#20220123 Makine Öğrenmesi İle Sepsis Tanısı ve Tedavi Önerisi

Tıpta yapay zekanın kullanımının temeli 1970’li yıllarda geliştirilen MYCIN adlı bir sistemle atılmıştır. Projede üzerinde çalışılan septik şok ise en çok görülen dolaşım şokudur ve yaygın enfeksiyon ve mikroorganizmaların ortaya çıkardığı toksinler nedeniyle meydana gelir. En çok görülen dolaşım şoku olması nedeniyle, yapay zeka ile teşhis gerektirdiğini düşündüğümüz bir hastalıktır. Projenin amacı, hekimlere ve sağlık çalışanlarına septik şokun tanı ve tedavisinde yardımcı olacak, malpraktisi önleyecek, aynı zamanda hastalık türüne göre tedavi önerebilecek bir teknoloji geliştirmektir. Proje süreci boyunca, proje çalışanları tarafından çeşitli literatür taramaları yapılmış olup, bu taramalar sonucunda edinilen bilgiler ve kullanılan veri seti birleştirildikten sonra, çeşitli yapay zeka ve makine öğrenmesi algoritmaları ile denemeler yapılmıştır. Makine öğrenmesi algoritmaları arasından Naive Bayes, Yapay Sinir Ağları, Sınıflandırma, Konvolüsyonel Sinir Ağları, Karar Ağaçları araştırıldı ve verisetiyle uygun çalışıp çalışmadığı kontrol edildi. Sonrasında, en yüksek doğruluk, çeşitli parametrelerle hesaplandıktan sonra, hangi algoritmanın veya algoritmaların kullanılacağına karar verildi ve algoritma veri üzerine uygulandı ve bir web arayüzü aracılığıyla kullanıcıya sunulacak hale getirildi. Proje sonunda elde ettiğimiz ürün, hastaların değerlerini ve test sonuçlarını alarak sepsis tanısı koymakta, sepsis türü ve hasta bilgilerine göre tedavi önermektedir. Arayüz tüm kullanıcılar için sade ve açık bir şekilde tasarlanmış olup kullanıcıdan girdi alarak çalışmaktadır. Arka planda çalışan algoritma sayesinde bahsedilen çıktılar kullanıcıya sunulur. Bu proje ile ulaşılmak istenen hedefler, doğru tanıyı koyabilen ve doğru tedaviyi önerebilen bir yazılım ürünü geliştirmek, ticari açıdan patent alınabilmesi sonucu ülke ekonomisine kazanç sağlayabilmek, aynı zamanda ülkemize prestij kazandırmak ve teknoloji sektörüne yeni bir istihdam kolu, tıp literatürüne yeni bir araştırma alanı yaratmaktır.

Proje ölüm oranı yüksek ve dünyada en çok görülen hastalıklardan biri olan sepsis hastalığı özelinde makine öğrenmesi algoritmalarından ve Mimic verisetinden yararlanarak hastaların sepsisten daha az zarar göreceği hızlı bir çözüm üretmeyi amaçlamaktadır. Proje kapsamında hastaların bulguları ile tanı koyan ve hastanın kişisel özelliklerini göz önünde bulundurarak doğru tedaviyi öneren bir sistem hedeflenmektedir.

Türkiye’de tıp alanında daha önce septik şok hastalığına tanı koyma amaçlı yapay zeka kullanılarak geliştirilmiş bir teknoloji bulunmamaktadır. Bu çalışmamızla birçok türü bulunan septik şok hastalığının türlerini ve ölümcüllüğünü göz önünde bulundurarak, tanı koymayı ve türüne göre tedavi önermeyi amaçlıyoruz.Planladığımız proje sadece ülke çapında değil dünyada farklı bir medikal bakış açısı oluşturacaktır. Bu konuda tanı koyabilen ve tedavi önerebilen bu teknoloji, patentinin alınması durumunda ülkemizin kalkınmasına katkı sağlayacak ve prestij kazandıracaktır.Bu çalışma kapsamında yazmayı planladığımız makalenin uluslararası indekslere kayıtlı dergi ve kitaplarda yayımlanma potansiyeli yüksektir. Geliştirmeyi planladığımız bu teknoloji Türkiye’de tıp alanında bir ilk olacak ve birçok yeni çalışmaya kapı açacaktır. Bu sayede yeni bir alanda yeni laboratuvar çalışmaları ile birlikte yeni araştırmacıların yetiştirilmesi fırsatı doğacaktır.

Projenin gerçekleşmesi için gerekli insan gücünü takımımız karşılamaktadır. Gerekli teknolojiler bilgisayar tabanlı günümüzde var olan teknolojilerdir. Web tabanlı arayüz için domain hosting hizmeti arayüz gerekliliğini karşılayacaktır. Tanı için kullanılan programlama dili python olup makine öğrenmesi için yine python kütüphanelerinden yararlanılmıştır. Tedavi için Clips karar destek sistemi kullanılmıştır. Projenin uygulanabilirliği kapsamında 7 adımlı iş paketi takip edilmiştir. A – Septik şok hakkında literatür taraması yapılması. B – Veri setinin belirlenmesi ve araştırma yapıldıktan sonra verinin anlamlandırılması C – Veri üzerinde, kullanılması gereken özellikler belirlendikten sonra, ihtiyaca göre bir sentetik veri seti oluşturulması D – Farklı yapay zeka ve makine öğrenmesi algoritmalarının Python programlama dili üzerinde, gerekli kütüphaneler kullanılarak kodlandıktan sonra, oluşturduğumuz sentetik veri ile denenerek, hangisinin daha optimal olduğuna karar verilmesi. E – Septik şok türüne bağlı olarak tedaviler üzerine literatür taraması yapılması F – Daha önceden kodladığımız algoritmaları kullanarak, en doğru tedaviyi önerebilen bir modül oluşturulması. G – Her bir türün tanı ve tedavisi için en uygun yaklaşım bulunduktan sonra, belli bir ara yüz dahilinde son kullanıcıya sunulması. Kullanılan parametreler içerisinde -hastalık tahmini için kullanılan yapay zeka algoritmaları- karar ağaçları, konvolüsyonel sinir ağları gibi algoritmalar bulunmaktadır. Doğruluk oranları ölçümleri için accuracy(doğruluk), precision(kesinlik), f-score vb. ölçme değerlendirme parametreleri kullanılmıştır.

