Anti-Nükleer Antikor (ANA) pozitifliği tespit edilen hastaların sınıflandırılmasında yapay zeka yöntemlerinin etkinliği

Amaç: Yapay zekâ modellemelerinin tıp alanında kullanımı zamanla daha fazla önem kazanmaktadır. Bu çalışmada, antinükleer antikor (ANA) pozitifliği tespit edilen hastaların diğer laboratuvar belirteçlerini de kullanılarak, yapay zeka derin öğrenme yönteminin, laboratuvar verilerine dayalı olarak bağ doku hastalıklarını (BDH) sınıflandırma performansının araştırılması amaçlanmıştır. Metot: Çalışmanın grubu, Akdeniz Üniversitesi Romatoloji Polikliniği'ne 2014-2024 yılları arasında başvuran ve ANA pozitifliği saptanmış 597 (%90) kadın, 66 (%10) erkek toplam 663 kişiden oluşmaktadır. Hastaların ortalama yaşları 49.1±13.6 (Min-max: 18-88) yıldır. Çalışma grubundaki hastaların 121'i Sistemik lupus eritematozus (SLE), 132'si Sjögren sendromu (SjS), 121'i Romatoid artrit (RA), 97'si Sistemik skleroz (SSk), 4'ü Polimiyozit (PM), 9'u Dermatomiyozit (DM), 5'i Miks bağ doku hastalığı, (MBDH), 85'i undiferansiye bağ doku hastalığı (UBDH) tanısına sahiptir ve 89'u tanı konulamayan gruptadır. Bulgular: Tüm hastaların sınıflandırılmasında, en başarılı model, Bayes Network (Bayes Ağı) olmuş, doğruluk oranı %93.1, sensitivite %77.7 ve spesifite %96.0 hesaplanmıştır. SLE'yi ayırt etmede en başarılı sınıflandırıcı model Locally Weighted Learning doğruluk oranı %93.4; SjS için Logistic Model Trees, doğruluk oranı %91.4; RA için AdaBoostM, doğruluk oranı %95.2; SSk için Sequential Minimal Optimization, doğruluk oranı %92.0 bulunmuştur. SLE, SjS, RA ve SSk için sensitivite ve spesifisite oranları sırasıyla %69.4, %72.0, %78.5 ve %75.3 ile %98.7, %96.2, %98.9 ve %94.9 bulunmuştur. ROC analizlerinde, grupların genel dağılımında ROC alanı %95.6, her bir hastalığı ayırt etmede en yüksek değer %99.1 ile RA, en düşük %85.1 SSk için bulunmuştur. Sonuç: Birçok klinikte kolaylıkla ulaşılabilen laboratuvar tetkiklerinin sonuçlarına dayalı olmasına rağmen yapay zeka modellerinin yüksek doğruluk oranları ile ANA pozitifliği olan hastaları sınıflandırmada başarılı olduğu tespit edilmiştir. Yapay zeka bazlı yaklaşımların, otoimmün hastalıkların tanısal süreçlerinde, daha doğru ve daha hızlı sonuç vererek, klinisyenlere yardımcı olma potansiyelinin olduğu görülmektedir.