TÇCD 2026 43rd National Congress of Pediatric Surgery - Joint Congress of the Egyptian Society of Pediatric Surgery

Ömer Faruk Güçlü ¹, Güneş Karakulak ¹, Reem ALTHEEB ¹, Efe Şencan ², Neslihan Çoban ¹, Aydın Şencan ¹

¹ Celal Bayar University, Faculty of Medicine, Department of Pediatric Surgery, Manisa
² Boston University, USA

Aim: As antibiotic treatment for uncomplicated appendicitis becomes more common, differentiating it from complicated appendicitis before surgery has become crucial. This study aims to determine the effectiveness of various Machine Learning models (MLm) in making this distinction.

Methods: The file records of 491 patients suspected of appendicitis between January 2022 and December 2024 were retrospectively reviewed. 238 patients were diagnosed with appendicitis. Cases accompanied by perforation, gangrenous lesions, and peritonitis were considered complicated, while others were considered uncomplicated. In addition, the distinction between complicated and uncomplicated cases was made by considering pathology reports in 181 patients, and clinical, laboratory, and imaging results in 57 patients who were suspected of having acute appendicitis and started on antibiotic treatment. Eighteen parameters, including clinical, laboratory, and ultrasonography findings, were evaluated in terms of their performance (sensitivity, specificity) in differentiating complicated and uncomplicated appendicitis using various MLm (Gradient Boosting, Random Forest, LogReg, SVM RBF –Support Vector Machines Radial basis Function).

Results: Out of 491 patients (277 male, 214 female; mean age 10.7 years), 238 had appendicitis (32 complicated, 149 uncomplicated). Among the models, SVM-RBF (balanced) yielded the best result (AUCROC: 0.902), while Gradient Boosting was the weakest (AUCROC: 0.808). The SVM-RBF model demonstrated 90% sensitivity and 75% specificity. C-reactive protein was the best predictor (Cutoff ≥ 8.23 mg/dl, AUC: 0.83, sensitivity 75%, specificity 85%, negative prediction 94%). Electrolyte imbalances, abdominal pain duration, and ultrasonographic appendix diameter also contributed moderately.

Conclusions: Differentiating uncomplicated from complicated cases in patients diagnosed with appendicitis is important in order to offer the family the option of treatment with antibiotics instead of surgery. Of course, the physician's experience, clinical and laboratory findings are paramount in this process. However, the SVM-RBF (balanced) model, in particular, can also support the physician's decision-making process.

Ömer Faruk Güçlü ¹, Güneş Karakulak ¹, Reem ALTHEEB ¹, Efe Şencan ², Neslihan Çoban ¹, Aydın Şencan ¹

¹ Celal Bayar Üniversitesi Tıp Fakültesi Çocuk Cerrahisi AD, Manisa
² Boston Üniversitesi, Amerika

Amaç: Son zamanlarda non-komplike apandisitlerin antibiyotik ile tedavisi giderek yaygınlaşmaktadır. Bu nedenle operasyon kararı öncesi, non-komplike apandisitleri komplikelerden ayırabilmek daha önemli hale gelmiştir. Çalışmanın amacı, farklı Makine Öğrenim modellerinin, komplike apandisitleri, non-komplike apandisitlerden ayırmada etkili olup olmadığını ortaya koymaktır.

Yöntem: Ocak 2022 - Aralık 2024 yılları arasında apandisit şüphesi olan 491 hastanın dosya kayıtları retrospektif olarak tarandı. Apandisit tanısı alan 238 hasta çalışmaya dahil edildi. Perfore, gangrenöz ve peritonit tablosunun eşlik ettiği olgular komplike, diğerleri non-komplike olarak kabul edildi. Komplike, non-komplike ayrımında, 181 hastada patoloji raporları, akut apandisit düşünülüp antibiyotik tedavisi başlanan 57 hastada da klinik, laboratuvar ve görüntüleme sonuçları dikkate alınarak yapıldı.

Klinik, laboratuvar ve ultrasonografi bulgularını da içeren 18 parametre, farklı makina öğrenim modelleri (Gradient Boosting, Random Forest, LogReg, SVM RBF –Support Vector Machines Radial basis Funtion-) ile test edildi ve komplike, non-komplike apandisitleri ayırmadaki performansları (duyarlılık, özgüllük) değerlendirildi.

Bulgular: 491 Hastanın (277 erkek, 214 kız; yaş ortalaması 10,7 yıl) 238’i apandisit tanısı aldı; 181’i opere edilirken, 57’sine antibiyotik tedavisi verildi. Hastaların 32’u komplike, 149’u non-komplike idi. Test edilen makina öğrenim modelleri arasında en iyi sonucu, SVM-RBF (balanced) sağlarken (AUCROC: 0.902), en zayıf sonucu da Gradient Boosting modeli verdi (AUCROC: 0.808). SVM-RBF modelinin komplike apandisitleri, non-komplikeden ayırmadaki duyarlılığı % 90, özgüllüğü % 75 saptandı. En iyi prediktör C-Reaktif protein değeriydi (Cutoff ≥ 8.23 mg/dl. AUC: 0,83, duyarlılık % 75, özgüllük % 85, Negatif öngörü % 94). Ayrıca, elektrolit bozuklukları, karın ağrısının süresi ve ultrasonografide appendiksin çapı da non-komplikeleri komplikelerden ayırmada orta düzeyde katkı sağladı

Sonuç: Apandisit tanısı alan hastalarda non-komplike olanları, komplike olanlardan ayırmak. aileye cerrahi dışında antibiyotik ile tedavi olma seçeneğini sunulabilir. Bu süreçte elbette ki hekimin deneyimi, klinik ve laboratuvar bulgular ön plandadır. Bununla birlikte makina öğrenim modellerinden özellikle de SVM-RBF (balanced) modeli, hekimin karar verme sürecine destek sağlayabilir.