Quick Search
A method for predicting mortality in acute mesenteric ischemia: Machine learning
Ahmet Tarık Harmantepe1, Ugur Can Dulger2, Emre Gonullu1, Enis Dikicier2, Adem Şentürk3, Erhan Eröz41Department of Gastroenterology Surgery, Sakarya University Faculty of Medicine, Sakarya-Türkiye2Department of General Surgery, Sakarya University Faculty of Medicine, Sakarya-Türkiye
3Department of Oncology Surgery, Sakarya University Faculty of Medicine, Sakarya-Türkiye
4Department of General Surgery, Sakarya University Training and Research Hospital, Sakarya-Türkiye
BACKGROUND: This study aimed to develop and validate an artificial intelligence model using machine learning (ML) to predict hospital mortality in patients with acute mesenteric ischemia (AMI).
METHODS: A total of 122 patients diagnosed with AMI at Sakarya University Training and Research Hospital between January 2011 and June 2023 were included in the study. These patients were divided into a training cohort (n=97) and a validation cohort (n=25), and further categorized as survivors and non-survivors during hospitalization. Serum-based laboratory results served as features. Hyperfeatures were eliminated using Recursive Feature Elimination (RFE) in Python to optimize outcomes. ML algorithms and data analyses were performed using Python (version 3.7).
RESULTS: Of the patients, 56.5% were male (n=69) and 43.5% were female (n=53). The mean age was 71.9 years (range 39-94 years). The mortality rate during hospitalization was 50% (n=61). To achieve optimal results, the model incorporated features such as age, red cell distribution width (RDW), C-reactive protein (CRP), D-dimer, lactate, globulin, and creatinine. Success rates in test data were as follows: logistic regression (LG), 80%; random forest (RF), 60%; k-nearest neighbor (KN), 52%; multilayer perceptron (MLP), 72%; and support vector classifier (SVC), 84%. A voting classifier (VC), aggregating votes from all models, achieved an 84% success rate. Among the models, SVC (sensitivity 1.0, specificity 0.77, area under the curve (AUC) 0.90, Confidence Interval (95%): (0.83-0.84)) and VC (sensitivity 1.0, specificity 0.77, AUC 0.88, Confidence Interval (95%): (0.83-0.84)) were noted for their effectiveness.
CONCLUSION: Independent risk factors for mortality were identified in patients with AMI. An efficient and rapid method using various ML models to predict mortality has been developed.
Akut mezenter iskemisinde mortaliteyi tahmin etmeye yönelik bir yöntem: Makine öğrenimi
Ahmet Tarık Harmantepe1, Ugur Can Dulger2, Emre Gonullu1, Enis Dikicier2, Adem Şentürk3, Erhan Eröz41Sakarya Üniversitesi Tıp Fakültesi, Gastroenteroloji Cerrahisi Bilim Dalı, Sakarya, Türkiye2Sakarya Üniversitesi Tıp Fakültesi, Genel Cerrahi Anabilim Dalı, Sakarya, Türkiye
3Sakarya Üniversitesi Tıp Fakültesi, Onkoloji Cerrahisi Bilim Dalı, Sakarya, Türkiye
4Sakarya Üniversitesi Eğitim ve Araştırma Hastanesi, Genel Cerrahi Anabilim Dalı, Sakarya, Türkiye
AMAÇ: Bu çalışma, akut mezenterik iskemi (AMI) hastalarında hastane ölümünü tahmin eden bir yapay zeka modeli geliştirmek ve doğrulamak için makine öğrenimi (ML) modellerini kullanmayı amaçladı.
GEREÇ VE YÖNTEM: Ocak 2011-Haziran 2023 tarihleri arasında Sakarya Üniversitesi Eğitim ve Araştırma Hastanesi'nde AMİ tanısı alan 122 hastanın tamamı çalışmaya dahil edildi. Hastalar bir eğitim kohortu (n=97) ve bir doğrulama kohortu (n=25) olarak ikiye ayrıldı. Tüm hastalar ölenler ve hayatta kalanlar olarak 2 gruba ayrıldı. Parametre olarak serum bazlı laboratuvar sonuçları kullanıldı. En iyi sonucu elde etmek için Python'da Recursive Feature Elimination (RFE) ile hiperparametreler ortadan kaldırıldı. ML algoritmaları ve veri analizi Python (3.7) programlama dilinde yapıldı. BULGULAR: Hastaların %56.5’i erkek (n=69), %43.5’i kadın (n=53) idi. Hastaların yaş ortalaması 71,9 (39-94) idi. Hastaneye yatışta mortalite oranı %50 (n=61) idi. Optimum sonuçlara ulaşmak için model yalnızca yaş, RDW, C reaktif protein (CRP), D-dimer, laktat, globulin ve kreatin özelliklerini seçti. Test verilerindeki başarı oranı lojistik regresyonda (LG) %80, random forest’ de %60, k-en yakın komşuluğunda (KN) %52, çok katmanlı sinir ağında (MLP) %72, destek vektör makinelerinde (SVC) %84 idi. Tüm modellerin oylanmasıyla oluşturulan voiting classifier’ de (VC) %84 başarı oranı elde edildi. Modeller arasında SVC (duyarlılık 1.0 özgüllük 0.77 AUC 0.90 Güven Aralığı (%95): (0.83- 0.84)) ve VC (duyarlılık 1.0 özgüllük 0.77 AUC 0.88 Güven Aralığı (%95): (0.83- 0.84)) gösterdi.
SONUÇ: Hastaların %56.5’i erkek (n=69), %43.5’i kadın (n=53) idi. Hastaların yaş ortalaması 71,9 (39-94) idi. Hastaneye yatışta mortalite oranı %50 (n=61) idi. Optimum sonuçlara ulaşmak için model yalnızca yaş, RDW, C reaktif protein (CRP), D-dimer, laktat, globulin ve kreatin özelliklerini seçti. Test verilerindeki başarı oranı lojistik regresyonda (LG) %80, random forest’ de %60, k-en yakın komşuluğunda (KN) %52, çok katmanlı sinir ağında (MLP) %72, destek vektör makinelerinde (SVC) %84 idi. Tüm modellerin oylanmasıyla oluşturulan voiting classifier’ de (VC) %84 başarı oranı elde edildi. Modeller arasında SVC (duyarlılık 1.0 özgüllük 0.77 AUC 0.90 Güven Aralığı (%95): (0.83-0.84)) ve VC (duyarlılık 1.0 özgüllük 0.77 AUC 0.88 Güven Aralığı (%95): (0.83-0.84)) gösterdi.
Corresponding Author: Ahmet Tarık Harmantepe, Türkiye
Manuscript Language: English