Prematüre yenidoğanlarda makina öğrenmesi tabanlı geç başlangıçlı sepsis ve nekrotizan enterokolit tanı modellerinin açıklanabilirlik ve itiraz edilebilirliği

Abstract

Geç başlangıçlı sepsis (GBS) ve nekrotizan enterokolit (NEK) hastalıklarıprematüre yenidoğanlarda ölüme varabilecek risklere sebep olmaktadır. Semptomlarınbelirsizliği, tanı için gereken kan testlerinin sonuçlanmalarının uzun sürmesi vesonuçlarda karşılaşılan hatalar, tedavi süreçlerini olumsuz etkilemektedir. Yakın zamandayapılmış demografik ve Elektrokardiyografi (EKG) verisi bazlı makine öğrenmesiçalışmalarında yüksek tanı performansları elde edilmiş olmakla birlikte, modelhatalarının bebeklerde antibiyotik direnci veya tedavi süreçlerinin gecikmesi dolayısı ileölüme varabilecek yüksek riskleri söz konusudur.Bu tez çalışmasında, hasta demografik bilgileri ve klinik izlemede daha yaygınolarak kullanılan Nabız Oksimetre (NO) verileri ile söz konusu hastalıkların tanıları içinmakine öğrenmesi modelleri geliştirilmiştir. Bu modellerin Açıklanabilir Yapay Zeka(XAI) ve İtiraz Edilebilirlik kavramları ile analiz edilmesi ile son kullanıcılar olandoktorların model hatalarını fark etmelerini sağlayacak bir metodoloji geliştirilmiştir.Bu çalışmada geliştirilen yaklaşım sayesinde tanı modelleri daha yaygın olarakkullanılabilecek ve hatalı kararların farkedilebilmeleri ile modellerin iyileştirilmesimümkün olacak, böylece klinik olarak güvenilirlikleri artacaktır.

Late-onset sepsis (LOS) and Necrotizing Enterocolitis (NEC) diseases have fatalrisks for preterm infants. Due to subtle clinical symptoms, long-duration needs for bloodtest results, and inaccuracies in these tests, the treatment procedures are negativelyaffected. Although high diagnostic performances have been achieved in recent machinelearning studies based on demographic and Electrocardiography (ECG) data, incorrectdecisions of these models have risks of antibiotic resistance and mortality due to delay oftreatment.In this thesis study, we trained machine learning models based on patientdemographic information and Pulse Oximetry (PO) data more prevalently used in clinicalmonitoring. By analyzing these models with concepts of Explainable ArtificialIntelligence (XAI) and contestability, we developed a methodology to support cliniciansin identifying incorrect model decisions.Due to the approach developed in this study, diagnostic models will be used moreprevalently, and by recognition of incorrect decisions, it will be possible to improve themodels, thus their clinical reliabilities will increase.