Yapay zeka algoritmalarıyla preoperatif değerlendirmede hastaların risk sınıflandırmasında ASA skoru korelasyonlarının belirlenmesi
Determination of ASA score correlations in risk classification of patients in preoperative assessment with artificial intelligence algorithms
- Tez No: 988351
- Danışmanlar: PROF. DR. YÜCEL KARAMAN
- Tez Türü: Tıpta Uzmanlık
- Konular: Anestezi ve Reanimasyon, Anesthesiology and Reanimation
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bakanlığı
- Enstitü: İzmir Bayraklı Şehir Hastanesi
- Ana Bilim Dalı: Anesteziyoloji ve Reanimasyon Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmanın temel amacı, Amerikan Anestezistler Derneği (ASA) Fiziksel Durum (PS) sınıflandırma sisteminin değerlendiriciye bağlı subjektif doğasından kaynaklanan değişkenliği azaltmaktır. Bu doğrultuda, farklı yapay zeka (YZ) algoritmaları kullanılarak preoperatif hastaların risk sınıflandırmasında ASA PS skoru ile korelasyonların belirlenmesi ve bu skorun objektif bir şekilde tahmin edilmesi hedeflenmiştir. Çalışma, YZ tabanlı modellerin, klinisyenler tarafından verilen ASA skorunu ne ölçüde doğru bir şekilde öngörebileceğini araştırmayı amaçlamaktadır. Gereç ve Yöntem: Çalışma; retrospektif, tek merkezli ve kesitsel bir tasarımla, 1 Ocak 2025 ile 31 Mart 2025 tarihleri arasında elektif cerrahi planlanan 18-65 yaş arası 2000 hastanın verileri kullanılarak gerçekleştirilmiştir. Hastaların demografik özellikleri, eşlik eden hastalıkları, düzenli kullandıkları ilaçlar ve ameliyat öncesi laboratuvar parametrelerini içeren toplam 22 özellik, model eğitimi için kullanılmıştır. ASA skorunu tahminlemek amacıyla Random Forest, Gradient Boosting ve Derin Öğrenme modelleri kullanılmıştır ve bu modellerin performansı; kesinlik (precision), duyarlılık (recall), F1-skoru ve doğruluk (accuracy) gibi standart metrikler kullanılarak karşılaştırmalı olarak değerlendirilmiştir. Bulgular: Çalışma sonucunda, geliştirilen her üç yapay zeka modelinin de ASA PS skorunu yüksek bir doğrulukla tahmin etme potansiyeline sahip olduğu görülmüştür. Modellerin performansları karşılaştırıldığında, Random Forest modeli, özellikle ASA 1 ve 2 gibi düşük riskli hasta gruplarında yüksek kesinlik ve duyarlılık değerleri elde etmiştir. Sonuç: Elde edilen bulgular, yapay zeka algoritmalarının, ASA skorlamasındaki subjektifliği ortadan kaldırarak klinisyenlere preoperatif risk değerlendirmesi sürecinde daha objektif, tutarlı ve standart bir karar destek aracı sunma potansiyeli taşıdığını göstermektedir. Bu teknolojinin klinik pratiğe entegrasyonu, hasta güvenliğini artırma ve perioperatif sonuçları iyileştirme açısından önemli bir potansiyel sunmaktadır. Gelecekteki çalışmalar, modellerin genellenebilirliğini artırmak için çok merkezli ve daha geniş veri setleri üzerinde yürütülmeli ve geliştirilen sistemlerin klinik etkinliği prospektif çalışmalarla doğrulanmalıdır.
