57-4.54, OR: 2.54, %95 CI 1.78-3.63), eritrosit süspansiyon replasmanı ve parenteral beslenme ihtiyacı (sırasıyla OR: 3.04, %95 CI 2.14-4.32, OR: 2.96, %95 CI 1.99-4.41) KRC sonrası CAE için daha belirgin risk faktörleriydi. Sonuç: Bu bulgular ışığında makine öğrenim modellerinin KRC sonrası CAE için risk faktörlerini öngörmede başarılı olduğu görülmektedir. Tüm modeller AUC değerinin yüksek olmasıyla geleneksel lojistik regresyonundan daha iyi başarı gösterdi. Yapay zeka modelleri klinisyenler için karar desteği sağlayarak kişiselleştirilmiş CAE önleme stratejilerini uygulama hakkında yol göstericidir fakat ideal model geliştirmek için daha geniş kapsamlı çalışmalara ihtiyaç vardır.

Özet (Çeviri)

Background and aim: Colorectal surgery (CRS) is one of the most common surgical operations worldwide. However, surgical site infections (SSI) remain a significant complication, leading to prolonged hospital stay, increased healthcare costs, and patient discomfort. Therefore, this study aimed to utilize variable machine learning models, in addition to traditional logistic regression, to predict factors associated with SSI following CRS. Methods: Between January 2003 and January 2024, clinical data including demographic information body mass index, laboratory results, operative-postoperative data and other relevant variables for SSI were collected from 738 patients who underwent CRS. In addition to logistic regression analysis using SPSS, by running the trained model on the test set, we evaluated the accuracy, precision, recall, F1 score of different machine learning models including decision tree, random forest, LightGBM, Gradient Boost, XGBoost, AdaBoost, CatBoots. Results: The XGBoost model was found to have the highest accuracy and precision in predicting SSI (0.910 and 0.888, respectively) followed by CatBoost and other Boost techniques. But sensitivity was lower in Boost models while decision tree was found with highest F1 score and sensitivity (0.857 and 0.774). Accuracy rate was higher when compared to the traditional Logistic Regression Analysis (AUC :0.760 %95 CI 0.727-0.790). Emergency surgery (OR: 2.19, 95% CI 1.51–3.18), preoperative and postoperative albumin <3 g/L (OR: 2.67, 95% CI 1.57–4.54, OR: 2.54, 95% CI 1.78–3.63, respectively), need for red blood cell and parenteral nutrition (OR: 3.04, 95% CI 2.14–4.32, OR: 2.96, 95% CI 1.99–4.41, respectively) were more prominent risk factors for SSI after CRS. Conclusions: These findings indicate that machine learning models appear to be successful in predicting risk factors for SSI after CRS. All models performed better than traditional logistic regression, with higher AUC values. Artificial intelligence-based models can serve as clinical decision support tools for clinicians, helping to develop personalized SSI prevention strategies. However, further comprehensive studies are needed to develop the ideal model. Keywords Colorectal surgery, Surgical Site infection, Machine learning models, XGBoost, Decision Tree

Benzer Tezler

  1. Tez No

    1021308

    Elektif abdominal cerrahilerde perioperatif çoklu ilaca dirençli bakteri kolonizasyonu, cerrahi profilaksi ve cerrahi alan enfeksiyonlarının değerlendirilmesi

    Evaluation of perioperative multidrug-resistant bacterial colonization, surgical prophylaxis, and surgical site infections in elective abdominal surgeries

    AFİFE ZEYNEP YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2026

    Enfeksiyon Hastalıkları ve Klinik MikrobiyolojiAnkara Üniversitesi

    Enfeksiyon Hastalıkları ve Klinik Mikrobiyoloji Ana Bilim Dalı

    PROF. DR. İSMAİL BALIK

  2. Tez No

    999438

    Rektum kanserinde mekanik kolorektal anastomozlarda saptırıcı ostomiler ve komplikasyonları: Retrospektif çalışma

    Diverting ostomies and their complications in mechanical colorectalanastomosis for rectum cancer: Retrospective study

    BAHADIR ÖNDEŞ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2016

    Genel CerrahiSağlık Bakanlığı

    Genel Cerrahi Ana Bilim Dalı

    DR. NİYAZİ KARAMAN

  3. Tez No

    896129

    Kolorektal kanser tanısı alan hastaların demografik özellikleri ve nüks/metastaz durumunu etkileyen faktörler

    Demographic characteristics of patients diagnosed with colorectal cancer and factors affecting recurrence/metastasis status

    SEDEF ŞEYMA ÖZGÜR

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    OnkolojiMarmara Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. İBRAHİM VEDAT BAYOĞLU

    DOÇ. DR. MURAT SARI

  4. Tez No

    86906

    İleostomi ve kolostomi kapatılması komplikasyonları

    The Complications of ileostomy and colostomy closure

    TARIK KUZHAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    1999

    Genel CerrahiDokuz Eylül Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    PROF. DR. MEHMET FÜZÜN

  5. Tez No

    1014002

    Major abdominal kanser cerrahisinde perioperatif kısa dönem derin ven trombozu profilaksisi: Retrospektif kohort çalışması

    Perioperative short term prophylaxis against deep vein thrombosis after major abdominal cancer surgery: Retrospective cohort study

    NURAY ÇOLAPKULU AKGÜL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Genel Cerrahiİstanbul Medeniyet Üniversitesi

    Genel Cerrahi Ana Bilim Dalı

    PROF. DR. ORHAN ALİMOĞLU

Geri Dön