Kritik değere sahip biyokimyasal testlerin sonuç onay algoritmalarının geliştirilmesi: Öğrenen algoritmalar

Tıbbi laboratuvarlarda hataları en aza indirmek ve standardizasyonu sağlamak tanımlanmış süreçler ile mümkündür. Özellikle kritik değere sahip testlerin raporlanmasında zamanı etkin kullanmak için değerlendirme ve karar algoritmalarına ihtiyaç vardır. Günümüzde bu tip algoritmaların geliştirilmesi ve laboratuvar bilgi sistemlerine entegrasyonu üzerine kısıtlı sayıda çalışma mevcuttur. Bu çalışmalarda çoklu kuralların çapraz sorgusunun yapılamadığı, "basit kural temelli" yaklaşımların kullanıldığı görülmektedir. Bu çalışma ile kritik değere sahip biyokimyasal test sonuçlarının zamanında ve etkin değerlendirilebilmesi için çoklu etkenleri eş zamanlı değerlendirebilen, sürekli gelişime açık deneysel bir değerlendirme ve karar algoritma modeli oluşturulması amaçlandı. Deneysel model WEKA® yazılımı kullanılarak yapay sinir ağları makine öğrenmesi yöntemi ile oluşturuldu. Dokuz Eylül Üniversitesi Merkez Laboratuvarı Bilgi Sisteminden 01.01.2013 – 01.03.2014 tarihleri arasında glukoz, kalsiyum, magnezyum, potasyum, sodyum, ürik asit testlerini içeren toplam 252,847 numuneye ait demografik ve analitik veriler toplandı. Sanal bir bilgisayar ortamına aktarılan veriler uzmanlar tarafından değerlendirildi. Literatür bilgisi ve uzman görüşlerinden elde edilen değerlendirme ölçütlerinin deney modelimiz tarafından öğrenilebilmesi için "eğitim setleri" oluşturuldu. Sistemin öğrenmesi sağlandıktan sonra, farklı koşullar için oluşturulan "test setleriyle" modelin geçerliliği istatistiksel yöntemlerle değerlendirildi. Üç kez eğitim uygulanarak elde edilen "öğrenmiş algoritma" ile uzmanın reddettiği hiçbir sonuç onaylanmadı. Uzman tarafından onaylanan örnekler için yanlış ret oranı %0.5 olarak hesaplandı. Geliştirdiğimiz modelinin tanısal duyarlılığı %91, tanısal özgüllüğü %100 bulundu. Modelin uzman sonuçları ile uyumunu gösteren kappa skoru 0,950 olarak belirlendi. Çalışmamızda, literatür taramamıza göre, ilk kez "yapay sinir ağları" yaklaşımı kullanılarak biyokimyasal parametre sonuçlarının raporlanabilmesi için uzmana yardımcı olabilecek, gelişime açık deneysel bir sonuç değerlendirme ve karar algoritma modeli oluşturuldu. Oluşturduğumuz öğrenen algoritma modelinin laboratuvar bilgi sistemlerine entegrasyonu ile hasta güvenliğinden ödün vermeden uzman iş yükünün azaltılması mümkün olacaktır.