Machine Learning in Longitudinal Data Analysis: A Real-World Application in Gram-Negative Bacteremia
Tezin Türü: Yüksek Lisans
Tezin Yürütüldüğü Kurum: Yıldız Teknik Üniversitesi, Fen-Edebiyat Fakültesi, İstatistik Bölümü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: İngilizce
Öğrenci: Olcay DİLKEN
Danışman: Serpil Kılıç Depren
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Sepsis hastaları, yoğun bakım ünitelerindeki hasta nüfusun çoğunluğunu oluşturmaktadır. Kan dolaşımında Gram-negatif bakterilerin varlığı, sepsisin ana nedenlerinden biridir. Kan kültürleri bakteri varlığını değerlendirmek için altın standarttır. Bununla birlikte, tipik olarak 2 ila 5 gün içinde sonuç verirler. Öte yandan, uygun tedavinin erken başlatılması sağkalım için esastır. Klinisyenlerin karar vermesine yardımcı olmak için çeşitli tahmin modelleri mevcut olsa da, bunların hiçbiri girdi olarak tekrarlanan ölçüm verilerini kullanmamaktadır. Ayrıca, modellerin çoğu farklı ülkelerde ve sağlık sistemlerinde geliştirilmiş olup genellenebilirliklerini sınırlıdır. Bu çalışmada, rutin laboratuvar değerleri ve yaşamsal bulgularla yoğun bakım ünitesinde gram-negatif bakteriyemiyi tahmin etmek için yorumlanabilir ve yüksek tahmin oranına sahip bir model geliştirilmeye çalışılmıştır. Analiz için Geleneksel ve Hibrit Makine Öğrenimi Modelleri kullanılmış, yüksek boyutlu ve yaygın eksiklik gösteren verilerin yarattığı zorluklar ele alınmıştır. 568 hastadan, hasta başına 3 günlük ölçümden elde edilen veriler çalışmaya dahil edilmiştir. Karma Etkili Rastgele Ormanlar ve Çok Örnekli Öğrenme Destek Vektör Makineleri gibi hibrit yöntemler, geleneksel makine öğrenimi algoritmalarından daha iyi performans göstererek en yüksek doğruluğu ve eğri altındaki alanı (sırasıyla 0,83 ve 0,85) sağlamıştır. Değişken önem grafikleri, kısmi bağımlılık grafikleri ve modeller için parçalanma profilleri aracılığıyla kolay yorumlanabilirlik yöntemleri de gösterilmiştir. Sonuçlar hemoglobin, albümin, önceden antibiyotik kullanımı ve santral venöz kateter varlığının pozitif kan kültürü sonucunun en etkili belirleyicileri olduğunu göstermektedir. Genel olarak bu araştırma, hasta yönetimini optimize etmek ve klinik sonuçları iyileştirmek için yoğun bakım ortamlarında yeni yöntemlerin pratik biçimde uygulanmasını sunmaktadır.