Doç. Dr. Mehmet Serdar Güzel Ankara Üniversitesi 05322400054 serdarmg@gmail.com Kürşad Erdoğan Argus Teknoloji Test Mühendisi kursad.erdogan@argusteknoloji.com 05012099429

Yok

Proje hayata geçtiğinde hem ulusal hem uluslararası tıp literatürüne katkı sağlayacaktır. Her toplumda tıp alanında malpraktise rastlanmakta ve insandan doğan doğal hatalar sonucu yanlış tedavi ve tanı ile insanların hayatına mal olan durumlar yaşanmaktadır. Proje bunun önüne geçmek üzere insan hayatını kurtarmaya yönelik tasarlanmıştır.

1.American College of Chest Physicians/Society of Critical Care Medicine Consensus Conference: definitions for sepsis and organ failure and guidelines for the use of innovative therapies in sepsis. Crit Care Med 1992; 20:864. 2.Levy MM, Fink MP, Marshall JC, et al. 2001 SCCM/ESICM/ACCP/ATS/SIS International Sepsis Definitions Conference. Crit Care Med 2003; 31:1250. 3.Singer M, Deutschman CS, Seymour CW, et al. The Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA 2016; 315:801. 4.Seymour CW, Liu VX, Iwashyna TJ, et al. Assessment of Clinical Criteria for Sepsis: For the Third International Consensus Definitions for Sepsis and Septic Shock (Sepsis-3). JAMA 2016; 315:762. 5.Seetharaman S, Wilson C, Landrum M, et al. Does Use of Electronic Alerts for Systemic Inflammatory Response Syndrome (SIRS) to Identify Patients With Sepsis Improve Mortality? Am J Med 2019; 132:862. 6.Rhodes A, Evans LE, Alhazzani W, et al. Surviving Sepsis Campaign: International Guidelines for Management of Sepsis and Septic Shock: 2016. Crit Care Med 2017; 45:486. 7.Marshall JC, Cook DJ, Christou NV, et al. Multiple organ dysfunction score: a reliable descriptor of a complex clinical outcome. Crit Care Med 1995; 23:1638. 8.Le Gall JR, Klar J, Lemeshow S, et al. The Logistic Organ Dysfunction system. A new way to assess organ dysfunction in the intensive care unit. ICU Scoring Group. JAMA 1996; 276:802. 9.Kaukonen KM, Bailey M, Pilcher D, et al. Systemic inflammatory response syndrome criteria in defining severe sepsis. N Engl J Med 2015; 372:1629. 10.Churpek MM, Zadravecz FJ, Winslow C, et al. Incidence and Prognostic Value of the Systemic Inflammatory Response Syndrome and Organ Dysfunctions in Ward Patients. Am J Respir Crit Care Med 2015; 192:958. 11.Bauer ME, Bauer ST, Rajala B, et al. Maternal physiologic parameters in relationship to systemic inflammatory response syndrome criteria: a systematic review and meta-analysis. Obstet Gynecol 2014; 124:535. 12.Albright CM, Has P, Rouse DJ, Hughes BL. Internal Validation of the Sepsis in Obstetrics Score to Identify Risk of Morbidity From Sepsis in Pregnancy. Obstet Gynecol 2017; 130:747. 13.Bowyer L, Robinson HL, Barrett H, et al. SOMANZ guidelines for the investigation and management sepsis in pregnancy. Aust N Z J Obstet Gynaecol 2017; 57:540. 14.Murray CJ, Atkinson C, Bhalla K, et al. The state of US health, 1990-2010: burden of diseases, injuries, and risk factors. JAMA 2013; 310:591. 15.Sands KE, Bates DW, Lanken PN, et al. Epidemiology of sepsis syndrome in 8 academic medical centers. JAMA 1997; 278:234. 16.Bone RC, Fisher CJ Jr, Clemmer TP, et al. A controlled clinical trial of high-dose methylprednisolone in the treatment of severe sepsis and septic shock. N Engl J Med 1987; 317:653. 17. Ziegler EJ, Fisher CJ Jr, Sprung CL, et al. Treatment of gram-negative bacteremia and septic shock with HA-1A human monoclonal antibody against endotoxin. A randomized, double-blind, placebo-controlled trial. The HA-1A Sepsis Study Group. N Engl J Med 1991; 324:429. 18.Abraham E, Wunderink R, Silverman H, et al. Efficacy and safety of monoclonal antibody to human tumor necrosis factor alpha in patients with sepsis syndrome. A randomized, controlled, double-blind, multicenter clinical trial. TNF-alpha MAb Sepsis Study Group. JAMA 1995; 273:934. 19. Vincent JL, Bihari DJ, Suter PM, et al. The prevalence of nosocomial infection in intensive care units in Europe. Results of the European Prevalence of Infection in Intensive Care (EPIC) Study. EPIC International Advisory Committee. JAMA 1995; 274:639. 20.Jones GR, Lowes JA. The systemic inflammatory response syndrome as a predictor of bacteraemia and outcome from sepsis. QJM 1996; 89:515.