Geri Dön

Biyokimyasal parametreler kullanılarak makine öğrenmesi ile yoğun bakım hastalarında mortalite tahmin modelinin geliştirilmesi

Development of a mortality prediction model for intensive care unit patients using machine learning based on biochemical markers

  1. Tez No: 942716
  2. Yazar: BİLGE SU GELBAL
  3. Danışmanlar: DOÇ. DR. CEMAL KAZEZOĞLU
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Biyokimya, Biochemistry
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Hamidiye Tıp Fakültesi
  11. Ana Bilim Dalı: Tıbbi Biyokimya Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 131

Özet

Amaç: Yoğun bakım üniteleri kritik durumdaki hastaların tedavi edildiği, yüksek mortalite ve maliyete sahip hastane bölümleridir. Mortalite tahmininin erken dönemde ve doğru şekilde yapılması klinisyenleri tedavi yaklaşımı açısından yönlendirici olup mortalite oranını ve maliyeti düşürmektedir. Çalışmamızda yoğun bakım hastalarında mortalite tahmini yapabilen makine öğrenmesi modelleri geliştirmek, modellerin performansını değerlendirmek ve geleneksel olarak kullanılan Akut Fizyolojik ve Kronik Sağlık Değerlendirmesi II (APACHE II) skoru ile performans karşılaştırması yapmak amaçlanmıştır. Gereç ve Yöntem: Çalışmamız retrospektif ve tek merkezli olarak tasarlandı. Yoğun bakımda yatışı olan 2.686 hastanın verileri kullanıldı. Değişken olarak 69 farklı laboratuvar parametresi, yaş ve cinsiyet dahil edildi. Veri seti eğitim (%80) ve test (%20) grubu olacak şekilde ayrıldı. Farklı makine öğrenmesi modelleri geliştirildi ve en başarılı iki model belirlendi. Modellerin açıklanabilirliği için özellik önemi incelendi. APACHE II skorunun performansı hesaplandı ve makine öğrenmesi modelleri ile karşılaştırıldı. Bulgular: Geliştirilen makine öğrenmesi modellerinin 6'sı 0,90 ve üzeri eğri altında kalan alan (AUC) değerleri ile yüksek başarı elde etmişlerdir. Modellerin AUC değerleri, karşılaştırma için kullanılan Kukla modeli hariç 0,76-0,94 arasında yer almaktadır. En iyi performansa sahip iki model Hafif Gradyan Arttırma Makinesi (LightGBM) ve Ekstra Ağaçlar (ET) olarak saptanmıştır. Sırasıyla LightGBM, ET ve APACHE II için AUC değerleri 0,94, 0,93 ve 0,77; doğruluk 0,88, 0,88 ve 0,77 şeklindedir. Sonuç: Çalışmamız makine öğrenmesi yöntemlerinin geleneksel yöntemlere göre daha hızlı ve doğru sonuçlar üreterek hastane içi mortalite ve maliyeti azaltmada etkin olarak kullanılabileceğini ortaya koymaktadır. Kullanılan değişkenlerin hastane bilgi sistemine kaydı yapılan rutin parametrelerden oluşması bu modellerin günlük kullanılan sistem içinde otomatize edilebilirliğini kolaylaştırmaktadır. Ayrıca değişkenlerin laboratuvar verilerinden oluşması laboratuvar bazlı bir risk skorunun raporlanma potansiyelini ortaya çıkarmaktadır.

