Aims:
There is a tendency toward nonoperative management of appendicitis resulting in an increasing need for preoperative diagnosis and classification. For medical purposes, simple conceptual decision-making models that can learn are widely used. This study aims to determine the presence and the severity of appendicitis in children based on several blood test values, clinical features, and radiological examinations.
Methods:
A multicenter, prospective data collection was performed for a year after ethical committee approval. The analysis was conducted among children that were admitted to the emergency department with acute abdominal pain and under 18 years old age. Linear, non-linear, and tree-based algorithms were used to predict both the existence of appendicitis and complex appendicitis in patients with abdominal pain.
Results:
There were 8589 patients included in the study. Descriptive statistics demonstrated that there were differences and correlations between the red blood cell, thrombocyte, and c-reactive protein values which were potentially significant explanatory parameters for the machine learning algorithms to capture, explain and predict the disease. A total of 71 models were created. The best performing algorithm reached 97% accuracy, 99% sensitivity, 95% specificity to diagnose appendicitis while 94% accuracy, 100% sensitivity, 93% specificity to classify the degree which outperformed the Alvarado Score, pediatric appendicitis score (PAS), and RIPASA scores.
Conclusion:
An artificial intelligence tool to diagnose and classify appendicitis will prevent unnecessary medications and surgeries.
Keywords: Acute Appendicitis, Machine Learning, Alvarado Score, Pediatric Appendicitis Score (PAS), RIPASA Score
Amaç:
Güncel uygulamada apandisitin medikal tedavisine yönelik bir eğilim vardır. Ancak bunun için hastalığın tanı ve sınıflandırmasında etkin yöntemlere ihtiyaç vardır. Tıbbi amaçlar için öğrenebilen basit kavramsal karar verme modelleri yaygın olarak kullanılmaktadır. Bu çalışma çocuklarda apandisitin varlığını ve derecesini kan testi değerleri, klinik özellikler ve radyolojik incelemelere göre belirlemeyi amaçlamaktadır.
Yöntem: Etik kurul onayını takiben bir yıl boyunca çok merkezli ve ileriye dönük olarak hasta verileri toplandı. Acil servise akut karın ağrısı şikayeti ile başvuran 18 yaş altı hastaların verileri çalışmaya dahil edildi. Apandisitin varlığını ve derecesini belirlemek için doğrusal, doğrusal olmayan ve ağaç tabanlı algoritmalar kullanılmıştır.
Bulgular:
Çalışmaya 8589 hasta dahil edildi. Tanımlayıcı istatistikler kırmızı kan hücresi, trombosit ve c-reaktif protein değerleri ile apandisit varlığı ve derecesi arasında en yüksek korelasyonu gösterdi. Toplam 71 model oluşturuldu. En iyi performans gösteren algoritma apandisit teşhisi için %97 doğruluk, %99 duyarlılık ve %95 özgüllük elde ederken, derecelendirme için %94 doğruluk, %100 duyarlılık ve %93 özgüllük ile Alvarado Skoru, pediatrik apandisit skoru (PAS) ve RIPASA'dan daha iyi performans gösterdi.
Sonuç:
Yapay zeka algoritmaları apandisiti teşhis edip sınıflandırarak gereksiz ilaç kullanımı ve ameliyatların önüne geçecektir.
Anahtar Kelimeler: Akut Apandisit, Makine Öğrenmesi, Alvarado Skoru, Pediyatrik Apandisit Skoru (PAS), RIPASA Skoru