EN
TÜRKÇE
Oral Presentation - 39
USE OF ARTIFICIAL INTELLIGENCE–SUPPORTED DECISION SYSTEMS IN THE DIAGNOSIS OF APPENDICITIS IN CHILDREN
Hatice Kübra Gegez 1, Ece Yelkovan 1, Gökçe Karlı 2, Meltem Kaba 1, Abdullah Yıldız 1, Mesut Demir 1, Nihat Sever 1, Çetin Ali Karadağ 1
1 University of Health Sciences,Hamidiye Etfal City Hospital, Department of Pediatric Surgery, İstanbul
2 Health Sciences University, Şişli Hamidiye Etfal SUAM, Pediatric Urology Departmant, Istanbul
Aim: Pediatric acute appendicitis remains diagnostically challenging due to nonspecific symptoms and variable physical examination (PE) findings. This study aimed to develop an explainable machine learning model capable of distinguishing non-appendicitis cases from pathological appendicitis requiring intervention in children presenting with abdominal pain.
Methods: This single-center, two-phase study was conducted at our institution. Data from patients operated on with a preliminary diagnosis of appendicitis between January 2022 and May 2025 were collected retrospectively, while patients between June 2025 and October 2025 were included prospectively. Demographic characteristics, comorbidities, previous surgical history, structured PE codes, laboratory results, and imaging variables were analyzed. The final outcome was defined as a binary classification: non-appendicitis (0) vs appendicitis (1). Following preprocessing, an XGBoost model was trained on 80% of the dataset and evaluated on the remaining 20% test set. Feature importance analysis and an ablation study excluding PE variables were performed.
Results: A total of 1,175 patients were included (817 appendicitis, 358 non-appendicitis). In the test set, the model achieved 90.64% accuracy, 94% sensitivity, and 93% precision. After white blood cell count (WBC), the most influential variables were structured PE codes, which demonstrated higher importance than imaging findings. Exclusion of PE variables significantly reduced model performance.
Conclusion: The explainable XGBoost model demonstrated high diagnostic performance for pediatric appendicitis. WBC was identified as the strongest predictor, while structured physical examination provided superior and independent contribution compared to imaging. This model has the potential to support rapid and safe clinical decision-making in pediatric emergency departments.
ÇOCUKLARDA APANDİSİT TANISINDA YAPAY ZEKA DESTEKLİ KARAR SİSTEMLERİNİN KULLANIMI
Hatice Kübra Gegez 1, Ece Yelkovan 1, Gökçe Karlı 2, Meltem Kaba 1, Abdullah Yıldız 1, Mesut Demir 1, Nihat Sever 1, Çetin Ali Karadağ 1
1 Sağlık Bilimleri Üniversitesi Hamidiye Etfal Eğitim ve Araştırma Hastanesi, Çocuk Cerrahisi Kliniği, İstanbul
2 Sağlık Bilimleri Üniversitesi, Şişli Hamidiye Etfal Eğitim ve Araştırma Hastanesi, Çocuk Üroloji Kliniği, İstanbul
Amaç: Çocuklarda akut apandisit, özgül olmayan semptomlar ve değişken fizik muayene (FM) bulguları nedeniyle tanısı güç bir hastalık olmaya devam etmektedir. Bu çalışmanın amacı, karın ağrısı ile başvuran çocuklarda apandisit dışı olguları müdahale gerektiren patolojik apandisitten ayırt edebilen, açıklanabilir bir makine öğrenmesi modeli geliştirmektir.
Yöntem: Bu tek merkezli, iki aşamalı çalışma kurumumuzda gerçekleştirildi. Ocak 2022–Mayıs 2025 tarihleri arasında ön tanısı apandisit olan ve opere edilen hastaların verileri retrospektif olarak toplandı; Haziran 2025–Ekim 2025 tarihleri arasındaki hastalar ise prospektif olarak çalışmaya dahil edildi. Demografik özellikler, eşlik eden hastalıklar, önceki cerrahi öykü, yapılandırılmış fizik muayene (FM) kodları, laboratuvar sonuçları ve görüntüleme değişkenleri analiz edildi. Nihai sonuç, ikili sınıflandırma olarak tanımlandı: apandisit dışı (0) ve apandisit (1). Ön işleme sonrasında, XGBoost modeli veri setinin %80’i üzerinde eğitildi ve kalan %20’lik test kümesinde değerlendirildi. Özellik önem analizi ile fizik muayene değişkenlerinin çıkarıldığı bir ablasyon çalışması gerçekleştirildi.
Bulgular: Toplam 1.175 hasta çalışmaya dahil edildi (817 apandisit, 358 apandisit dışı). Test kümesinde model %90,64 doğruluk, %94 duyarlılık ve %93 kesinlik (precision) elde etti. Beyaz küre sayısından (WBC) sonra en etkili değişkenler yapılandırılmış fizik muayene kodlarıydı ve bunların önemi görüntüleme bulgularından daha yüksekti. Fizik muayene değişkenlerinin çıkarılması model performansını anlamlı ölçüde azalttı.
Sonuç: Açıklanabilir XGBoost modeli, çocuklarda apandisit tanısında yüksek tanısal performans gösterdi. WBC en güçlü belirleyici olarak saptanırken, yapılandırılmış fizik muayene görüntülemeye kıyasla daha üstün ve bağımsız bir katkı sağladı. Bu model, çocuk acil servislerinde hızlı ve güvenli klinik karar vermeyi destekleme potansiyeline sahiptir.