Akut apandisit hibrit karar destek sistemi

Abstract

Akut apandisit, apandisin lümeninin tıkanmasına bağlı olarak gelişen bir inflamasyonudur. İnflame apandisin ameliyatla kesilip çıkarılmasıyla tedavi edilir. Apandisitin tanısını koymak zor olabilir. Çünkü hastalığın belirtileri birçok hastalıkta da vardır. Özellikle apandisitin yerinin değişken olması tanıyı iyice güçleştirir. Ne yazık ki akut apandisit olan hastaların bazıları, tanı koyulurken geçen süreçte peritonit ya da diğer komplikasyonlardan birine maruz kalabilmektedirler. Bu hastalar, teşhisi zamanında yapılan hastalara göre daha yüksek ölüm oranına sahiptirler. Bu açıdan akut apandisitin erken teşhisi, hasta için büyük önem arz etmektedir. Apandisit tanısı için çeşitli yöntemler mevcuttur. Bunlardan biri de makine öğrenmesi yöntemidir. Makine öğrenmesi, yapay zekâ, matematik ve istatistikten de yararlanarak karar alma ve öngörüye katkıda bulunacak problemlerin çözümü için birçok alanda kullanılmaktadır. Bunlar arasında sağlık alanı, başarılı sonuçlar elde edildiğinde hem doktorlara hem de hastalara fayda sağlayacağı düşünülen önemli bir sektördür. Yapılan tez çalışmasında, akut apandisit teşhisinde hekime yardımcı olabilecek bir karar destek sisteminin geliştirilmesi amaçlanmıştır. Sistemin geliştirilmesinde istatistiksel yöntemlerinden, lojistik regresyon analizi ve makine öğrenmesi yöntemlerinden destek vektör makinesi (DVM) yöntemi birlikte kullanılmıştır. Çalışma kapsamında KTÜ Tıp Fakültesi Farabi Hastanesi Acil Tıp Servisine 2010-2016 yılları arasında karın ağrısı şikayeti ile başvuran ve akut apandisit tanısı alan ve akut apandisit tanısı almayan 220 hasta verisi kullanılmıştır. Bu hasta verileri uzman hekim danışmanlığında biyokimya laboratuvar test sonuçları ve epikriz raporları incelenerek elde edilmiştir. Cinsiyet, yaş, lökosit, trombosit, nötrofil, lenfosit, PDW (Trombosit dağılım genişliği), MPV (Ortalama trombosit hacmi), CRP (C-reaktif protein), glukoz, BUN (Kan üre azotu), kreatinin, total protein, albumin, total bilirubin, direkt bilirubin, AST (Aspartat aminotransferaz), ALT (Alanin aminotransferaz), amilaz parametrelerine ait veriler, lojistik regresyon analizine tabi tutularak aralarından nitelikli olanlar seçilmiştır. Sonrasında bu nitelikli parametrelere ait veriler rastgele olarak, eğitim ve test seti olmak üzere iki gruba ayrılmıştır. Eğitim setindeki 132 hasta verisi kullanılarak DVM yöntemi yardımıyla hibrit bir karar destek sitemi geliştirilmiştir. 88 test verisi üzerinde; DVM modeli için %87 duyarlılık, %79 özgüllük ve %82 doğruluk değerleri elde edilmiştir.

Acute appendicitis is an inflammation that develops due to occlusion of appendix lumen. It is treated by surgical removal of the inflamed appendix. It can be difficult to diagnose appendicitis. Because its symptoms can also be seen in many other diseases. It is especially difficult to diagnose appendicitis since its location is variable. Unfortunately, some patients with acute appendicitis may be exposed to peritonitis or other complications during their diagnosis process. These patients have higher mortality rates than patients who are diagnosed timely. In this respect, early diagnosis of acute appendicitis is of great importance to the patient. There are various methods for the diagnosis of appendicitis. One such method is machine learning. Machine learning is used in many areas for solving problems that contribute to decision making and prediction by taking advantage of machine learning algorithms, artificial intelligence, mathematics and statistics. Among them, healthcare field is an important sector where machine learning exercise is thought to be beneficial to both physicians and patients when successful results are obtained. In this thesis, it is aimed to develop a decision support system which can help the diagnosis of acute appendicitis. In the development of the system, statistical methods, logistic regression analysis and one of machine learning method, support vector machine (SVM) are used together. The data used in the study includes 220 patients who were admitted to the Emergency Medical Service of KTU Medical Faculty Farabi Hospital with abdominal pain complaint between 2010 and 2016 years and who were or were not diagnosed with appendicitis. This patient data was obtained by examining biochemical laboratory test results and epicrisis reports in a specialist physician consultancy. Logistic regression analysis is used to select qualified data on the parameters of Gender, Age, Leukocyte, thrombocyte, neutrophil, lymphocyte, PDW (Platelet Dispersion Width), MPV (Mean Thrombocyte Volume), CRP (C-reactive protein), glucose, BUN (Blood Urea Nitrogen), creatinine, total protein, albumin, total bilirubin, direct bilirubin, AST (Aspartate aminotransferase), ALT (Alanine aminotransferase), and amylase. Subsequently, data on the qualified parameters were randomly divided into two groups, the train and the test sets. A hybrid decision support system was developed through SVM method, using 132 patient data from the train set. On the 88 test data, 87% sensitivity, 79% specificity and 82% accuracy values were obtained for the SVM model.