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
- Tez No: 942716
- Danışmanlar: DOÇ. DR. CEMAL KAZEZOĞLU
- Tez Türü: Tıpta Uzmanlık
- Konular: Biyokimya, Biochemistry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Hamidiye Tıp Fakültesi
- Ana Bilim Dalı: Tıbbi Biyokimya Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
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
- Ege bölgesi ballarında kimyasal ve plepolinolojik incelemeler
Başlık çevirisi yok
RIZA DALGIÇ
Yüksek Lisans
Türkçe
1987
Gıda MühendisliğiEge ÜniversitesiBotanik Ana Bilim Dalı
PROF. DR. MÜNİR ÖZTÜRK
- Pseudamanas syringae ve pathavarlarının tanılanmalarında biyokimyasal ve morfolojik özelliklerin belirlenmesi üzerinde araştırmalar
Başlık çevirisi yok
A.ALEV GÖKDEMİR
Yüksek Lisans
Türkçe
1987
ZiraatEge ÜniversitesiBitki Koruma Ana Bilim Dalı
YRD. DOÇ. DR. HİKMET SAYGILI
- Artık maddelerin ayrışma ve dağılmasının kübik dizilişi damlatmalı bir filtre modeli üzerinde incelenmesi
Başlık çevirisi yok
DİNCER TOPACIK
- Bursa yöresinde toprak örneklerinde Klostridium'ların dağılımı üzerinde bir araştırma
Başlık çevirisi yok
ORHAN ŞENYÜZ
Tıpta Uzmanlık
Türkçe
1987
MikrobiyolojiUludağ ÜniversitesiMikrobiyoloji Ana Bilim Dalı
PROF. DR. KAYA KILIÇTURGAY
- 1968-1987 arasında izlenen 23 primer hiperparatiroidi vakasının klinik ve laboratuvar yönünden incelenmesi
Başlık çevirisi yok
HÜSEYİN SELUKİ
Tıpta Uzmanlık
Türkçe
1987
Endokrinoloji ve Metabolizma Hastalıklarıİstanbul Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. H. HÜSREV HATEMİ