Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular: Sınıflandırmada ANN (Artificial Neural Networks), SVM (Support vector machine), KNN (K-Nearest Neighbors), DTL (Decision Tree Learning) gibi birçok sınıflandırıcı kullanılmış olup, en yüksek sınıflandırma başarısına ANN ile ulaşılmıştır.
📌 3 Maddede Bu Makale
Özet
Amaç: Bu çalışma, yoğun bakımda yatan ve idrar yolu enfeksiyonu bulunan hastalarda başlangıç tedavi seçimine rehberlik etmek için Gram boyamaya alternatif olabilecek, biyokimya tetkikleri ile oluşturulmuş makine öğrenmesi algoritmalarının etkililiğine odaklanmıştır. Yöntem: Çalışmaya alınan örnekler laboratuvardan Gram boyama isteği yapılmış ve Gram boyamaya eş zamanlı TİT, CBC ve CRP isteği yapılmış 203 yoğun bakım hastasından geriye yönelik oluşturulmuştur. Çalışmada, biyokimya laboratuvar parametreleri kullanarak Gram boyamaya alternatif, Gram-negatif ve Gram-pozitif bakteri tahmini için sınıflandırma yapılmıştır. Bulgular: Sınıflandırmada ANN (Artificial Neural Networks), SVM (Support vector machine), KNN (K-Nearest Neighbors), DTL (Decision Tree Learning) gibi birçok sınıflandırıcı kullanılmış olup, en yüksek sınıflandırma başarısına ANN ile ulaşılmıştır. Sınıflandırma sonucu ANN ile %84.6 Acc, %88.5 Sn, %73.5 Sp değerlerine ulaşılmıştır. Sonuç: Özellikle algoritmanın yüksek özgüllüğü ve doğruluğu, yoğun bakım hastalarında idrar yolu enfeksiyonu ampirik antibiyotik tedavisi seçiminde kullanılabileceğini, laboratuvar testlerinin makine öğrenmesi metotları ile harmanlanarak daha gelişmiş ve teknolojik imkanlar sağlayabileceğini göstermiştir.
Abstract
Purpose: The aim of this study was to develop a useful algorithm based on complete blood count (CBC), urinalysis, and biochemical parameters that could be an alternative to Gram staining in the prediction of UTI and the determination of initial antibiotic treatment in ICU patients. Methods: All the specimens included in the study were obtained from ICU patients and were subjected to Gram staining in the laboratory. Simultaneously, CBC, urinalysis, and biochemical tests were performed for each specimen. A classification based on biochemical parameters was performed for the estimation of Gram-negative and Gram-positive bacteria, as an alternative to Gram staining. Results: Classification was achieved using multiple classification systems including Artificial Neural Networks (ANN), Support Vector Machine (SVM), the K-Nearest Neighbors (KNN), and Decision Tree Language (DTL) and the best classification performance was achieved by ANN, with an accuracy of 84.6%, a sensitivity of 88.5%, and a specificity of 73.5%. Conclusion: The high specificity and accuracy of the algorithm indicated that this algorithm can be effectively used in the selection of empirical antibiotic treatment for ICU patients with UTI and can provide more advanced and technological opportunities by combining laboratory parameters with machine learning techniques.