Erken neonatal sepsisi öngörmede laktat ve sistemik inflamatuar belirteçlerin makine öğrenimine dayalı yararlılığının değerlendirilmesi
Evaluation of the utility of lactate and systemic inflammatory markers based on machine learning for predicting early neonatal sepsis
- Tez No: 942714
- Danışmanlar: PROF. DR. ŞİRİN GÜVEN
- Tez Türü: Tıpta Uzmanlık
- Konular: Çocuk Sağlığı ve Hastalıkları, Child Health and Diseases
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Sancaktepe Şehit Prof.Dr. İlhan Varank Eğitim ve Araştırma Hastanesi
- Ana Bilim Dalı: Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 73
Özet
Amaç: Bu çalışmanın amacı, erken başlangıçlı neonatal sepsisin tanısında kullanılabilecek yapay zekâ temelli bir model geliştirmek, bu modelin öngörü performansını değerlendirmek ve yapay zekanın klinik karar destek sistemlerine entegrasyon potansiyelini ortaya koymaktır. Gereç ve Yöntem: Bu çalışma, retrospektif ve gözlemsel bir tasarıma sahiptir. Ocak 2020 ile Kasım 2024 tarihleri arasında kliniğimizde takip edilen 738 yenidoğanın (589 sepsisli, 149 sepsis olmayan) demografik, perinatal, maternal bilgileri ile klinik ve laboratuvar verileri analiz edilmiştir. Modelleme sürecinde yapay sinir ağı (ANN) ve lojistik regresyon (LR) algoritmaları kullanılmış; sınıf dengesizliği random oversampling yöntemiyle giderilmiştir. Model performansı F1 skoru, genel doğruluk ve dengeli doğruluk ölçütleriyle değerlendirilmiştir. Bulgular: Sınırlı özellik kümesiyle yapılan ilk modelleme yetersiz performans göstermiştir. Genişletilmiş veri kümesiyle eğitilen ANN modeli F1 skoru 0.9818, doğruluk %97.07 ve dengeli doğruluk %94.44 ile en yüksek başarıyı göstermiştir. LR modeli yalın veriyle daha stabil çalışmış; F1 skoru 0.9803, doğruluk %96.85 ve dengeli doğruluk %94.71 olarak hesaplanmıştır. Önem derecesi analizine göre en belirleyici değişkenler arasında CRP, albümin, prokalsitonin, doğum haftası, doğum tartısı, EMR öyküsü, Apgar skoru ve gastrointestinal sistem semptomları yer almıştır. Modelin klinik semptomlara verdiği ağırlık incelendiğinde, gastrointestinal semptomlar (örn. beslenme güçlüğü, karın şişliği) en güçlü pozitif prediktör olarak öne çıkarken; takipne, apne, retraksiyon gibi solunum semptomları ve solukluk, akrosiyanoz gibi cilt bulguları da anlamlı katkı sağlamıştır. En belirgin negatif prediktör ise asemptomatik olma durumu olmuş; bu durum modelin klinik sezgiyle uyumlu biçimde öğrenme gerçekleştirdiğini ortaya koymuştur. Ayrıca nötrofil, monosit, lenfosit düzeyleri ile NLR, MLR ve SII gibi immünolojik oranlar da modele anlamlı katkı sağlamıştır. Laktat düzeyi tek başına sınırlı bir öngörü gücüne sahip olmakla birlikte, diğer değişkenlerle birlikte değerlendirildiğinde tanı başarısını artırmıştır. Sonuç: Yapay sinir ağı modeli, erken neonatal sepsis tanısında yüksek doğruluk oranları ve klinik sezgiyle uyumlu öğrenme çıktıları sayesinde, pratikte uygulanabilir güçlü bir karar destek aracı olarak değerlendirilmektedir. Ancak modelin genellenebilirliğini değerlendirmek amacıyla çok merkezli, prospektif ve açıklanabilir yapay zeka teknikleriyle desteklenen ileri çalışmalar gereklidir.
Özet (Çeviri)
Aim: The aim of this study is to develop an artificial intelligence-based model for the diagnosis of early-onset neonatal sepsis, evaluate its predictive performance, and explore the potential integration of such a model into clinical decision support systems. Materials and Methods: This is a retrospective and observational study. Clinical, perinatal, maternal, and laboratory data from 738 neonates (589 with sepsis, 149 without) admitted to our clinic between January 2020 and November 2024 were analyzed. Artificial neural network (ANN) and logistic regression (LR) algorithms were used for model development. Class imbalance was addressed using random oversampling techniques. Model performance was evaluated using F1 score, accuracy, and balanced accuracy metrics. Results: Initial modeling using only limited features (perinatal and maternal data with early lactate) yielded poor classification performance. When a more comprehensive feature set was used, the ANN model achieved the highest performance with an F1 score of 0.9818, accuracy of 97.07%, and balanced accuracy of 94.44%. The LR model performed more stably with simpler data, achieving an F1 score of 0.9803, accuracy of 96.85%, and balanced accuracy of 94.71%. Feature importance analysis revealed that CRP, albumin, procalcitonin, gestational age, birth weight, Apgar scores, EMR history, and gastrointestinal symptoms were among the strongest predictors.Evaluation of clinical symptoms showed that gastrointestinal manifestations (e.g., feeding difficulty, abdominal distension) were the most influential positive predictors, followed by respiratory symptoms (e.g., tachypnea, apnea, retractions) and skin signs (e.g., pallor, acrocyanosis). The absence of symptoms (asymptomatic status) was identified as the strongest negative predictor, indicating that the model learned patterns consistent with clinical intuition. Additionally, neutrophil, monocyte, and lymphocyte count and derived immunological indices such as NLR, MLR, and SII contributed significantly to the model's predictions. Although lactate alone had limited discriminative power, it provided meaningful diagnostic value when used in conjunction with other parameters. Conclusion: The ANN model developed in this study demonstrated high diagnostic accuracy and the ability to prioritize biologically and clinically relevant features. These findings suggest that the model could serve as a powerful early decision support tool in neonatal intensive care settings. However, further prospective, multicenter, and explainable AI-based studies are needed to validate its generalizability and ensure safe clinical implementation.
Benzer Tezler
- Doğu Karadeniz Bölgesi'ndeki amatör balıkçılığın sosyo ekonomik analizi
Socio-economic analysis of amateur fishing in the Eastern Black Sea region
MUHAMMET KARAPİÇAK
Yüksek Lisans
Türkçe
2015
Balıkçılık TeknolojisiOrdu ÜniversitesiBalıkçılık Teknolojisi Mühendisliği Ana Bilim Dalı
DOÇ. DR. MEHMET AYDIN
- Gebeliğin erken döneminde real - time ultraşal
Başlık çevirisi yok
MEHMET DEMİR
Tıpta Uzmanlık
Türkçe
1982
Kadın Hastalıkları ve DoğumAkdeniz ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
- Erken neonatal dönemde lökosit dinamikleri
Başlık çevirisi yok
BÜLENT GÖL
Tıpta Uzmanlık
Türkçe
1987
Çocuk Sağlığı ve HastalıklarıAkdeniz ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
- Onkojenik Hpv genotiplerinin Pcr-elisa yöntemi ile saptanması
Detection of oncogenic hpv genotypes by Pcr-Elisa assay
ALPER KANDİŞER
Tıpta Uzmanlık
Türkçe
2007
MikrobiyolojiAkdeniz ÜniversitesiTıbbi Mikrobiyoloji Ana Bilim Dalı
PROF. DR. MERAL GÜLTEKİN