Yapay zeka ile laktat trendi tahmin edilebilir mi? Makine öğrenmesi modellerinin karşılaştırılması
Mustafa Kemal Arslantaş, Tunç Aşuroğlu, Reyhan Arslantaş, Emin Pashazade, Pelin Çorman Dinçer, Gülbin Töre Altun, Alper Kararmaz
Demiroğlu Bilim Üniversitesi, Tıp Fakültesi, Anesteziyoloji ve Reanimasyon Anabilim Dalı, İstanbul
Giriş:
Serum laktat seviyesi geleneksel olarak doku hipoksisinin bir belirteci olarak yorumlanır ve sıklıkla sepsis/septik şokun şiddeti ve klinik seyrinin bir göstergesi olarak kullanılır(1). Laktat trendinin yoğun bakım ünitesinde yatan hastalarda mortaliteyi tahmin etmede statik laktat ölçümlerinden daha iyi olduğu gösterilmiştir(2). Literatürde solunumsal ve hemodinamik parametreleri kullanarak laktat trendini öngörebilen bir makaleye rastlamadık. Çalışmamızda laktat trendini tahmin eden en iyi makine öğrenmesi modelini bulmayı amaçladık.
Gereç ve Yöntem: Medical Information Mart for Intensive Care IV (MIMIC-IV) veri tabanından sepsis tanılı yetişkin hastalar seçildi. Hastaların yaş, iki ardışık arteriyel kan gazı analizlerinden elde edilen laktat değerleri, inspire edilen oksijen konsantrasyonu ve iki ölçüm arasında hasta başı monitörden otomatik olarak kaydedilmiş solunumsal ve hemodinamik parametrelerin (kalp hızı, kan basıncı, satürasyon) ortalama değerleri kullanıldı. Laktat değerindeki 1 mmol/L ve üzeri değişim (artma, azalma, sabit kalma) için rastgele orman, naive bayes, j48 karar ağacı, çok katmanlı perseptron, K en yakın komşu ve lojistik model ağaçları algoritmaları kullanılarak deneyler yapıldı. Modellerinin eğitilmesi ve test edilmesi için on kat çapraz geçerleme yöntemi kullanılmıştır. Modelin doğru karar verme gücünü değerlendirmek için eğri altında kalan alan (Area Under the Curve=AUC) hesaplandı.
Bulgular: Sepsis hastalarından elde edilmiş 23153 örneklem kullanılarak deney yapılmıştır. Öngörücü olarak trendi en iyi şekilde formüle edebilen yöntemin lojistik regresyon yaklaşımını kullanan lojistik model ağaçları(3) olduğu tespit edildi. Bu deneylerde en iyi sonucu veren lojistik model ağaçları algoritmasının artma, azalma ve sabit kalma trendi öngörme performansı AUC cinsinden sırasıyla 0.681, 0.824 ve 0.788’dir. İkinci en iyi öngörme performansı 0.677, 0.820, 0.786 AUC değerleri ile rastgele orman yöntemine aittir. En kötü performansı ise 0.537, 0.556, 0.57 AUC değerleri ile K en yakın komşu yöntemi göstermiştir.
Tartışma ve Sonuç: Yapay zeka ile lojistik model ağaçları algoritmasını kullanarak sepsis hastalarının solunumsal ve hemodinamik monitörizasyon verilerinden laktat trendi doğru bir şekilde tahmin edilebilir. Bu algoritmanın üretilecek hasta başı monitörlere eklenmesiyle klinisyenlere laktat değişimini gösteren erken uyarı sistemi oluşturulabilir.
|