Quick Search
The effect of well-known burn-related features on machine learning algorithms in burn patients’ mortality prediction
Hilmi Yazıcı1, Onur Ugurlu2, Yesim Aygul3, Mehmet Yildirim4, Ahmet Deniz Uçar41Department of General Surgery, Marmara University, Pendik Training and Research Hospital, İstanbul-Türkiye2Faculty of Engineering and Architecture, Izmir Bakircay University, İzmir-Türkiye
3Department of Mathematics, Ege University, İzmir-Türkiye
4Department of General Surgery, University of Health Sciences, Izmir Bozyaka Training and Research Hospital, İzmir-Türkiye
BACKGROUND: Burns is one of the most common traumas worldwide. Severely injured burn patients have an increased risk for mortality and morbidity. This study aimed to evaluate well-known risk factors for burn mortality and comparison of six machine learn-ing (ML) Algorithms’ predictive performances.
METHODS: The medical records of patients who had burn injuries treated at Izmir Bozyaka Training and Research Hospital's Burn Treatment Center were examined retrospectively. Patients’ demographics such as age and gender, total burned surface area (TBSA), Inhalation injury (II), full-thickness burns (FTBSA), and burn types (BT) were recorded and used as input features in ML models. Pa-tients were analyzed under two groups: Survivors and Non-Survivors. Six ML algorithms, including k-Nearest Neighbor, Decision Tree, Random Forest, Support Vector Machine, Multi-Layer Perceptron, and AdaBoost (AB), were used for predicting mortality. Several different input feature combinations were evaluated for each algorithm.
RESULTS: The number of eligible patients was 363. All six parameters (TBSA, Gender, FTBSA, II, Age, BT) that were included in ML algorithms showed a significant difference (p<0.001). The results show that AB algorithm using all input features had the best predic-tion performance with an accuracy of 90% and an area under the curve of 92%.
CONCLUSION: ML algorithms showed strong predictive performance in burn mortality. The development of an ML algorithm with the right input features could be useful in the clinical practice. Further investigations are needed on this topic.
Yanık hastalarının mortalite öngörüsünde makine öğrenimi algoritmalarının kullanılması
Hilmi Yazıcı1, Onur Ugurlu2, Yesim Aygul3, Mehmet Yildirim4, Ahmet Deniz Uçar41Marmara Üniversitesi Pendik Eğitim ve Araştırma Hastanesi, Genel Cerrahi Kliniği, İstanbul, Türkiye2İzmir Bakırçay Üniversitesi, Mimarlık ve Mühendislik Fakültesi, İzmir, Türkiye
3Ege Üniversitesi, Matematik Bölümü, İzmir, Türkiye
4Sağlık Bilimleri Üniversitesi, İzmir Bozyaka Eğitim ve Araştırma Hastanesi, Genel Cerrahi Kliniği, İzmir, Türkiye
AMAÇ: Yanıklar dünya çapında en yaygın travmalardan biridir. Ciddi yanık hastalarında, mortalite ve morbidite riski oldukça yüksektir. Bu çalışmada, yanık mortalitesi için risk faktörlerini değerlendirmeyi ve bu faktörler için altı farklı Makine Öğrenimi (MÖ) Algoritmasının tahmin performanslarını karşılaştırılması amaçlandı.
GEREÇ VE YÖNTEM: Yanık tedavi merkezinde tedavi edilen yanık hastalarının tıbbi kayıtları retrospektif olarak incelendi. Hastaların yaş ve cinsiyet, Toplam Yanık Yüzey Alanı, İnhalasyon Yaralanması, tam kat yanıkları, yanık tipleri gibi verileri kaydedildi ve MÖ modellerinde girdi özelliği olarak kullanıldı. Hastalar Yaşayanlar ve Yaşamayanlar olarak iki grup altında incelendi. Mortaliteyi tahmin etmek için k-Nearest Neighbor, Decision Tree, Random Forest, Support Vector Machine, Multi-Layer Perceptron, ve AdaBoost olmak üzere altı MÖ algoritması kullanıldı. Her algoritma için birçok farklı öğreti kombinasyonu değerlendirildi.
BULGULAR: Çalışmaya dahil edilen hasta sayısı 363 idi. MÖ algoritmalarına dahil edilen altı parametrenin tümü tek değişkenli analizde anlamlı bir fark gösterdi (p<0.001). Sonuçlar, tüm girdi özelliklerini kullanan AdaBoost algoritmasının %90 Doğruluk ve %92 AUC ile en iyi tahmin performan-sına sahip olduğunu göstermektedir.
SONUÇ: Doğru verilerin öğretildiği MÖ algoritmaları, yanık mortalitesinde yüksek tahmin performansı göstermiştir. Yanık hastaları için uygun verilerin öğretildiği MÖ modellerinin, klinik pratikte kullanışlı olabileceğini düşünmekteyiz. Bu nedenle, bu konuda daha ileri araştırmalara ihtiyaç vardır.
Manuscript Language: English