Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular: Özellik düzeyindeki keşifsel iç değerlendirmede, hem yoğun bakım mortalitesi hem de erken entübasyon sınıflandırması için AUC 1,00, duyarlılık %100, özgüllük %100 ve F1-skoru 1,00 olarak bulundu.
📌 3 Maddede Bu Makale
Özet
Amaç: Bu pilot çalışmada, rutin yatış verilerine dayalı makine öğrenmesi modellerinin yoğun bakım mortalitesi ile ilk 48 saat içinde entübasyon gereksinimini öngörmedeki uygulanabilirliğinin ve ön performansının değerlendirilmesi amaçlandı. Yöntem: Tek merkezli, retrospektif, gözlemsel pilot çalışmaya 10 erişkin yoğun bakım hastası dahil edildi. Yapay sinir ağı geliştirilmesi için her hastaya ait önceden belirlenmiş 13 klinik ve laboratuvar özelliği uzun veri formatında yeniden düzenlenerek toplam 130 özellik düzeyinde kayıt oluşturuldu. Bu kayıtlar, bağımsız hasta gözlemlerini değil, 10 hastadan türetilen özellik kayıtlarını temsil etmekteydi. Demografik özellikler, primer tanı, APACHE II ve SOFA skorları, arter kan gazı parametreleri, oksijenasyon göstergeleri (FiO₂, PaO₂/FiO₂) ve rutin metabolik–biyokimyasal değişkenler analiz edildi. Yoğun bakım mortalitesi ve ilk 48 saat içinde entübasyon gereksiniminin öngörülmesi amacıyla ML tabanlı sınıflandırma modelleri kullanıldı. Bulgular: Özellik düzeyindeki keşifsel iç değerlendirmede, hem yoğun bakım mortalitesi hem de erken entübasyon sınıflandırması için AUC 1,00, duyarlılık %100, özgüllük %100 ve F1-skoru 1,00 olarak bulundu. Bu tahminler 10 hastadan türetilen kayıtlara dayandığından dikkatle yorumlanmalıdır. Sonuç: Bu pilot çalışma, yoğun bakım yatışında rutin olarak elde edilen verilere makine öğrenmesi yöntemlerinin uygulanabilir olduğunu göstermektedir. Bulgular ön ve hipotez oluşturucu nitelikte olup, yerleşik bir klinik öngörü performansının kanıtı olarak değerlendirilmemelidir. Modellerin daha geniş, bağımsız, prospektif ve çok merkezli hasta gruplarında doğrulanması gereklidir.
Abstract
Aim: This pilot study aimed to assess the feasibility and preliminary performance of machine learning models for predicting ICU mortality and the need for intubation within 48 hours using routinely collected admission data. Method: Ten adult intensive care patients were included in this single-center, retrospective observational pilot study. For ANN development, 13 prespecified clinical and laboratory features per patient were restructured in long format, yielding 130 feature-level records. These records represented feature entries derived from 10 patients rather than independent patient-level observations. Demographic characteristics, primary diagnosis, APACHE II and SOFA scores, arterial blood gas parameters, oxygenation indicators (FiO₂, PaO₂/FiO₂), and routine metabolic–biochemical variables were analyzed. ML-based classification models predicted ICU mortality and the need for intubation within the first 48 hours. Results: In the exploratory feature-level internal assessment, both the ICU mortality and early-intubation classifications yielded an AUC of 1.00, sensitivity of 100%, specificity of 100%, and an F1-score of 1.00. These estimates were derived from records originating from 10 patients and should be interpreted cautiously. Conclusion: This pilot study demonstrates the feasibility of applying machine learning methods to routinely collected ICU admission data. The findings are preliminary and hypothesis-generating and should not be interpreted as established clinical predictive performance. Validation in larger, independent, prospective, and multicenter cohorts is required.