Özet (Çeviri)

Aim: Intensive care units are hospital departments that treat patients in critical condition and consequently have high mortality rates and costs. Early and accurate mortality prediction guides clinical treatment approaches, ultimately reducing mortality and costs. Our study aims to develop machine learning models that can predict mortality in intensive care unit patients, evaluate their performance and compare their performance with the traditionally used APACHE II score. Materials and Method: Our study was designed to be retrospective and single-centered. The data of 2,686 patients who were hospitalized in the intensive care unit were used. The features include 69 different laboratory parameters along with age and gender. The dataset was divided into a training (80%) and a test (20%) group. Multiple machine learning models were developed, and the two best performing models were determined. The feature importance for model explainability was investigated. The APACHE II's performance was calculated and then compared to the machine learning models. Results: Among the developed machine learning models, 6 achieved high success with an AUC value of 0.90 and above. The AUC values of models, excluding the Dummy model used as a benchmark, range between 0.76 and 0.94. LightGBM and ET were determined to be the two best performing models. The LightGBM, ET and APACHE II have AUC values of 0.94, 0.93, 0.77 and accuracies of 0.88, 0.88, 0.77, respectively. Conclusion: Our study reveals that machine learning methods, by producing faster and more accurate results compared to traditional methods, can be effectively used to reduce in-hospital mortality and costs. The fact that the variables used are routine parameters recorded in the hospital information system makes it easier to automate these models within the system used daily. Furthermore, features consisting of laboratory data reveal the potential for reporting a laboratory-based risk score.

Benzer Tezler

  1. Tez No

    943001

    Biyokimyasal parametreler kullanılarak idrar kültür sonuçlarının öngörülmesinde yapay zeka teknolojilerinin rolünün araştırılması

    Investigation the role of the artificial intelligence technologies in predicting urine culture results using biochemical parameters

    PINAR ZEHRA DAVARCI

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Halk SağlığıTrakya Üniversitesi

    Halk Sağlığı Ana Bilim Dalı

    PROF. DR. GALİP EKUKLU

    DOÇ. DR. SELÇUK KORKMAZ

  2. Tez No

    939072

    Çocukluk çağı laboratuvar testi referans aralıklarının makine öğrenmesi yöntemiyle belirlenmesi ve belirlenen referans aralıklarının klinik karara etkisi

    Determi̇nati̇on of pedi̇atri̇c laboratory test reference intervals usi̇ng machi̇ne learni̇ng methods and the effect of these reference intervals on cli̇ni̇cal deci̇si̇on maki̇ng

    MEHMET FURKAN KUNDAK

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2025

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. DİLEK ORBATU

  3. Tez No

    651930

    Analysis of monodisperse microfluidic droplet generation and its biochemical applications

    Eşdağılımlı mikroakıskan damlacık olusumunun analizi ve biyokimyasal uygulamaları

    ALI KALANTARIFARD

    Doktora

    İngilizce

    İngilizce

    2020

    Fizik ve Fizik Mühendisliğiİhsan Doğramacı Bilkent Üniversitesi

    Malzeme Bilimi ve Nanoteknoloji Ana Bilim Dalı

    PROF. CAGLAR ELBUKEN

  4. Tez No

    926545

    Koroner arter bypass operasyonlarında risk değerlendirmesi için makine öğrenimi tabanlı hibrit bir sistemin geliştirilmesi

    Development of a machine learning based hybrid system for risk assessment in coronary artery bypass operations

    AYŞE BANU BİRLİK

    Doktora

    Türkçe

    Türkçe

    2025

    Endüstri ve Endüstri Mühendisliğiİstanbul Medipol Üniversitesi

    Sağlık Sistemleri Mühendisliği Ana Bilim Dalı

    PROF. DR. HAKAN TOZAN

    DR. ÖĞR. ÜYESİ KEVSER BANU KÖSE

  5. Tez No

    882124

    Metabolik işlev bozukluklarıyla ilişkili yağlı karaciğer hastalığında ursodeoksikolik asit kullanımının biyokimyasal parametreler ve prognoz ile ilişkisi

    Association of ursodeoxycholic acid with biochemical parameters and prognosis in fatty liver disease associated with metabolic dysfunction

    ÖZGE UCUZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    GastroenterolojiEge Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    PROF. DR. ULUS SALİH AKARCA

Geri Dön