Geri Dön

Acil servise göğüs ağrısı ile başvuran olgularda yapay zeka uygulamalarının akut koroner sendrom tanısında yeri

The role of artificial intelligence applications in the diagnosis of acute coronary syndrome in patients presenting to the emergency department with chest pain

PDF İndir

  1. Tez No: 996715
  2. Yazar: AYBÜKE SOYLU
  3. Danışmanlar: DOÇ. DR. YAVUZ OTAL, DR. SENEM KOCA
  4. Tez Türü: Tıpta Uzmanlık
  5. Konular: Acil Tıp, Emergency Medicine
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2025
  8. Dil: Türkçe
  9. Üniversite: Sağlık Bilimleri Üniversitesi
  10. Enstitü: Ankara Etlik Şehir Hastanesi
  11. Ana Bilim Dalı: Acil Tıp Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Amaç: Acil servise göğüs ağrısı ile başvuran hastalarda akut koroner sendrom (AKS) tanısının doğruluğunu artırmak ve kısa dönem klinik seyrini öngörmek amacıyla yapay zekâ tabanlı bir model geliştirilmesi ve bu modelin performansının risk skorlarıyla (HEART, GRACE,SVEAT) karşılaştırılması hedeflenmiştir. Bu çalışmada, yapay zekânın AKS tanısındaki yeri incelenerek acil serviste karar destek aracı olarak sağlayabileceği katkılar değerlendirilmiştir. Gereç ve Yöntem: Prospektif gözlemsel tasarımlı bu çalışmaya, travmaya bağlı olmayan göğüs ağrısı şikayetiyle acil servise başvurup AKS şüphesiyle değerlendirilen 969 hasta dahil edildi. Tüm hastaların demografik özellikleri, risk faktörleri, vital bulguları, elektrokardiyografi (EKG) sonuçları ve laboratuvar değerleri (yüksek duyarlıklı troponin dahil) kaydedildi. Olguların HEART, GRACE ve SVEAT risk skorları standart kriterlere göre hesaplandı. Altın standart tanı, uygun endikasyonlarda uygulanan koroner anjiyografi bulguları ve/veya seri kardiyak biyobelirteç ölçümleriyle konulan AKS (ST yükselmesiz miyokard infarktüsü ya da kararsız anjina) olarak belirlendi. Çalışma kapsamında toplanan veriler kullanılarak çeşitli makine öğrenimi algoritmaları (l Random Forest, Logistic Regression, SVM, Neural Networks, XGBoost, Naive Bayes, KNN) ile bir yapay zekâ modeli geliştirilmiştir. Elde edilen yapay zekâ tabanlı risk skorunun tanısal ve prognostik performansı, geleneksel skorlarla karşılaştırmalı olarak değerlendirildi. İstatistiksel analizlerde ROC eğrisi altında kalan alan (AUC), duyarlılık, özgüllük, pozitif ve negatif prediktif değerler gibi metrikler hesaplandı; modeller arası performans farkları anlamlılık testi ile incelendi. Bulgular: 969 hastanın ortalama yaşı 61,9±16,5 yıl olup, hastaların %63'ü erkekti. Vakaların %35,6'sında koroner arter hastalığı (anjiyografik lezyon veya akut miyokard enfarktüsü) tanısı konuldu. Hastane içi mortalite oranı %0,1, toplam 28 günlük mortalite oranı ise %0,9 (9 hasta) olarak saptandı. Konvansiyonel risk skorları arasında HEART ve SVEAT skorlarının AKS (akut koroner sendrom) için en güçlü öngörü yeteneğini gösterdiği belirlendi. ROC analizi sonucunda en yüksek AUC değeri SVEAT skoru için (AUC=0,730, %95 GA: 0,695–0,765) elde edildi; bunu HEART skoru (AUC=0,698) ve literatürde tanımlanan MACE risk skoru (AUC=0,635) izledi. GRACE skoru, istatistiksel olarak anlamlı olmakla birlikte belirgin şekilde daha zayıf ayırt edici güce sahipti (AUC=0,567). Makine öğrenimi modelleri arasında en yüksek performans XGBoost algoritması ile elde edildi (AUC ≈0,88, F1 skoru 0,90). Bu model, %93–94 duyarlılık sağlarken özgüllüğü yaklaşık %85 seviyesinde korudu; böylece %98'in üzerinde negatif prediktif değer elde edildi ve potansiyel AKS olgularının gözden kaçırılma olasılığı minimuma indirildi. Özellikle, mevcut literatürde de makine öğrenimi tabanlı yaklaşımların, konvansiyonel skorlara kıyasla anlamlı derecede daha yüksek AUROC değerleri sağladığı bildirilmiştir (örneğin: ML modellerinde ortalama AUC ≈0,88 iken, GRACE/TIMI skorlarında ortalama AUC ≈0,79). Sonuç: Yapay zekâ teknolojilerinin acil serviste göğüs ağrısı yönetiminde klinik karar destek aracı olarak risk skorlamaları ile birlikte kullanılmasının, tanı doğruluğunu ve hasta sonuçlarını iyileştirebileceğini düşünmekteyiz.

