AI Summary & Key Takeaways
AI InsightResults: The decision tree achieved an overall accuracy of 84.3%, with a sensitivity of 89.8%, a specificity of 76.3%, a positive predictive value of 84.8%, and a negative predictive value of 83.7%.
📌 3 Key Takeaways
Abstract
Abstract Background: Acute appendicitis remains a common surgical emergency, and diagnostic uncertainty persists despite the use of clinical scores and imaging. We examined whether an interpretable decision tree could support classification of appendicitis using routinely available clinical, laboratory, and imaging variables. Methods: This retrospective single-center study included 281 patients who presented to El-Youssef Hospital with suspected appendicitis between June 2015 and May 2020. A J48 decision tree was developed in WEKA using age, fever, white blood cell count, neutrophil percentage, C-reactive protein, ultrasound findings, and computed tomography findings. Model performance was estimated with 10-fold cross-validation and reported using the confusion matrix. Results: The decision tree achieved an overall accuracy of 84.3%, with a sensitivity of 89.8%, a specificity of 76.3%, a positive predictive value of 84.8%, and a negative predictive value of 83.7%. Ultrasound, computed tomography, white blood cell count, and neutrophil percentage were the most informative predictors. Misclassifications were most common in patients with atypical presentations or borderline laboratory values. Conclusion: In this single-center retrospective cohort, a decision tree classifier showed good internal performance for distinguishing appendicitis from non-appendicitis. The findings support the feasibility of an interpretable decision-support model, but they do not establish clinical effectiveness. External multicenter validation and comparison with alternative algorithms and existing scoring systems are needed before clinical implementation. Keywords: Acute appendicitis; data mining; decision tree; machine learning; diagnostic classification; clinical decision support.
Özet
Özet Amaç: Akut apandisit, yaygın görülen cerrahi acillerden biri olmaya devam etmekte olup, klinik skorlama sistemleri ve görüntüleme yöntemlerinin kullanımına rağmen tanısal belirsizlik sürmektedir. Bu çalışmada, rutin olarak elde edilebilen klinik, laboratuvar ve görüntüleme değişkenleri kullanılarak yorumlanabilir bir karar ağacı modelinin apandisit sınıflandırmasını destekleyip destekleyemeyeceği araştırıldı. Yöntemler: Bu retrospektif tek merkezli çalışmaya, Haziran 2015 ile Mayıs 2020 tarihleri arasında El-Youssef Hastanesi’ne şüpheli apandisit tanısıyla başvuran 281 hasta dahil edildi. WEKA yazılımı kullanılarak yaş, ateş, beyaz küre sayısı, nötrofil yüzdesi, C-reaktif protein düzeyi, ultrasonografi bulguları ve bilgisayarlı tomografi bulgularını içeren bir J48 karar ağacı modeli geliştirildi. Model performansı 10 katlı çapraz doğrulama yöntemiyle değerlendirildi ve karışıklık matrisi kullanılarak raporlandı. Bulgular: Karar ağacı modeli %84,3 genel doğruluk oranı elde etti. Modelin duyarlılığı %89,8, özgüllüğü %76,3, pozitif prediktif değeri %84,8 ve negatif prediktif değeri %83,7 olarak bulundu. Ultrasonografi, bilgisayarlı tomografi, beyaz küre sayısı ve nötrofil yüzdesi en bilgilendirici belirteçler olarak saptandı. Yanlış sınıflandırmalar en sık atipik klinik prezentasyona veya sınırda laboratuvar değerlerine sahip hastalarda görüldü. Sonuç: Bu retrospektif tek merkezli kohortta, karar ağacı sınıflandırıcısı apandisit ve non-apandisit olgularını ayırt etmede iyi düzeyde içsel performans göstermiştir. Bulgular, yorumlanabilir bir klinik karar destek modelinin uygulanabilirliğini desteklemekle birlikte, klinik etkinliğini kanıtlamamaktadır. Klinik uygulamaya geçilmeden önce çok merkezli dış doğrulama çalışmaları ile alternatif algoritmalar ve mevcut skorlama sistemleriyle karşılaştırmalı analizlerin yapılması gerekmektedir. Anahtar Kelimeler Akut apandisit; veri madenciliği; karar ağacı; makine öğrenmesi; tanısal öngörü; klinik karar desteği.