Geri Dön

Yüksek LDL düzeyi olan hastalarda aterosklerotik kardiyovasküler hastalık riskinin yapay zekâ yardımıyla belirlenmesi

Artificial intelligence assisted risk assessment of atherosclerotic cardiovascular disease in patients with elevated low-density lipoprotein cholesterol levels

PDF İndir

  1. Tez No: 937218
  2. Yazar: HAKAN ÖMER KARATAŞ
  3. Danışmanlar: PROF. DR. ALİ SERDAR FAK
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: İç Hastalıkları, Internal diseases
  6. Anahtar Kelimeler: Hiperkolesterolemi, Hypercholesterolemia
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Marmara Üniversitesi
  10. Enstitü: Tıp Fakültesi
  11. Ana Bilim Dalı: İç Hastalıkları Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

LDL-Kolesterol (LDL-K) düzeyi 190 mg/dL'nin üzerinde olan bireylerin artmış kardiyovasküler (KV) riske sahip oldukları bilinmekle birlikte, bu riske katkıda bulunan faktörler literatürde net olarak tanımlanmamıştır. Geleneksel KV risk hesaplama algoritmalarının bu hasta grubunda riski gerçekten daha düşük hesapladığı bilinmektedir. Çalışmamızda, LDL-kolesterol düzeyi 190 mg/dl'nin üzerinde olan hastalar arasında ASKVH geçirmiş bireyler ile geçirmemiş bireyler arasındaki farkları tespit ederek, bu bireyler için hangi faktörlerin ek riskler oluşturduğunun ortaya koyulması amacıyla yapay zekâ temelli makine öğrenmesi algoritmaları geliştirilmiştir. Çalışmaya, 01.03.2014 - 01.03.2025 tarihleri arasında Marmara Üniversitesi Pendik Eğitim ve Araştırma Hastanesi polikliniklerinde yapılan kan tetkiklerinde serum LDL-K düzeyi 190 mg/dL'nin üzerinde tespit edilen 40-80 yaş aralığındaki hastalara ulaşılmış, çalışmaya katılmak için gönüllü olan hastalar çalışmaya dahil edilmiştir. Hastaların klinik özgeçmişleri, biyokimyasal parametreleri, antropometrik ölçüleri, yaşam tarzı faktörleri ve aile öykülerine ilişkin veriler hastane bilgi yönetim sistemi ve hasta dosyalarından edinilmiştir. Hastalar sahip oldukları ASKVH'nin klinik semptom veya bulgu oluşturma durumuna göre subklinik, klinik ve her iki durumu da içeren tüm ASKVH olmak üzere üç alt gruba ayrılmıştır. Çalışmamızda ASKVH olan ve olmayan hastaların ayrımında yararlanılabilecek faktörleri belirlemeyi amaçlayan lojistik regresyon, CatBoost, LightGBM, rastgele orman ve XGBoost modelleri geliştirilmiştir. Modellerin eğitimi için 196 olgudan oluşan bir eğitim seti kullanılmış, test aşamasında ise 50 olgudan oluşan bir test seti ile değerlendirme yapılmıştır. Elde edilen verilerin istatistiksel analizi ve yapay zeka temelli modellerin geliştirilmesi sürecinde Python 3.13.2 veri bilimi ekosistemi kapsamındaki temel kütüphanelerden yararlanılmıştır. İstatistiksel olarak anlamlılık için P değerinin <0,05 olması kabul