EN
TÜRKÇE
Oral Presentation Long - 5
Introduction to Artificial Intelligence and Machine Learning Applications for Diagnosis in Pediatric Urology: Prediction Model for Urinary Tract Infection
N Kuas*, Ö Çelik**, AF Aslan**, U Osmanoğlu***, N Çetin****, B Tokar*
*Eskisehir Osmangazi University, School of Medicine, Department of Pediatric Surgery, Division of Pediatric Urology
**Eskisehir Osmangazi University Faculty of Science, Department of Mathematics-Computer
***Eskisehir Osmangazi University Faculty of Medicine, Department of Biostatistics
****Eskisehir Osmangazi University Faculty of Medicine,Department of Pediatrics, Division of Pediatric Nephrology
Artificial intelligence (AI) and machine learning technique (MLT) started to find application areas in medicine. The computer in MLT finds the best solution or prediction with the experience gained by the current data. MLT could be applied to medicine with the aim of early diagnosis; effective and low cost treatment. In this study, patients admitted with urinary tract infection (UTI) were included. The findings associated with UTI were determined. The aim was to establish a model that could predict UTI. Methods:A total of 44 variables were evaluated in 106 patients admitted to pediatric urology and nephrology outpatient clinics. Correlation analysis excluded 21 variables closely related to each other. Of the remaining 23 variables, 7 independent variables which had a significant relationship with UTI (dependent variable) were determined by Logistic Regression Analysis. 27 patients with missing data were excluded and missing data analysis (MDA) was performed in 79 patients. 18 patients had only one missing variable that was creatinine. The average of the selected 'creatinine' variable was assigned and missing assigned analysis (MAA) was performed in total 94 patients. The estimation model was made by using data of 80% of patients for training and 20% for testing. Results:In 23 independent variables, gender, meningomyelocele, congenital anomalies of the urinary tract, bladder wall thickness, bladder trabeculation, creatinine level and treatment approach were 7 independent variables that were significantly associated with UTI. Different MLT algorithms were used for UTI prediction. For UTI estimation, SVC (for MDA) and XGBoost (for MAA) algorithms gave the best results. With confusion matrix, the predictive rate of UTI was 81% for MDA and 74% for MAA. Conclusion:In pediatric urology, if the decision making process uses a large number of data and takes time, AI and MLT might provide early, effective and low cost diagnosis and treatment.
Pediatrik Ürolojide Tanı Amaçlı Yapay Zeka ve Makine Öğrenme Uygulamalarına Giriş: İdrar Yolu Enfeksiyonu Tahmin Modeli
N Kuas*, Ö Çelik**, AF Aslan**, U Osmanoğlu***, N Çetin****, B Tokar*
*Eskişehir Osmangazi Üniversitesi Tıp Fakültesi, Çocuk Cerrahisi Anabilim Dalı, Çocuk Ürolojisi Bilim Dalı
**Eskişehir Osmangazi Üniversitesi, Fen Edebiyat Fakültesi, Matematik –Bilgisayar Bölümü
***Eskişehir Osmangazi Üniversitesi, Tıp Fakültesi, Bioistatistik Bölümü
****Eskişehir Osmangazi Üniversitesi Tıp Fakültesi, Çocuk Sağlığı ve Hastalıkları Anabilim Dalı, Nefroloji Bilim Dalı
Yapay zeka ve makine öğrenme tekniği (MÖT), tıp alanında da kullanılmaya başlanmıştır. MÖT, bilgisayarın insan beyni gibi, mevcut veriler ile kazandığı deneyim ile en iyi çözüm veya tahmini oluşturması ve bu deneyimi, gelecekte daha karmaşık sorunlarda bile kullanabilmesi ve kendini geliştirebilmesidir. Tıp da erken tanı, etkin ve düşük maliyetli tedavi amacı ile MÖT kullanılabilir. Bu çalışmada idrar yolu enfeksiyonu (İYE) ile başvurmuş hastalarda mevcut bulgulardan hangilerinin İYE ile ilişkilendirilebileceği ve MÖT kullanılarak İYE tahmin edebilecek bir model oluşturulması amaçlanmıştır. Yöntem: Pediatrik Üroloji ve Nefroloji polikliniklerine başvurmuş 106 hastada, veri olarak 44 değişken değerlendirildi. Korelasyon analizi ile birbiri ile yakın ilişkili 21 değişken hariç tutuldu. Geriye kalan 23 değişkenden, İYE (bağımlı değişken) ile anlamlı ilişkisi olan 7 bağımsız değişken Lojistik Regresyon Analizi ile belirlendi. Eksik verisi olan 27 hasta hariç tutularak 79 hastada eksik veri analizi yapıldı. Eksik verisi sadece kreatinin olan 18 hastada, kreatinin değer ortalaması atanarak toplam 94 hastada da eksik atama analizi yapıldı. Hastalardan %80’nin verisi makine eğitimi, %20’si test amaçlı kullanılarak doğru tahmin modeli oluşturuldu. Bulgular: 23 bağımsız değişkenden, cinsiyet, meningomiyelosel, üriner sistemin konjenital anomalileri, mesane duvar kalınlığı, mesane trabekülasyonu, kreatinin düzeyi ve tedavi yaklaşımının, İYE ile anlamlı ilişkisi olan 7 bağımsız değişken olduğu saptandı. İYE tahmini için farklı MÖT algoritmaları kullanıldı. İYE tahmini için eksik veri analizinde SVC; eksik atama analizinde ise XGBoost algoritmalarının en iyi sonucu verdiği gözlendi. Konfüzyon matrisine göre, İYE doğru tahmin etme oranı, eksik veri analizinde % 81, eksik atama analizinde ise %74 olarak bulunuldu. Sonuç: Pediatrik Ürolojide, çok sayıda veri kullanarak tanı ve tedavi için karar verme süreci yaşanan patolojilerde, bazı tetkikleri beklerken, gecikme ile oluşabilecek muhtemel sorunların önüne geçmek; erken, etkin ve düşük maliyetli tanı ve tedaviye destek olması amacı ile yapay zeka ve makine öğrenme algoritmaları kullanılabilir.