Aim: In this study we aimed to develop a machine-learned algorithm combination of physical examination, sonographic findings and laboratory markers fort he diagnosis of ovarian torsion.
Methods: The data of 70 patients with confirmed ovarian torsion followed and treated in our clinic for ovarian torsion and 73 patients for control group that presented to the emergency department with similar complaints but didn’t have ovarian torsion detected on ultrasound as the control group between 2013 and 2023 were retrospectively analyzed. Sonographic findings, laboratory values, and clinical status of patients were examined. These parameters were then fed into three supervised machine learning systems to identify and develop viable decision algorithms.
Results: In clinical status while presence of abdominal pain and symptom duration weren’t significant, nausea/vomiting was statistically significant for ovarian torsion. Among laboratory tests, white blood cell count (WBC), neutrophile/lymphocyte ratio (NLR), Systemic Immune-Inflammation Index (SII) and Systemic Inflammation Response Index (SIRI) were highly significant in prediction of ovarian torsion. Ovarian size ratio, ovarian medialization, follicular ring sign, presence of free fluid in pelvis in ultrasound were statistically significant in the torsion-confirmed group (p<0.005). Age of diagnosis, presence of palpable mass on physical exam, high values of c-reactive protein weren’t statistically significant to predict torsion (p>0.005). We used supervised machine learning algorithms, including decision trees, random forests, and LightGBM, to automatically classify patients as either healthy or having ovarian torsion. We evaluated the models using 5-fold cross-validation, achieving an average F1-score of 0.98, an accuracy of 0.98, and a specificity of 1.0 across each fold with the decision tree model.
Conclusion: Using machine learning, we revealed that among all significant predictors, presence of follicular ring sign and free fluid, ovarian size ratio as sonographic findings are the most valuable parameters for diagnosis. In light of these findings, we have created a machine-learned diagnostic algorithm for pediatric ovarian torsion with over 98% accuracy.
Keywords: Ovarian torsion, Pediatric, Algorithm, Machine learning
Amaç: Bu çalışmada fizik muayene, sonografik bulgular ve laboratuvar belirteçlerinden oluşan makine öğrenmeli yeni bir diagnostik algoritma kombinasyonu geliştirme amaçlandı.
Yöntem: Kliniğimizde 2013 ve 2023 yılları arasında over torsiyonu tanısıyla takip ve tedavi edilen 70 hasta ile acil servise benzer şikayetlerle başvuran ancak ultrasonda torsiyon görülmeyen 73 hasta kontrol grubu oluşturularak, hastaların verileri retrospektif olarak analiz edildi. Hastaların klinik, sonografik bulguları ve laboratuvar değerleri over torsiyon tanısını koymak üzere kullanılacak 3 adet denetimli makine öğrenimi algoritmasında kullanıldı.
Bulgular: Torsiyon olan olgularda klinikte karın ağrısı varlığı ve semptom süresi anlamlı bulunmazken, bulantı/kusma olması istatistiksel olarak anlamlıydı. Laboratuvar testleri arasında beyaz kan hücresi sayısı (WBC), nötrofil/lenfosit oranı (NLR), Sistemik İmmün-İnflamasyon İndeksi (SII) ve Sistemik İnflamasyon Yanıt İndeksi (SIRI) over torsiyonunun öngörülmesinde oldukça anlamlıydı (p<0.005). Torsiyon olan olgularda over boyut oranı, overin medializasyonu, folikülerin perifere itilmesi, pelviste serbest sıvı varlığı ultrason bulguları arasında istatistiksel olarak anlamlı bulundu (p<0.005). Tanı yaşı, fizik muayenede ele gelen kitle varlığı, c-reaktif protein yüksekliğinin torsiyonu öngörmede anlamlı olmadığı görüldü (p>0.005). Hastaları otomatik olarak sağlıklı veya over torsiyonu olan olarak sınıflandırmak için decision tree, random forest ve LightGBM dahil olmak üzere denetimli makine öğrenme algoritmaları kullanıldı. Modeller 5 katlı çapraz doğrulama kullanarak değerlendirildi ve decision tree modeliyle her katmanda ortalama 0,98 F1 puanı, 0,98 doğruluk ve 1,0 özgüllük elde edildi.
Sonuç: Makine öğrenmekullanarak, anlamlı bulunan parametreler arasında, sonografik olarak folliküllerin perifere itilmesinin, pelvik serbest sıvı varlığının, over boyut oranının yüksek olmasının tanı için en değerli parametreler olduğu ortaya kondu. Over torsiyonu tanısında %98’in üzerinde doğruluk oranı ile makine öğrenmeli yeni bir algoritma oluşturuldu.
Anahtar Kelimeler: Over torsiyonu, Pediyatrik, Algoritma, Makina öğrenme