edilmiştir. Çalışmaya toplam 246 hasta katılmış olup, medyan yaş 54 (48-60)'tür. Katılımcıların 69'u (%28) erkek, 177'si (%72) ise kadındır. Hastaların 37'sinin (%15) subklinik, 30'unun (%12,1) klinik, 67'sinin (%27,2) ise herhangi bir ASKVH'ı mevcuttu. Klinik ASKVH'si olan ve ASKVH'si olmayan hastaların ayrımında yararlanılan modellerden CatBoost 0.894, lojistik regresyon 0.886, XGBoost 0.860, LightGBM ise 0.845 AUROC değeri elde etmiştir. ASKVH'si olmayan hastalar ile subklinik ASKVH ayrımında yararlanılan modeller arasında LightGBM 0.756, CatBoost ise 0.619 AUROC değerine sahipti. ASKVH'si olmayan hastalar ile herhangi bir ASKVH'si olan hastaların ayrımında XGBoost, 0.644 AUROC değeriyle öne çıkmaktaydı. Modellerimizde, ASKVH'li ve ASKVH'siz hastaları ayırt eden ortak faktörler arasında STOP-BANG skoru, yaş, hipertansiyon, trigliserid düzeyi, lökosit ve nötrofil sayısı, vücut kitle indeksi, kreatinin, Hba1c, apolipoprotein B seviyeleri, FIB-4 skoru, total kolesterol/HDL kolesterol oranı gibi parametrelerin yanı sıra, periferik nabızlardan en az birinin alınamaması veya karotis arterde sistolik üfürüm saptanması gibi fizik muayene bulgularının da yer aldığı gözlenmiştir. Çalışmamızda, obstrüktif uyku apnesi sendromu (OUAS) taramasında kullanılan STOP-BANG skorunun, klinik ASKVH'si olan hastaların ASKVH'si olmayan hastalardan ayırt edilmesinde en belirleyici faktör olduğu tespit edilmiştir. Literatürde hipertansiyon üzerindeki etkileriyle bilinen OUAS, hiperkolesterolemik hastalarda primer tedavi kararları alınırken göz önünde bulundurulması gereken bir risk belirleyici faktör olabilir. İleri yaş, hipertansiyon ve yüksek Apolipoprotein B seviyeleri gibi geleneksel KV risk hesaplama algoritmalarında yer alan faktörlerin yanı sıra, kronik inflamasyon düşündürebilecek lökosit ve nötrofil sayısı, azalmış glomerüler filtrasyon hızıyla ilişkili kreatinin ve çeşitli metabolik problemleri yanında getiren artmış vücut kitle indeksi modellerin birçoğunda ASKVH ayırt edici faktör olarak öne çıkmaktadır. Ayrıca, FIB-4 skoru ve rezidüel KV risk ile ilişkilendirilmiş trigliserid seviyeleri gibi değişkenlerin, klinik ASKVH'si olanları ayırt etmede önemli olabileceği görülmüştür. Bulgularımız, çok yüksek LDL-K düzeyleri gibi tek bir yüksek risk faktörü olan bir popülasyonda, ikincil risk faktörlerinin çeşitli kardiyometabolik yolaklar aracılığıyla oluşabileceğini göstermektedir. Çalışmamızda belirlenen parametrelerin, daha geniş bir hasta grubunda prospektif kohort çalışmalarında değerlendirilmesi, kardiyovasküler risk tahminine yönelik algoritmaların geliştirilmesine katkı sağlayabilir. Böylece, bu hasta grubunda takip ve tedavi kararlarının daha etkin ve kanıta dayalı şekilde verilmesi mümkün olabilir.

