Makine Öğrenmesi Yönteminin Laboratuvar Tıbbına Uygulama Örneği: Yenidoğan Referans Aralıklarının Belirlenmesi

Amaç: Konvansiyonel yöntemlerle referans aralıklarının belirlenmesindeki zorluklardan dolayı, çağdaş makine öğrenmesi yöntemlerini kullanarak referans aralıklarının belirlenmesi amaçlanmıştır.
Yöntem: 2018-2019-2020 yıllarında Dokuz Eylül Üniversitesi Merkez Laboratuvarı’nda çalışılan, yenidoğan dönemine ait inorganik fosfor, kalsiyum, kreatinin, neonatal bilirubin, üre azotu testlerine ait sonuçlar hastane veri tabanından alındı. Geliştirdiğimiz denetimsiz makine öğrenmesi algoritması yardımıyla ilgili testlere ait yaş kırılımları ve bu bağlı referans aralıkları hesaplandı.
Bulgular: Geliştirdiğimiz denetimsiz makine öğrenme yönteminin referans aralıklarının belirlenmesinde indirekt yöntemlere yeni, çağdaş bir alternatif olduğu belirlendi. Bu yöntemle test sonuçlarının anlamlı değişkenlik gösterdiği yaş aralıkları yüksek çözünürlükte teste özgü şekilde bulundu.
Sonuç: Bilgisayar işlemci gücündeki artışlar, yeni özgün yapay zeka ve makine öğrenmesi temelli algoritmalar, yüksek miktarda veri depolamayı sağlayan veri tabanları, referans aralıklarının belirlenmesi için çağdaş bir çözüm geliştirme imkanı sunmaktadır. Bu çalışmada, referans aralıklarının hesaplanmasında temel basamak olan yaş aralıklarını yüksek çözünürlükte belirleyebilen, matematiksel ve istatistiksel temellere dayanan, denetimsiz makine öğrenme algoritması çözümü sunulmuştur. Çalışmada geliştirilen algoritmik yöntemi kullanarak her laboratuvar kendi popülasyon ve analitik yöntemlerine uygun referans aralıklarını kolay, hızlı, güvenli ve ekonomik bir şekilde hesaplayabilecektir.

An Example of Application of Machine Learning Method to Laboratory Medicine: Determination of Newborn Reference Ranges

Objective: Due to the difficulties in determining reference intervals with conventional methods, it determines them using modern machine learning methods.
Methods: The results of the newborns’ inorganic phosphorus, calcium, creatinine, neonatal bilirubin, and urea nitrogen tests, which were studied in the Dokuz Eylül University Central Laboratory for the years 2018-2019-2020, were obtained from the hospital database. The unsupervised machine learning algorithm we developed calculated test-specific age intervals and related reference intervals.
Results: It was determined that the unsupervised machine learning method we developed is a new, contemporary alternative to indirect methods for determining reference intervals. With this method, the age ranges in which the test results showed significant variability were found in a high-resolution test-specific manner.
Conclusion: Increases in computer processing power, new original artificial intelligence and machine learning-based algorithms, and databases that store large amounts of data offer a contemporary solution for determining reference intervals. In this study, an unsupervised machine learning algorithm solution based on mathematical and statistical foundations, which can determine age ranges, which is the basic step in the calculation of reference intervals, with high resolution is presented. By using the algorithmic method developed in the study, each laboratory will be able to calculate reference intervals suitable for their population and analytical methods in an easy, fast, safe, and economical way.