Acil serviste pulmoner tromboemboli şüphesi taşıyan hastaların bilgisayarlı tomografi görüntülerinin yapay zeka ile değerlendirilmesi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Hacettepe Üniversitesi, Türkiye
Tezin Onay Tarihi: 2022
Tezin Dili: Türkçe
Öğrenci: YASİN BUCAK
Danışman: Mehmet Ali Karaca
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Bu çalışmada; erişkin hastalarda mortalitenin önemli bir nedeni olan pulmoner emboliyi (PE) bilgisayarlı tomografi pulmoner anjiyografi (BTPA) görüntüleriyle acil serviste erken dönemde tanımak ve pulmoner emboliyi doğru lokalize etmek için yapay zeka kullanarak oluşturulan bilgisayar destekli algoritma kullanıldı. Retrospektif metodolojik bir araştırma olarak yapılan bu çalışmada, Hacettepe Üniversitesi Tıp Fakültesi Hastanesi Erişkin Acil Servisi'ne 01 Ocak 2016 – 31 Aralık 2020 tarihleri arasında başvuran ve PE ön tanısı ile BTPA tetkik edilen 1948 hastaya ait veriler analiz edildi. Hastalara ait görüntüler DICOM formatında kaydedildikten sonra Python programlama diliyle yazılmış olan algoritma üzerinde standardize edilerek değerlendirildi. Tasarlanan yapay zeka algoritması tarafından bu hastaların BTPA görüntüleri, PE varlığı ve yokluğu; PE varsa embolinin anatomik seviyesi (masif, ana pulmoner, lober, lober+segmenter, segmenter, subsegmenter) açısından değerlendirildi. Çalışmaya dahil edilen hastaların %51,4 ü kadın (n=1002), %48,6'sı erkekti (n=946). Hastalarda median yaş 61.50 yıl olarak saptandı. Radyolog yorumu altın standart olarak baz alındığında; segmenter PE tanısı için yapay zeka analizinin sensitivitesi %82,3, spesifitesi %93,5, pozitif prediktif değeri %29,5, negatif prediktif değeri ise %99,4 olarak hesaplandı. Ana pulmoner PE açısından yapay zeka analizinin sensitivitesi %84,2, spesifitesi %99,7, pozitif prediktif değeri %80, negatif prediktif değeri ise %99,7 olarak hesaplandı. Masif PE açısından yapay zeka analizinin sensitivitesi %84,6, spesifitesi %99,6, pozitif prediktif değeri %82,5, negatif prediktif değeri ise %99,7 olarak hesaplandı. Çalışmaya katılan tüm hastaların yapay zeka analizinde yanlış pozitiflik oranı %54,4 (n=276) olarak hesaplandı. Yapay zeka analizine göre, yanlış pozitif olan vakaların %44,1'i (n=127) subsegmenter PE olarak bulundu. Sonuç olarak 24 saat radyolog yorumu sağlanamayan acil servislerde yapay zeka analizlerinin kullanımı özellikle ana pulomer arter ve masif PE'lerin erken tanısının konulmasında acil servis hekimlerine büyük kolaylık sağlayacaktır. Subsegmenter PE başta olmak üzere daha küçük pulmoner arter dallarındaki PE'lerin tanısı için yapay zeka analizlerinin daha da geliştirilmesi gerekmektedir.