Özet (Çeviri)

Although it is well-established that individuals with LDL cholesterol (LDL-C) levels above 190 mg/dL are at an increased cardiovascular (CV) risk, the factors contributing to this risk are not clearly defined in the literature. It is known that traditional cardiovascular risk calculation algorithms tend to underestimate the risk in this patient group. In our research, we developed artificial intelligence-based machine learning algorithms to identify additional risk factors in individuals with LDL-C levels exceeding 190 mg/dL, by differentiating between those who have experienced Atherosclerotic Cardiovascular Disease (ASCVD) and those who have not. The study included patients aged 40-80 years whose serum LDL-C levels were identified as above 190 mg/dL between 01.03.2014 and 01.03.2025, and who voluntarily participated in the study. Clinical histories, biochemical parameters, anthropometric measurements, lifestyle factors, and family history data of the patients were obtained from the hospital's information management system and patient records. Patients were classified into three subgroups based on their ASCVD status: subclinical, clinical, and a combined group of both clinical and subclinical ASCVD. Logistic regression, CatBoost, LightGBM, random forest, and XGBoost models were developed to identify factors that can differentiate between ASCVD and non-ASCVD patients. A training set consisting of 196 cases and a test set consisting of 50 cases were used for model evaluation. Python 3.13.2 data science ecosystem libraries were used for statistical analysis and the development of artificial intelligence models. Statistical significance was set at a p-value of <0.05. A total of 246 patients participated in the study, with a median age of 54 (48-60). Of the participants, 69 (28%) were male, and 177 (72%) were female. Thirty-seven patients (15%) had subclinical ASCVD, 30 (12.1%) had clinical ASCVD, and 67 (27.2%) had any form of ASCVD. Among the models used for distinguishing between patients with clinical ASCVD and those without, CatBoost achieved an AUROC of 0.894, logistic regression 0.886, XGBoost 0.860, and LightGBM 0.845. In differentiating between non-ASCVD patients and those with subclinical ASCVD, LightGBM achieved an AUROC of 0.756, while CatBoost showed 0.619. In differentiating between non-ASCVD patients and any ASCVD patients, XGBoost had an AUROC of 0.644. Common factors identified by our models for distinguishing between ASCVD and non-ASCVD patients included the STOP-BANG score, age, hypertension, triglyceride levels, leukocyte and neutrophil counts, body mass index, creatinine, HbA1c, apolipoprotein B levels, FIB-4 score, total cholesterol/HDL cholesterol ratio, and physical examination findings such as the inability to measure peripheral pulses or the presence of systolic murmur in the carotid artery. Our study found that the STOP-BANG score used in the screening for obstructive sleep apnea syndrome (OSAS) was the most significant factor in distinguishing between patients with clinical ASCVD and those without. OSAS, known for its effects on hypertension in the literature, may be considered an important risk modifier in making primary treatment decisions for hypercholesterolemic patients. In addition to traditional cardiovascular risk factors such as advanced age, hypertension, and high apolipoprotein B levels, markers of chronic inflammation such as leukocyte and neutrophil counts, creatinine and increased body mass index, which is linked to various metabolic issues, were identified as distinguishing factors in several models. Furthermore, variables like the FIB-4 score used for predicting MAFLD and triglyceride levels associated with residual CV risk were found to be significant in differentiating patients with clinical ASCVD among those with LDL ≥ 190 mg/dL. Our findings suggest that in a population with a single high-risk factor like very high LDL-C levels, secondary risk factors may emerge through various cardiometabolic pathways. The parameters identified in our study could contribute to the development of cardiovascular risk prediction algorithms if evaluated in prospective cohort studies with a larger patient population. This could enable more effective and evidence-based decisions in the follow-up and treatment of this patient group.

Benzer Tezler

  1. Tez No

    324055

    Dislipidemi'de endokrin hastalık sıklığının araştırılması

    Investigation of endocrine disease frequency in dyslipidemia

    VOLKAN ASLAN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2012

    Endokrinoloji ve Metabolizma HastalıklarıAtatürk Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. GÜNGÖR AKÇAY

  2. Tez No

    251

    Bir ilaç fabrikasında personel gereksinmesinin belirmesi seçilmesi ve elde tutulmasına yönelik bir uygulama çalışması

    Başlık çevirisi yok

    EMİNE BOZBAĞ

    Yüksek Lisans

    Türkçe

    Türkçe

    1989

    İşletmeİstanbul Üniversitesi

    Çalışma Ekonomisi ve Endüstri İlişkileri Ana Bilim Dalı

    PROF. DR. TUĞRAY KAYNAK

  3. Tez No

    201

    Çimentonun sertleşmesi üzerinde kimyasal komponentlerin etkisi

    Başlık çevirisi yok

    NACİYE TÜRKEL

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Kimya MühendisliğiUludağ Üniversitesi

    Kimya Ana Bilim Dalı

    PROF. DR. MUSTAFA CEBE

  4. Tez No

    302

    Halvetiyyenin Şa'baniyye kolu ve Şa'ban-ı Veli

    Başlık çevirisi yok

    L. NİHAL YAZAR

    Yüksek Lisans

    Türkçe

    Türkçe

    1985

    Türk Dili ve EdebiyatıGazi Üniversitesi

    YRD. DOÇ. DR. ABDÜLKERİM ABDÜLKADİROĞLU

  5. Tez No

    202

    Bazı esterlerin kinetik incelenmesi ve termodinamik parametrelerin belirlenmesi

    Kinetic study and detesmination of thermodnamic parameters of some esters

    İBRAHİM TAŞ

    Yüksek Lisans

    Türkçe

    Türkçe

    1986

    Kimya MühendisliğiUludağ Üniversitesi

    Kimya Ana Bilim Dalı

    PROF. DR. MUSTAFA CEBE

Geri Dön