Akademik Veri Yönetim Sistemi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: İstanbul Üniversitesi, İstanbul Tıp Fakültesi, Dahili Tıp Bilimleri Bölümü, Türkiye
Tezin Onay Tarihi: 2023
Tezin Dili: İngilizce
Öğrenci: yusuf yeşil
Asıl Danışman (Eş Danışmanlı Tezler İçin): Alpay Medetalibeyoğlu
Özet:
Günümüzde yapay zeka teknolojilerinin sağladığı imkanlar diğer sektörlerde olduğu gibi sağlık alanında da sayısı ve çeşitliliği giderek artan karmaşık elektronik sağlık kayıtlarının değerlendirilmesi için yeni bir ufuk açmıştır. Sağlık alanındaki karar verme süreçlerini kolaylaştıran verilerdeki ilişki ve örüntüleri saptamak üzere çeşitli makine öğrenmesi ve derin öğrenme yöntemleri tanımlanmıştır. Radyolojik ve histopatolojik görüntülerin farklı derin öğrenme modelleri işlenmesinde olduğu gibi bunlardan bazıları rutin uygulamaya geçmiştir. Farklı hastalıklar için semptomlar, klinik bulgular, genetik test sonuçları aracılığıyla risk sınıflaması ya da tanı ve prognoz tahminlemesi yapılması konusundaki çalışmalar ise artarak devam etmektedir. Veri merkezli dijitalleşmenin yaygınlaşması ve yapay zeka uygulamaları laboratuvar tıbbını da önemli ölçüde etkilemiştir. Klinik kimya ve immünoloji laboratuvarları gibi büyük ve yüksek düzeyde yapılandırılmış veri üreten klinik tanı laboratuvarları da yapay zeka teknolojilerinden yararlanmaya uygun bir alan olarak dikkati çekmektedir. Bu bağlamda yürüttüğümüz çalışmamızda başlangıç tıbbi laboratuvar test sonuçları bir derin öğrenme yöntemi olan Konvolüyonel Sinir Ağı (CNN) algoritmasıyla değerlendirilerek İç Hastalıkları kapsamındaki farklı hastalık gruplarının tanı/ön-tanı tahminlemesini yapabilecek modeller geliştirilmesi amaçlanmıştır. Retrospektif olarak yürütülen bu çalışmada İstanbul Üniversitesi İstanbul Tıp Fakültesi İç Hastalıkları Anabilim Dalı poliklinik ve servislerine başvuran hastaların ilk başvurudaki laboratuvar test sonuçları, yaş ve cinsiyet kayıtları ile Hastalıkların Uluslararası Sınıflaması (ICD-10) sistemine göre belirlenen tanı ve ön-tanıları Hastane Bilgi Yönetim Sistemi veritabanından sağlanmıştır. Veri seti hazırlama sürecinin ardından veri setindeki hastalar, ICD-10 kodlama sisteminin 2. seviyesindeki tanı/ön tanı dağılımına göre 18 farklı hastalık grubu için gruplandırılarak etiketlendi. Daha sonra CNN temelli yapay sinir ağı mimarisi kullanılarak her hastalık grubuna özel bir model oluşturmak üzere veri seti 18 farklı model için eğitilmiştir. Oluşturulan modellerin performansları doğruluk, recall, özgüllük, kesinlik ve F1 skorları hesaplanarak değerlendirilmiştir. Ayrıca, oluşturulan modellere çalışma tasarımı ile uyumlu olacak şekilde, sadece laboratuvar test sonuçlarının kullanımına dayanan yeni bir veri seti oluşturularak iki aşamalı gerçek zamanlı bir klinik validasyon uygulanmıştır. Farklı hastalık grubu için derin öğrenme yöntemi ile oluşturduğumuz 18 modelin doğruluk, recall, özgüllük, kesinlik ve F1 skoru değerlerinin ortalamaları sırasıyla %77, %69, %83, %82 ve %74 bulunmuştur. Klinik validasyonda da iç hastalıkları uzmanının %82 ortalama doğruluk değerine karşılık modeller %79 ortalama doğruluk değerine ulaşmıştır. Elde ettiğimiz sonuçlar derin öğrenme modellerinin klinik pratikte uzman hekim kadar olmasa da uzmana yakın bir başarı performansı gösterebileceğini ortaya koymuştur. Yapay zeka uygulamalarının rutin klinik kullanımı henüz erken aşamalarda olsa da laboratuvar test sonuçları kullanılarak geliştirilen tanı/ön-tanı tahminleme modellerinin laboratuvar sonuç raporlarına entegrasyonunun başta birinci basamak sağlık hizmetlerinin sunumunda olmak üzere klinik karar süreçlerine önemli katkılar sağlayacağı görüşündeyiz. Sürmekte olan dijital devrim ve bilişim çağında yapay zeka modellerinin kendi kendine öğrenme, kendini düzeltme ve sürdürülebilir gelişme yetenekleri tıbbi laboratuvar verilerinin potansiyeli ile birlikte ele alındığında, yapay zeka modellerinin laboratuvar tıbbında yakın bir gelecekte etkin bir araca dönüşmesi kaçınılmaz gibi görünmektedir. Anahtar kelimeler: Yapay zeka, Derin öğrenme, Konvolüyonel Sinir Ağı, Tıbbi laboratuvar test sonuçları