Özet (Çeviri)

Objective: The aim of this study was to develop an artificial intelligence (AI)–based model to improve the diagnostic accuracy of acute coronary syndrome (ACS) in patients presenting to the emergency department with chest pain and to predict short-term clinical outcomes. The performance of this model was compared with conventional risk scores (HEART, GRACE, SVEAT). By evaluating the role of AI in ACS diagnosis, this thesis investigates its potential contribution as a clinical decision support tool in the emergency setting. Materials and Methods: This prospective observational study included 969 patients who presented to the emergency department with non-traumatic chest pain and were evaluated for suspected ACS. Demographic characteristics, risk factors, vital signs, electrocardiography (ECG) findings, and laboratory values (including high-sensitivity troponin) were recorded for all patients. HEART, GRACE, and SVEAT risk scores were calculated according to standard criteria. The gold standard diagnosis of ACS (ST-elevation myocardial infarction, non–ST-elevation myocardial infarction, or unstable angina) was established based on coronary angiography findings when indicated and/or serial cardiac biomarker measurements. Using the collected data, various machine learning algorithms (Random Forest, Logistic Regression, SVM, Neural Networks, XGBoost, Naive Bayes, KNN) were applied to develop an AI-based model. The diagnostic and prognostic performance of the AI-derived risk score was then comparatively evaluated against traditional scoring systems. Statistical analyses included the calculation of area under the receiver operating characteristic curve (AUC), sensitivity, specificity, positive predictive value, and negative predictive value, and performance differences between models were assessed using appropriate significance tests. Results: The mean age of the 969 patients was 61.9±16.5 years, and 63% were male. Coronary artery disease (angiographic lesion or acute myocardial infarction) was diagnosed in 35.6% of cases. The in-hospital mortality rate was 0.1%, while the overall 28-day mortality rate was 0.9% (9 patients). Among conventional risk scores, HEART and SVEATdemonstrated the strongest predictive ability for ACS. ROC analysis revealed the highest AUC for the SVEAT score(AUC=0.730, 95% CI: 0.695–0.765), followed by the HEART score (AUC=0.698) and the literature-defined MACE risk score (AUC=0.635). The GRACE score showed statistically significant but notably weaker discriminatory power (AUC=0.567). Among machine learning models, the highest performance was achieved with the XGBoost algorithm(AUC ≈ 0.88, F1 score 0.90). This model provided a sensitivity of 93–94% while maintaining specificity at approximately 85%, yielding a high negative predictive value (>98%) and minimizing the likelihood of missing potential ACS cases. Notably, existing literature has reported that machine learning–based approaches achieve significantly higher AUROC values compared with conventional scores (e.g., ML models average AUC ≈0.88, vs. GRACE/TIMI scores average AUC ≈0.79). Conclusion: We suggest that the integration of artificial intelligence technologies with established risk scores in the emergency department may enhance diagnostic accuracy and improve patient outcomes in the management of chest pain.

Benzer Tezler

  1. Tez No

    666862

    Çocuk acil servise göğüs ağrısıyla başvuran hastalarda troponin testi kullanımının etkinliği

    The effectiveness of the troponin test in patients presenting to the pediatric emergency department with chest pain

    ÖZGÜN TER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2021

    Çocuk Sağlığı ve HastalıklarıSağlık Bilimleri Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. BARIŞ GÜVEN

  2. Tez No

    427086

    Acil servise başvuran ve kreatin kinaz yüksekliği saptanan hastaların analizi

    Analysis of the patients admitted to emergency department and whose creatinin kinase level is elevated

    YAVUZ AYDIN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2014

    İlk ve Acil Yardımİstanbul Üniversitesi

    Acil Tıp Ana Bilim Dalı

    PROF. DR. İBRAHİM İKİZCELİ

  3. Tez No

    856369

    NSTE MI tanılı hastalarda anjio öncesi ve anjio sonrası ekg değişikliklerinin karşılaştırılması

    Ecg before and after angio in patients diagnosed with NSTE MI comparison of their changes

    NEVZAT HERGÜL

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2023

    Acil TıpVan Yüzüncü Yıl Üniversitesi

    Acil Tıp Ana Bilim Dalı

    PROF. DR. SEVDEGÜL BİLVANİSİ

  4. Tez No

    863096

    Pediatri kliniklerinden istenen kadın hastalıkları ve doğum konsültasyonlarının değerlendirilmesi

    Evaluation of consultations for obstetrics and gynecological conditions requested from pediatric clinics

    EMİNE YILMAZ

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2024

    Çocuk Sağlığı ve HastalıklarıMersin Üniversitesi

    Çocuk Sağlığı ve Hastalıkları Ana Bilim Dalı

    DOÇ. DR. ÖZLEM TEZOL

  5. Tez No

    203513

    Acil servise göğüs ağrısı ile başvuran olgularda ağrı şiddeti ile akut koroner sendrom ve elektrokardiyografideki ST segmenti arasındaki ilişkisi

    Relationship between acute coronary syndrome and ST segment at the electrocardiography, and intensity of pain inpatients presenting with chest pain to emergency department

    ERHAN DEDEOĞLU

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2008

    İlk ve Acil YardımDokuz Eylül Üniversitesi

    Acil Tıp Ana Bilim Dalı

    DOÇ. DR. HAKAN TOPAÇOĞLU

Geri Dön