EN
TÜRKÇE
Oral Presentation - 17
Prediction of Surgical Necessity in Children with Ureteropelvic Junction Obstruction Using Machine Learning
Ç Arslan Alıcı
Clinic of Pediatric Urology, University of Health Sciences, Eskisehir City Hospital
Absract
Objective: Hydronephrosis of the upper urinary tract due to obstruction of the ureteropelvic junction create clinical problems because it can lead to damage in the kidney. In this study, the efficacy of machine learning algorithms like XGB Classifier and Logistic Regression in anticipating the requirement for surgical intervention among patients with hydronephrosis due to ureteropelvic junction obstruction was assessed.
Methods: Hydronephrosis was diagnosed in the medical records of patients from January 2015 to December 2020. These patients were classified into two groups: those who were not operated upon (n=194) and those who had surgical procedures (n=129). Details such as demographics, clinical presentations, and imaging findings were captured. XGB Classifier and Logistic Regression methods were employed to predict the requirement for an operation. The performance of the models was assessed based on ROC-AUC values, sensitivity, and specificity.
Results: The XGB Classifier algorithm gave the best prediction results with a ROC-AUC value of 0.977 and an accuracy rate of 95.4%. The Logistic Regression algorithm, on the other hand, offered the highest prediction during cross-validation. The presence of obstruction on DTPA/MAG 3 scintigraphy, kidney size, anteroposterior diameter of the renal pelvic and parenchymal thickness observed in hydronephrotic kidney on urinary USG have been identified as important predictive factors.
Conclusions: In predicting the requirement for surgery in cases of hydronephrosis due to ureteropelvic junction obstruction machine learning algorithms have shown high accuracy and sensitivity rates. Consequently, clinical decision support systems based on these algorithms may lead to better care management of patients and more accurate projections concerning the need for surgical intervention.
Makine Öğrenimi ile Üreteropelvik Bileşke Darlığı olan Çocuklarda Cerrahi Gereksinim Tahminlemesi
Ç Arslan Alıcı
Sağlık Bilimleri Ünversitesi Eskişehir Şehir Hastanesi Çocuk Üroloji Kliniği
Özet
Amaç: Üreteropelvik bileşke obstrüksiyonuna bağlı üst üriner sistem hidronefrozu, böbrekte hasara yol açabildiği için klinik sorunlar yaratır. Bu çalışmada, XGB Sınıflandırıcı ve Lojistik Regresyon gibi makine öğrenmesi algoritmalarının üreteropelvik bileşke obstrüksiyonuna bağlı hidronefrozlu hastalarda cerrahi müdahale gereksinimini öngörmedeki etkinliği değerlendirilmiştir.
Materyal ve Metod: Ocak 2015'ten Aralık 2020'ye kadar hastaların tıbbi kayıtlarında hidronefroz tanısı konuldu. Bu hastalar ameliyat edilmeyenler (n=194) ve cerrahi prosedür uygulananlar (n=129) olmak üzere iki gruba ayrılmıştır. Demografik bilgiler, klinik tablolar ve görüntüleme bulguları gibi ayrıntılar kaydedilmiştir. Ameliyat gerekliliğini tahmin etmek için XGB Sınıflandırıcı ve Lojistik Regresyon yöntemleri kullanılmıştır. Modellerin performansı ROC-AUC değerleri, duyarlılık ve özgüllük temelinde değerlendirilmiştir.
Bulgular: XGB Sınıflandırıcı algoritması 0,977 ROC-AUC değeri ve %95,4 doğruluk oranı ile en iyi tahmin sonuçlarını vermiştir. Lojistik Regresyon algoritması ise çapraz doğrulama sırasında en yüksek tahmini sunmuştur. DTPA/MAG 3 sintigrafisinde obstrüksiyon varlığı, üriner USG'de hidronefrotik böbrek boyutu, renal pelvisin ön-arka çapı ve böbrekte gözlenen parankim kalınlığı önemli prediktif faktörler olarak tanımlanmıştır.
Sonuçlar: Üreteropelvik bileşke obstrüksiyonuna bağlı hidronefroz vakalarında cerrahi gereksinimini öngörmede makine öğrenimi algoritmaları yüksek doğruluk ve duyarlılık oranları göstermiştir. Sonuç olarak, bu algoritmalara dayanan klinik karar destek sistemleri, hastaların daha iyi bakım yönetimine ve cerrahi müdahale ihtiyacına ilişkin daha doğru tahminlere yol açabilir.