EN
TÜRKÇE
Poster - 29
Enhancing the diagnosis of appendicitis in children: A machine learning-based diagnostic model using hematological parameters
Nurcan Çoşkun
Hitit University Çorum Training and Research Hospital, Department of Pediatric Surgery
Aim:
This study aims to develop a machine learning model based on blood parameters to predict appendicitis in pediatric patients and to evaluate its usability as a clinical decision support system.
Methods:
A retrospective analysis was conducted on 1,545 pediatric patients aged 0–18 who presented to our hospital with abdominal pain between January 1, 2020, and March 31, 2025. The patients were divided into two groups: those managed non-operatively with abdominal pain (n=756) and those diagnosed with appendicitis (acute or perforated) (n=789). Hematological parameters (CRP, WBC, Lymphocyte, Neutrophil, Monocyte, Platelet, NLR, PLR, SII, SIRI, PIV), along with age and gender, were obtained from the hospital's information system. Data were split into training (70%) and testing (30%) sets, with cross-validation applied within the training set. Classification algorithms including decision trees, random forest, gradient boosting (GBM), and XGBoost were applied. Models were evaluated using metrics such as accuracy, sensitivity, specificity, PPV, NPV, and F1 score.
Results:
Gender was excluded due to its lack of significance, and Lymphocyte, Neutrophil, Monocyte, and Platelet values were excluded as they were already used in derivative parameters. A regression tree model built with age, CRP, WBC, NLR, PLR, SII, SIRI, and PIV yielded an accuracy of 71.8%, sensitivity: 77.6%, specificity: 65.9%, PPV: 70.3%, NPV: 73.8%, and F1 score: 0.738. The random forest model achieved the highest performance (accuracy: 89%, F1 score: 0.894). Performance of other models was as follows: XGBoost (accuracy: 88.5%, F1 score: 0.889) and GBM (accuracy: 71.5%, F1 score: 0.723). In addition, a simpler model using only age, CRP, WBC, and PIV achieved an accuracy of 69.2%, F1 score of 0.70.
Conclusion:
The developed machine learning models can be used as an additional support tool in the diagnosis of appendicitis and may reduce unnecessary imaging and negative laparotomy rates.
Çocuklarda apandisit tanısını güçlendirmek: Hematolojik parametreler ile makine öğrenimi tabanlı bir tanı modeli
Nurcan Çoşkun
Hitit Üniversitesi Çorum Eğitim ve Araştırma Hastanesi, Çocuk Cerrahisi Kliniği
Amaç: Bu çalışmanın amacı, pediatrik hastalarda kan değerlerine dayalı bir makine öğrenmesi modeli geliştirerek apandisiti tahmin etmek ve bu modelin klinik karar destek sistemi olarak kullanılabilirliğini değerlendirmektir.
Yöntem: 01.01.2020-31.03.2025 tarihleri arasında hastanemize karın ağrısı nedeniyle başvuran 0–18 yaş arası 1545 çocuk retrospektif olarak değerlendirilmiştir. Hastalar, nonoperatif takip edilen karın ağrısı (n=756) ve apandisit grubu (n=789) olmak üzere ikiye ayrılmıştır. Hemogram verileri (CRP, WBC, Lenfosit, Nötrofil, Monosit, Platelet, NLR, PLR, SII, SIRI, PIV), yaş ve cinsiyet bilgileri hastane otomasyon sisteminden elde edilmiştir. Verilerin %70’i eğitim, %30’u test seti olarak ayrılmış ve performans göstergeleri için eğitim seti içerisinde çapraz doğrulama (CV) yöntemi kullanılmıştır. Karar ağaçları, rastgele orman, gradient boosting (GBM) ve XGboost gibi sınıflandırma algoritmaları uygulanarak modeller eğitilmiş ve doğruluk, duyarlılık, seçicilik, PPV, NPV ve F1 skoru gibi metriklerle karşılaştırılmıştır.
Bulgular: Cinsiyetin etkisi anlamsız olduğu için ve Lenfosit, Nötrofil, Monosit ve Platelet değerleri NLR, PLR, SII, SIRI, PIV hesaplanmasında kullanıldığı için tahmin modellerine dahil edilmedi. Yaş, CRP, WBC, NLR, PLR, SII, SIRI, PIV ile kurulan regresyon ağacı model için performans değerleri: Accuracy: 71.8%, Sensitivity: 77.6%, Specificity: 65.9%, PPV: 70.3%, NPV: 73.8% ve F1 skor: 0.738 olarak hesaplandı. En yüksek performansı random forest modeli gösterdi (doğruluk: %89, F1 score: 0.894). Diğer modeller için başarı oranları: XGboost (doğruluk: %88.5, F1 score: 0.889) ve GBM (doğruluk: %71.5, F1 score: 0.723) idi. Ayrıca sadece Yaş, CRP, WBC ve PIV ile kurulan regresyon ağacı model için performans değerleri: Accuracy: 69.2%,95% CI: (66.8, 71.5), Sensitivity: 70.2%, Specificity: 68.1%, PPV: 69.7%, NPV: 68.7% ve F1 skor: 0.70 olarak hesaplandı.
Sonuç: Geliştirilen makine öğrenmesi modelleri, apandisit tanısında ek bir destek aracı olarak kullanılabilir ve gereksiz görüntüleme ve negatif laparotomi oranlarını azaltabilir.