Close

Oral Presentation - 72

Machine learning-based prediction of surgical timing and discharge in infantile hypertrophic pyloric stenosis

İ Genişol*, AE Boztaş*, İÖ Koska**, A Şencan***
*University of Health Sciences, Dr. Behçet Uz Pediatric Diseases and Surgery Training and Research Hospital, Department of Pediatric Surgery, Izmir
**University of Health Sciences, Dr. Behçet Uz Pediatric Diseases and Surgery Training and Researc Hospital, Department of Radiology, Izmir
***University of Health Sciences, Izmir Faculty of Medicine, Dr. Behçet Uz Pediatric Diseases and Surgery Training and Research Hospital, Department of Pediatric Surgery, Izmir

Aim:This study aimed to develop machine learning models to predict surgical timing and discharge duration in patients with infantile hypertrophic pyloric stenosis(IHPS), using clinical, biochemical, and ultrasonographic data available at admission.

Materials and Methods:A retrospective analysis was conducted on 55 IHPS cases operated between 2015-2025. Demographic, biochemical(blood gas, electrolytes, bilirubin, and urinalysis) and ultrasonographic data(pyloric wall thickness, transverse diameter, length, pyloric index, and pyloric volume) were evaluated. Three datasets were created:(1)demographic and imaging variables, (2)demographic and laboratory variables, and (3)all variables combined.Target outcomes were defined as undergoing surgery within 2 days of admission and being discharged within 3 days postoperatively. Class imbalance was addressed using SMOTE and class weighting. For SVM and RF, four model types were created:standard, SMOTE-enhanced, class weight-adjusted, an ensemble including extra trees. Models were trained using 4-fold cross-validation(10 repeats). Evaluation metrics included F1 score, accuracy, sensitivity, and ROC, AUC. LASSO was used for most predictebl selection.

Results:In predicting surgical timing, the best performance was achieved with the SMOTE-enhanced SVM model using the combined dataset.For discharge prediction, the best results were obtained with the SMOTE-enhanced RF model using the second dataset and the SVM model using the combined dataset. LASSO analysis identified pyloric wall thickness and blood gas pH as the most influential features for early surgery(F1:0.64, Accuracy0.59, Sensitivity %62, Specifity%67), while pyloric transverse diameter and urine specific gravity were most predictive for early discharge(F1:0.64, Accuracy0.59, Sensitivity %62, Specifity %67)(Table-1).

Conclusion:The best performance was seen with SVM models using all data types.LASSO analysis identified pyloric wall thickness and blood gas pH as key predictors for early surgery, and pyloric transverse diameter and urinary specific gravity for discharge. These results support the utility of machine learning in guiding decision-making in IHPS managemenent.

Keywords: infantile hypertrophic pyloric stenosis, machine learning, pilor

Sözlü Sunum - 72

Makine öğrenmesi ile infantil hipertrofik pilor stenozlu hastalarda ameliyat ve taburculuk süresinin öngörülmesi

İ Genişol*, AE Boztaş*, İÖ Koska**, A Şencan***
*Sağlık Bilimleri Üniversitesi, Dr. Behçet Uz Çocuk Hastalıkları ve Cerrahisi Eğitim ve Araştırma Hastanesi, Çocuk Cerrahisi Kliniği, İzmir
**Sağlık Bilimleri Üniversitesi, Dr. Behçet Uz Çocuk Hastalıkları ve Cerrahisi Eğitim ve Araştırma Hastanesi, Radyoloji Kliniği, İzmir
***Sağlık Bilimleri Üniversitesi, İzmir Tıp Fakültesi, Dr. Behçet Uz Çocuk Hastalıkları ve Cerrahisi Eğitim ve Araştırma Hastanesi, Çocuk Cerrahisi Kliniği, İzmir

Amaç:Bu çalışmada, infantil hipertrofik pilor stenozu(İHPS) olan hastalarda başvuru anındaki klinik, biyokimyasal ve ultrasonografik verilerle ameliyat ve taburculuk sürelerini öngörebilen makine öğrenmesi tabanlı modellerin geliştirilmesi amaçlandı.

Gereç&Yöntem:2015–2025 yılları arasında opere edilen 55 İHPS olgusu retrospektif incelendi. Demografik, biyokimyasal(kan gazı, elektrolitler, bilirubin, idrar özellikleri) ve ultrasonografik(pilor duvar kalınlığı, transvers çapı, uzunluğu, pilorik indeks ve hacmi) değerlendirildi. İlk veri setinde demografik ve görüntüleme değişkenleri, ikinci veri setinde demografik ve laboratuvar değişkenleri, üçüncü veri setinde ise tüm verilerin birleşimi kullanıldı. Hedef değişkenler;başvuru sonrası 2 gün içinde ameliyat olma ve ameliyat sonrası 3 gün içinde taburcu olma şeklinde tanımlandı. SMOTE ve class weightle sınıf dengesi sağlandı. SVM ve RF algoritmalarıyla klasik, SMOTE’lu, ağırlık ayarlı ve ensemble olmak üzere dörder model oluşturuldu ve 4 katlı çapraz doğrulama, 10 tekrarla eğitildi. Performans metrikleri; F1 skoru, doğruluk, duyarlılık ve ROC AUC'ydi. LASSO analiziyle en etkili iki öznitelik belirlendi.

Bulgular:Ameliyat zamanlaması tahmin etmede; SMOTE ile zenginleştirilmiş ilk veri setinde en başarılı model SVM modeli, ikinci veri setinde en iyi sonuç RF modeli, tüm veri setlerinin kullanıldığı modelde ise en iyi model SVM idi. Taburculuk ön görmede; SMOTE ile zenginleştirilmiş ilk veri setinde en başarılı model SVM, ikinci veri setinde en iyi sonuç RF modeli, tüm veri setlerinin kullanıldığı modelde ise en iyi SVM modeli idi.Lasso metodunda ameliyatta pilor duvar kalınlığı ile kan gazı pH değerinin(F1: 0.64, Doğruluk 0.59, Duyarlılık %62, özgüllük %67), taburculukta ise pilor transvers çapı ve idrar özgül ağırlığını(F1:0.64, Doğruluk: 0.59, Duyarlılık: %67, Özgüllük %62) en etkili idi(Tablo-1).

Sonuç:En iyi performans, tüm veri türlerinin kullanıldığı SVM modellerinde elde edilmiştir. LASSO analizi, erken ameliyat için pilor duvar kalınlığı ve kan gazı pH’ını; taburculuk için ise pilor transvers çapı ve idrar özgül ağırlığını öne çıkarmıştır. Bu sonuçlar, veri temelli modellerin klinik karar süreçlerine katkı sağlayabileceğini göstermektedir.

Anahtar Kelimeler: infantil hipertrofik pilor stenozu, makine öğrenme, pyloric muscle

Close