Temel klinik veriler ve laboratuvar parametreleri kullanılarak yapay zeka desteğiyle sepsis fenotiplerinin belirlenmesi

Abstract

Giriş ve Amaç: Sepsis, enfeksiyona karşı düzensiz bir immün yanıtın neden olduğu organ disfonksiyonu ile karakterize, hayatı tehdit eden bir durumdur. Yüksek morbidite ve mortalite oranlarıyla yoğun bakım ünitelerinde önemli bir sorun olmaya devam etmektedir. Sepsis fenotiplemesi, hastaların klinik özelliklerini, tedaviye yanıtlarını ve prognozlarını daha iyi anlamayı ve potansiyel olarak kişiselleştirilmiş tedavi yaklaşımlarını mümkün kılmayı amaçlamaktadır. Yapay zeka tekniklerini kullanarak tam kan sayımı ve hemodinamik izlem verilerine dayanarak sepsis fenotiplerini belirlemek ve bu fenotiplerin klinik sonuçlar üzerindeki etkisini analiz etmek. Yöntem: Bu retrospektif çalışmada, 2008-2019 yılları arasında Beth Israel Deaconess Tıp Merkezi'nin yoğun bakım ünitelerinde tedavi gören 65.000'den fazla yetişkin hastanın verilerini içeren MIMIC-IV veritabanı kullanıldı. Sepsis-3 kriterlerine göre sepsis tanısı konulan hastalar çalışmaya dahil edildi. Hastaların demografik bilgileri, vital bulguları, laboratuvar sonuçları ve komorbiditeleri analiz edildi. Sepsis fenotiplerinin belirlenmesi için kümeleme analizi uygulandı. Fenotipler arasındaki farklılıklar Kruskal-Wallis ve ?2 testleriyle değerlendirilirken, 28 ve 90 günlük sağkalım analizleri Kaplan-Meier eğrileri ve Cox regresyon analizleriyle gerçekleştirildi. Bulgular: Makine öğrenimi teknikleri üç farklı fenotip belirledi. Ortalama trombosit ve lökosit sayıları gibi laboratuvar parametreleri bu fenotiplerin belirlenmesinde etkili oldu. Özellikle, yoğun bakıma kabulde yüksek trombosit sayısına sahip hastaların (Fenotip HP) daha yüksek mortalite riski gösterdiği, buna karşın normal sayıda trombosit sayısına sahip hastalarda (Fenotip NP) ise en düşük mortalite oranlarına sahip olduğu saptandı. Sonuç: Bu çalışma, erken dönem hemodinamik bulgular ve temel kan sayımı parametreleri kullanılarak belirlenen sepsis fenotipleri arasında mortalite, morbidite ve klinik sonuçlarda önemli farklılıklar olduğunu ortaya koydu. Makine öğrenimi teknikleriyle elde edilen fenotip sınıflandırması, hasta risk değerlendirmesinde ve kişiselleştirilmiş tedavi yaklaşımlarında kullanılabilir. Sepsis yönetiminde yapay zeka entegrasyonu, bu alandaki yenilikçi yaklaşımların öncüsü olarak ortaya çıkmakta ve gelecekteki araştırmalar için kritik bir dönüm noktası sunmaktadır. Anahtar So?zcu?kler: Sepsis, Fenotipleme, Yapay zeka, Makine öğrenmesi, Yoğun bakım

Title: Identification of Sepsis Phenotypes with Artificial Intelligence Using Basic Clinical Data and Laboratory Parameters Introduction and Objective: Sepsis is a life-threatening condition characterized by organ dysfunction resulting from a dysregulated immune response to infection. It remains a major challenge in intensive care units with high morbidity and mortality rates. Sepsis phenotyping aims to better understand patients' clinical characteristics, treatment responses, and prognoses, potentially enabling personalized treatment approaches. To identify sepsis phenotypes using artificial intelligence techniques based on complete blood count and hemodynamic monitoring data, and to analyze the impact of these phenotypes on clinical outcomes. Methods: This retrospective study utilized the MIMIC-IV database, containing data for over 65,000 adult patients treated in the intensive care units of Beth Israel Deaconess Medical Center between 2008 and 2019. Patients diagnosed with sepsis according to Sepsis-3 criteria were included. Demographic information, vital signs, laboratory results, and comorbidities were analyzed. Clustering analysis was applied to identify sepsis phenotypes. Differences between phenotypes were evaluated using Kruskal- Wallis and ?2 tests, while 28- and 90-day survival analyses were performed using Kaplan-Meier curves and Cox regression analyses. Results: Machine learning techniques identified three distinct phenotypes. Laboratory parameters, such as mean platelet and leukocyte counts, were influential in determining these phenotypes. In particular, it was found that patients with high platelet counts (Phenotype HP) had a higher mortality risk at intensive care unit admission, whereas patients with normal platelet counts (Phenotype NP) had the lowest mortality rates. Conclusion: This study revealed significant differences in mortality, morbidity, and clinical outcomes among sepsis phenotypes identified using early hemodynamic findings and basic blood count parameters. The phenotype classification obtained through machine learning techniques may be utilized in patient risk assessment and personalized treatment approaches. The integration of artificial intelligence in sepsis management emerges as a pioneer for innovative approaches in this field and presents a critical turning point for future research.