Geri Dön

Yoğun bakım ünitesinde makine öğrenimi yaklaşımıyla deliryum riskinin belirlenmesi

Intensive care unit machine learning approach delirium risk assessments

PDF İndir

  1. Tez No: 967734
  2. Yazar: ESMA ERDOĞAN
  3. Danışmanlar: DOÇ. DR. DERYA ÇINAR
  4. Tez Türü: Yüksek Lisans
  5. Konular: Hemşirelik, Nursing
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: İZMİR BAKIRÇAY ÜNİVERSİTESİ
  10. Enstitü: Lisansüstü Eğitim Enstitüsü
  11. Ana Bilim Dalı: Hemşirelik Ana Bilim Dalı
  12. Bilim Dalı: İç Hastalıkları Hemşireliği Bilim Dalı
  13. Sayfa Sayısı: 116

Özet

Deliryum, ani başlangıçlı bilişsel bozukluklar, dikkat ve farkındalık değişiklikleri ile karakterize, yoğun bakım ünitelerinde (YBÜ) morbidite ve mortaliteyi artıran önemli bir sendromdur. Bu çalışma, YBÜ hastalarında makine öğrenimi (ML) yaklaşımıyla deliryum riskinin belirlenmesini amaçlamıştır. Tanımlayıcı ve kesitsel tipte yürütülen çalışmaya, bir devlet hastanesinin 2. ve 3. basamak YBÜ'nde yatan 150 hasta dâhil edilmiştir. Araştırmanın verileri; Hasta Tanıtıcı Bilgi Formu, Yoğun Bakım Ünitesinde Konfüzyon Değerlendirme Ölçeği (CAM-ICU), Richmond Sedasyon Ajitasyon Skalası (RASS), Görsel Analog Skala (VAS), Davranışsal Ağrı Skalası (DAS), Wong-Baker Ağrı Skalası, Akut Fizyoloji ve Kronik Sağlık Değerlendirmesi (APACHE II), Ardışık Organ Yetmezliği Değerlendirmesi (SOFA) ve Hemşirelik Deliryum Tarama Skalası (Nu-DESC) kullanılarak toplanmıştır. Deliryum gelişimini tahmin etmek amacıyla Logistik Regresyon, Random Forest ve XGBoost denetimli makine öğrenmesi modelleri eğitilmiş ve karşılaştırılmıştır. Katılımcıların sosyodemografik ve klinik özelliklerine göre deliryum gelişmesinde yatış tanısı (p=0.008), mekanik ventiltasyon kullanımı (p=0.006) ve uyku süresi (p=0.000) açısından istatistiksel olarak anlamlı fark saptanmıştır. Diğer sosyodemografik ve klinik değişkenler arasında anlamlı farklılık yoktur (p>0.05). Makine öğrenimi modellerinin performans metriklerine göre Lojistik Regresyon ve Random Forest modelleri %93.3, XGBoost modeli ise %90 doğrulukla deliryum gelişimini tahmin etmede yüksek doğruluk sergilemiştir. Tüm modellerin ROC-AUC skorlarının 0.97'nin üzerinde olduğu tespit edilmiştir. Modellerin değişken önem sıralaması analizlerine göre özellikle Nu-DESC ve RASS skorları, deliryum gelişimi tahmininde diğer değişkenlere göre en yüksek öneme sahip değişkenler olarak öne çıkmıştır. Modellerin olasılık tahminleri, modellerin deliryum gelişme riskine göre hasta grubunu“düşük risk”ve“yüksek risk”olarak net şekilde ayrıştırabildiğini göstermiştir. Çalışma sonucunda, yoğun bakım hastalarında deliryum gelişimini öngörmek amacıyla geliştirilen makine öğrenimi modelleri (Lojistik Regresyon, Random Forest ve XGBoost), elde edilen veri setinde oldukça yüksek başarı sergilemiştir. Modellerin deliryum riskinin belirlenmesinde yüksek doğruluğu ve güçlü ayrıştırıcı yeteneği, olasılık skorlarının güvenle kullanılabileceğini göstermektedir. Deliryum yönetiminde kanıta dayalı hemşirelik uygulamalarına yapay zekâ araçlarının entegre edilmesi, yatak başı karar alma süreçlerini kolaylaştırarak YBÜ'nde bireyselleştirilmiş deliryum riskinin belirlenmesini sağlayabilir. Makine öğrenimi yaklaşımının hemşirelik iş yükünü azaltacağı ve maliyet etkin bir bakım sağlayacağı öngörülmektedir. Gelecekte yapılacak araştırmalar, tahmin skoruna dayalı müdahalelerin mortalite, ventilatör gün sayısı ve yoğun bakım kalış süresi üzerindeki etkilerini ölçmeye odaklanabilir. Ayrıca derin sedasyondaki hastaların modele dâhil edilmesi yönünde protokoller geliştirilmesi önerilmektedir.

