EN
TÜRKÇE
Oral Presentation - 17
AI‐based decision support for pneumothorax and pleural effusion management
Mustafa Alper Akay 1, Ozan Can Tatar 2, Elif Tatar 1, Beyza Nur Tağman 1, Semih Metin 1, Onursal Varlıklı 1
1 Kocaeli University Medical Faculty Department of Pediatric Surgery
2 kocaeli university faculty of medicine department of general surgery
Aim: The aim of this study is to develop and evaluate a deep learning-based artificial intelligence decision support system capable of accurately detecting pneumothorax and pleural effusion in pediatric patients and determining the necessity of tube thoracostomy.
Methods: In our retrospective diagnostic accuracy study, we analyzed a total of 510 chest X-ray images from 170 pediatric patients treated between 2005 and 2022. Patients were categorized into two groups: those requiring tube thoracostomy (Tube group) and those managed conservatively (Conservative group). The deep learning model was trained using images annotated by expert surgeons. Performance metrics such as mean Average Precision (mAP), sensitivity, specificity, accuracy, positive and negative predictive values, and F1 score were used to evaluate the model's effectiveness.
Results: The deep learning model achieved a high mAP score of 0.918 in detecting regions requiring intervention for pneumothorax and pleural effusion. In the independent test data set, the model demonstrated a sensitivity of 64.00% and a specificity of 96.15%. Positive predictive value was calculated as 94.12%, negative predictive value as 73.53%, and overall accuracy as 80.39%.
Conclusions: This study demonstrates that artificial intelligence-based deep learning systems effectively support diagnostic and treatment decisions in pediatric pneumothorax and pleural effusion. Although further validation and refinement are necessary before clinical integration, current results strongly support the adoption of such systems in healthcare. Future research should focus on developing hybrid imaging models, enhancing interpretability, resolving data quality issues, and ensuring compliance with regulatory standards.
Pediatrik Hastalarda Pnömotoraks ve Plevral Efüzyon Yönetimi İçin Yapay Zekâ Destekli Karar Sistemi
Mustafa Alper Akay 1, Ozan Can Tatar 2, Elif Tatar 1, Beyza Nur Tağman 1, Semih Metin 1, Onursal Varlıklı 1
1 Kocaeli Üniversitesi Tıp Fakültesi Çocuk Cerrahisi Anabilim Dalı
2 kocaeli üniversitesi tıp fakültesi genel cerrahi ana bilim dalı
Amaç: Bu çalışmanın amacı, pediatrik hastalarda pnömotoraks ve plevral efüzyonun tespiti ve tüp torakostomi gerekliliğinin belirlenmesi için derin öğrenme temelli bir yapay zekâ destekli karar sisteminin geliştirilmesi ve etkinliğinin değerlendirilmesidir.
Yöntem: Retrospektif olarak, 2005-2022 yılları arasında tedavi gören 170 pediatrik hastaya ait toplam 510 akciğer grafisi analiz edildi. Hastalar tüp torakostomi gerektiren ve konservatif tedaviyle yönetilen olmak üzere iki gruba ayrıldı. Derin öğrenme modeli, uzman cerrahlar tarafından işaretlenmiş görüntülerle eğitildi. Modelin performansı ortalama hassasiyet (mean Average Precision - mAP), duyarlılık, özgüllük, doğruluk, pozitif ve negatif öngörü değerleri ve F1 skoru gibi çeşitli metrikler kullanılarak değerlendirildi.
Bulgular: Derin öğrenme modeli, müdahale gerektiren pnömotoraks ve plevral efüzyon alanlarının tespitinde 0.918 gibi yüksek bir mAP değeri elde etti. Bağımsız test veri setinde ise modelin duyarlılığı %64, özgüllüğü ise %96,15 olarak belirlendi. Pozitif prediktif değeri %94,12, negatif prediktif değeri %73,53 ve genel doğruluk oranı %80,39 olarak hesaplandı.
Sonuç: Bu çalışma, pediatrik pnömotoraks ve plevral efüzyon tanısında ve tedavi kararlarının desteklenmesinde yapay zekâ tabanlı derin öğrenme sistemlerinin etkili olduğunu ortaya koymaktadır. Geliştirilen modelin klinik uygulamalara entegrasyonu öncesinde daha fazla doğrulama ve iyileştirmeye ihtiyaç duyulmakla birlikte, mevcut sonuçlar bu tür sistemlerin sağlık hizmetlerinde kullanımını güçlü biçimde desteklemektedir. Gelecekteki çalışmalar hibrit görüntüleme modelleri üzerine yoğunlaşmalı, yorumlanabilirliği artırmalı, veri kalitesi sorunlarını çözmeli ve düzenleyici standartlara uyumu sağlamalıdır.