Özet (Çeviri)
Aim: The primary objective of this study is to reduce the variability arising from the subjective nature of the American Society of Anaesthesiologists (ASA) Physical Status (PS) classification system, which is dependent on the evaluator. To this end, the study aims to determine correlations between preoperative patient risk classification using different artificial intelligence (AI) algorithms and the ASA PS score, and to predict this score objectively. The study aims to investigate the extent to which AI-based models can accurately predict the ASA score given by clinicians. Materials and Methods: The study was conducted using a retrospective, single-centre design, utilising data from 2,000 patients aged 18-65 years who were scheduled for elective surgery between 1 January 2025 and 31 March 2025. A total of 22 features, including patients' demographic characteristics, comorbidities, regularly used medications, and preoperative laboratory parameters, were used for model training. Random Forest, Gradient Boosting, and Deep Learning models were used to predict the ASA score, and the performance of these models was comparatively evaluated using standard metrics such as precision, recall, F1-score, and accuracy. Results: The study revealed that all three artificial intelligence models developed have the potential to predict the ASA PS score with high accuracy. When comparing the models' performance, the Random Forest model achieved high precision and sensitivity values, particularly in low-risk patient groups such as ASA 1 and 2. Conclusion: The findings demonstrate that artificial intelligence algorithms have the potential to eliminate subjectivity in ASA scoring, providing clinicians with a more objective, consistent, and standardised decision support tool for the preoperative risk assessment process. The integration of this technology into clinical practice holds significant promise for enhancing patient safety and improving perioperative outcomes. Future studies should be conducted on multicentre and larger datasets to increase the generalisability of the models, and the clinical efficacy of the developed systems should be validated through prospective studies.
Benzer Tezler
- Yeni kantitatif formüller ile pitoziscerrahisi sonrası göz kapağı kontursimetrisi analizi
Analysis of eyelid contour symmetry after ptosis surgery using new quantitative formulas
MUZAFFER SAİD GÜLER
Tıpta Uzmanlık
Türkçe
2025
Göz HastalıklarıSağlık Bilimleri ÜniversitesiGöz Hastalıkları Ana Bilim Dalı
DOÇ. DR. KÜBRA ŞEREFOĞLU ÇABUK
DOÇ. DR. FATMA SAVUR
- Mesane kanseri kas invazyonunun radyomik özellikler ve makine öğrenimi modelleri kullanılarak değerlendirilmesi: Açıklanabilir yapay zekâ yaklaşımı
Assessment of muscle-invasive bladder cancer using radiomic features and machine learning models: An explainable artificial intelligence approach
İREM TİRYAKİ
Tıpta Uzmanlık
Türkçe
2025
Radyoloji ve Nükleer TıpSağlık Bilimleri ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. AYTÜL HANDE YARDIMCI
- Pediyatrik posterior fossa tümörlerinin makine öğrenimi, derin öğrenme ve mrg bulguları ile sınıflandırılması
Classification of pediatric posterior fossa tumors using machine learning, deep learning and mri findings
EMRE ÇAPAR
Tıpta Uzmanlık
Türkçe
2024
Radyoloji ve Nükleer TıpErciyes ÜniversitesiRadyoloji Ana Bilim Dalı
DOÇ. DR. ZEHRA FİLİZ KARAMAN
- Laparoskopik parsiyel nefrektomi yapılan hastalarda perinefrik yağ dokusu özelliklerinin öngörüsünde yapay zekâ uygulamalarının değerlendirilmesi
Evaluation of artificial intelligence applications in predicting perinephric fat tissue characteristics in patients undergoing laparoscopic partial nephrectomy
EMRE FATİH KARADELİ
Tıpta Uzmanlık
Türkçe
2026
ÜrolojiOndokuz Mayıs ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ENDER ÖZDEN
- Üriner sistem taş hastalığının cerrahi tedavisinde başarıyı ve komplikasyonları öngörmede yapay zekâ uygulamalarının kullanımı
Use of artificial intelligenceapplications in prediction of success and complications in the surgical treatment of urinary stone disease
FERHAT ÇOBAN
Tıpta Uzmanlık
Türkçe
2022
ÜrolojiAdıyaman ÜniversitesiÜroloji Ana Bilim Dalı
DOÇ. DR. ALİ ÇİFT
ÖĞR. GÖR. HÜSEYİN KUTLU