Özet (Çeviri)

Delirium is a significant syndrome characterised by sudden onset cognitive impairments, changes in attention and awareness, which increases morbidity and mortality in intensive care units (ICUs). This study aimed to determine the risk of delirium in ICU patients using a machine learning (ML) approach. This descriptive, cross-sectional study included 150 patients hospitalized in a tertiary ICU of a public hospital. Data were collected using the Patient Identification Form, Confusion Assessment Scale in the Intensive Care Unit (CAM-ICU), Richmond Sedation Agitation Scale (RASS), Visual Analog Scale (VAS), Behavioral Pain Scale (DAS), Wong-Baker Pain Scale, Acute Physiology and Chronic Health Evaluation (APACHE II), Sequential Organ Failure Assessment (SOFA), and Nursing Delirium Screening Scale (Nu-DESC). Logistic regression, random forest, and XGBoost supervised machine learning models were trained and compared to predict the development of delirium. According to the sociodemographic and clinical characteristics of the participants, a statistically significant difference was found in terms of hospitalization diagnosis (p=0.008), use of mechanical ventilation (p=0.006), and sleep duration (p=0.000) in the development of delirium. There were no significant differences between other sociodemographic and clinical variables (p>0.05). According to the performance metrics of the machine learning models, the Logistic Regression and Random Forest models demonstrated high accuracy in predicting the development of delirium with 93.3% accuracy, while the XGBoost model showed 90% accuracy. The ROC-AUC scores of all models were found to be above 0.97. According to the analysis of the variable importance rankings of the models, Nu-DESC and RASS scores, in particular, stood out as the variables with the highest importance compared to other variables in predicting the development of delirium. The probability estimates of the models showed that the models could clearly distinguish the patient groups as“low risk”and“high risk”based on the risk of developing delirium. As a result of the study, machine learning models' high accuracy and strong discriminatory ability in determining delirium risk demonstrate that probability scores can be used with confidence. The integration of artificial intelligence tools into evidence-based nursing practices in the management of delirium can facilitate bedside decision-making processes, thereby enabling the determination of individualised delirium risk in the ICU. It is anticipated that the machine learning approach will reduce the workload of nurses and provide cost-effective care. Future research could measure the effects of predictive score-based interventions on mortality, ventilator days, and length of ICU stay. Furthermore, protocols for including deeply sedated patients in the model are recommended.

Benzer Tezler

  1. Tez No

    836633

    Anestezi ve reanimasyon yoğun bakım ünitesinde yatan hastalarda deliryumun tanılanması ve uyku kalitesinin değerlendirilmesi

    Diagnosis of delirium and evaluation of sleep quality in patients hospitalized in the anesthesia and reanimation intensive care unit

    DİLEK KAYA

    Yüksek Lisans

    Türkçe

    Türkçe

    2023

    HemşirelikSakarya Üniversitesi

    Hemşirelik Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ FUNDA AKDURAN

  2. Tez No

    847173

    Fake news classification using machine learning and deep learning approaches

    Makine öğrenimi ve derin öğrenme yaklaşımlarını kullanarak sahte haber sınıflandırması

    SAJA ABDULHALEEM MAHMOOD AL-OBAIDI

    Yüksek Lisans

    İngilizce

    İngilizce

    2023

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolGazi Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ TUBA ÇAĞLIKANTAR

  3. Tez No

    945135

    Machine learning in longitudinal data analysis: A real-world application in gram-negative bacteremia

    Boylamsal veri analizinde makine öğrenimi: Gram-negatif bakteriyemide gerçek dünya uygulaması

    OLCAY DİLKEN

    Yüksek Lisans

    İngilizce

    İngilizce

    2025

    BiyoistatistikYıldız Teknik Üniversitesi

    İstatistik Ana Bilim Dalı

    PROF. DR. SERPİL KILIÇ DEPREN

  4. Tez No

    863886

    Makine öğrenimi algoritmaları ile yoğun bakım hastalarında mortalite tahmini

    Mortality prediction in intensive care patients with machine learning algorithms

    BATUHAN BİLGİN ÖDÜN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    BiyoistatistikTrakya Üniversitesi

    Biyoistatistik ve Tıbbi Bilişim Ana Bilim Dalı

    PROF. DR. NECDET SÜT

  5. Tez No

    933666

    Discrimination neonatal hypoxic-ischemic encephalopathy grades of severity from multiple EEG signals using machine learning classifiers

    Çoklu EEG sinyallerinden sınıflandırıcılar kullanarak yenidoğan hipoksi-iskemi ensefalopatisinin şiddet derecelerinin ayrımı

    EZZADDIN TALIB KADHIM KADHIM

    Yüksek Lisans

    İngilizce

    İngilizce

    2024

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolAltınbaş Üniversitesi

    Bilişim Teknolojileri Ana Bilim Dalı

    PROF. DR. OSMAN NURİ UÇAN

Geri Dön