Acil serviste 18 yaş altı hastaların dirsek grafilerinde kemik kırığının tanınabilirliğinin acil tıp uzmanları ve yapay zeka öğrenimiyle karşılaştırılması
Comparison of bone fracture detectability in elbow x-rays of patients under 18 in the emergency department using emergency medicine specialists and artificial intelligence learning
- Tez No: 983787
- Danışmanlar: PROF. DR. HAVVA ŞAHİN KAVAKLI
- Tez Türü: Tıpta Uzmanlık
- Konular: Acil Tıp, Emergency Medicine
- Anahtar Kelimeler: Acil Tıp, Derin Öğrenme, Pediatri, Dirsek Kırığı, Radyografi, Yapay Zeka, Emergency Medicine, Deep Learning, Pediatrics, Elbow Fracture, Radiography, Artificial Intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Çalışmamızın amacı, pediatrik dirsek grafilerinde kırık tespiti için geliştirilen yapay zeka modeli ve beş acil tıp uzmanı (ATU) değerlendirmelerinin tanısal performansını incelemek, yapay zeka desteğiyle kırıkların daha doğru ve hızlı tespitini sağlayarak acil servis hekimlerine katkıda bulunmak ve gelecekteki araştırmalara yol göstermektir. Gereç ve Yöntem: Çalışma, 14 Mart 2019 ile 31 Aralık 2024 tarihleri arasında Ankara Bilkent Şehir Hastanesi Acil Servisine başvuran, hem dirsek grafileri hem de dirsek BT'si çekilmiş 18 yaş altı hastaların retrospektif olarak incelenmesi ile gerçekleştirilmiştir. Toplam 492 hasta çalışmaya dahil edilmiştir. Veri setinde var olan sınıf dengesizliğini gidermek için sağlam kontralateral dirsek grafileri de eklenerek 580 hastadan oluşan dengeli bir veri kümesi elde edilmiştir. Bu veri kümesi, %70 eğitim, %15 doğrulama ve %15 test kümelerine ayrılmıştır. Kırık tespiti için EfficientNetV2-Small mimarisi kullanılarak bir yapay zeka modeli geliştirilmiştir. Modelin kararlarının şeffaflığını artırmak amacıyla Gradient-weighted Class Activation Mapping (Grad-CAM) yöntemi ile ısı haritaları oluşturulmuştur. Modelin performansı, test setinde yer alan hastaların grafilerini değerlendiren beş ATU'nun performansı ile incelenmiştir. İstatistiksel analizde doğruluk, duyarlılık, özgüllük ve McNemar testi gibi yöntemler kullanılmıştır. Bulgular: Yapay zeka modelinin duyarlılığı %32,56, özgüllüğü %61,36 ve genel doğruluk oranı %47,13 olarak hesaplanmıştır. ATU'ların duyarlılığı %53,49 ile %86,05, özgüllüğü %50,00 ile %77,27 arasında değişirken, genel doğruluk oranları %60,47 ile %68,97 arasında bulunmuştur. Sonuç: Çalışmamızda yapay zeka modeli, özellikle kırık olmayan olguları doğru ayırt etmede deneyimsiz acil servis hekimlerinin tanısal süreçlerine destek olabilecekken, gelecekteki çalışmalar prospektif, çok merkezli ve multimodal veri setleri ile geliştirildiğinde tanı doğruluğunu artırarak klinik karar verme süreçlerine güvenilir bir katkı sağlayabilecektir.
Özet (Çeviri)
Aim: The aim of our study is to investigate the diagnostic performance of an artificial intelligence (AI) model developed for fracture detection in pediatric elbow radiographs and the assessments of emergency medicine specialists, to contribute to emergency physicians by enabling more accurate and rapid detection of fractures with AI support, and to guide future research. Materials and Methods: This was a single-center, retrospective, cross-sectional study conducted between March 14, 2019, and December 31, 2024 at Ankara Bilkent City Hospital Emergency Department. Pediatric patients younger than 18 years who underwent both elbow radiographs and CT scans were retrospectively included. A total of 492 patients met the inclusion criteria. To address class imbalance, a balanced dataset of 580 patients was created by adding contralateral elbow radiographs. The dataset was divided into 70% for training, 15% for validation and 15% for testing. An AI model based on the EfficientNetV2-Small architecture was developed to detect fractures. The Gradient-weighted Class Activation Mapping (Grad-CAM) method was used to generate heatmaps to improve the model's interpretability. The performance of the model was evaluated in comparison with the performance of five emergency medicine specialists who assessed the radiographs in the test set. Diagnostic metrics such as accuracy, sensitivity and specificity, along with the McNemar test, were used for statistical analysis. Results: The sensitivity of the AI model was calculated as 32.56%, the specificity as 61.36%, and the overall accuracy as 47.13%. The sensitivities of the emergency medicine specialists ranged from 53.49% to 86.05%, the specificities from 50.00% to 77.27%, and the overall accuracy rates from 60.47% to 68.97%. Conclusion: In our study, the AI model proved particularly effective in accurately identifying non-fracture cases, thereby potentially supporting the diagnostic process of less experienced emergency physicians; future studies employing prospective, multicenter, and multimodal datasets may further enhance diagnostic accuracy and provide a reliable contribution to clinical decision-making.
Benzer Tezler
- Çocukluk çağında antiepileptik ilaç zehirlenmelerinin klinik özellikleri
Clinical features of antiepileptic drug poisoning in children
EMRE GÜNGÖR
Tıpta Uzmanlık
Türkçe
2019
Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
PROF. DR. DENİZ YÜKSEL
- Acil servise 18 yaş altı adli nedenlerle başvuran hastaların retrospektif değerlendirilmesi
Retrospective management of under 18 years old patient presented emergency service with forensic reasons
ATİYE KÜBRA ÖKCESİZ
Tıpta Uzmanlık
Türkçe
2017
İlk ve Acil YardımSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. NALAN KOZACI
- Acil serviste metil alkol zehirlenmesi tanısı alan hastaların klinik değerlendirilmesi ve zehirlenmeye bağlı ortaya çıkan sekellerin retrospektif analizi
Clinical evaluation of patients diagnosed with methanol poisoning in the emergency department and retrospective analysis of poisoning-related sequelae
KÜRŞAT SARIBAŞ
Tıpta Uzmanlık
Türkçe
2024
Acil TıpÇukurova ÜniversitesiAcil Tıp Ana Bilim Dalı
PROF. DR. AYÇA AÇIKALIN AKPINAR
- Acil servise başvuran karın ağrılı hastalarda istenilen tetkikler ve maliyetin incelenmesi
Analiysis of diagnostic methods and cost price about patients with complaint of abdominal pain who admitted to emergency department
NURAY ASLAN
Tıpta Uzmanlık
Türkçe
2009
İlk ve Acil YardımOndokuz Mayıs ÜniversitesiAcil Tıp Ana Bilim Dalı
YRD. DOÇ. DR. AHMET BAYDIN
- Acil servise bel ağrısı ile başvuran hastaların retrospektif olarak incelenmesi
Retrospective evaluation of the patients who applied to emergency service due to lumbago
ESRA ÖZER ÜNAL
Tıpta Uzmanlık
Türkçe
2017
İlk ve Acil YardımSağlık Bilimleri ÜniversitesiAcil Tıp Ana Bilim Dalı
DOÇ. DR. UMUT YÜCEL ÇAVUŞ