Öz
Amaç
Kan dolaşımı enfeksiyonlarında (KDE) erken tanı, zamanında antimikrobiyal tedavi başlatılması açısından kritik öneme sahiptir. Ancak, mevcut altın standart tanı yöntemi olan kan kültürü, gecikmeli sonuç vermesi ve düşük pozitiflik oranı nedeniyle sınırlıdır. Bu çalışmanın amacı, rutin laboratuvar verilerini kullanarak kan kültürü pozitifliğini öngörebilecek yorumlanabilir bir makine öğrenimi (ML) modeli geliştirmektir.
Yöntem
Üçüncü basamak bir hastanede tam kan sayımı, C-reaktif protein, prokalsitonin (PCT) ve kan kültürü testi yapılan toplam 1.972 yetişkin hasta retrospektif olarak çalışmaya dahil edilmiştir. Rastgele orman, H2O otomatik ML ve bir ensemble (birleşik) model olmak üzere üç farklı model geliştirilmiş ve AUC-ROC, duyarlılık, özgüllük ve F1 skoru gibi sınıflandırma ölçütleriyle değerlendirilmiştir. Modelin yorumlanabilirliğini artırmak amacıyla SHapley Additive exPlanations (SHAP) analizi uygulanmıştır.
Bulgular
Ensemble model en iyi performansı göstermiş; [alıcı işletim karakteristiği eğrisi (AUC)-eğri altındaki alan (ROC)]: 0,95, duyarlılık: 0,78, özgüllük: 0,97 ve F1 skoru: 0,84 olarak bulunmuştur. Bağımsız bir doğrulama veri seti üzerinde yapılan analiz, modelin genellenebilirliğini doğrulamıştır (AUC-ROC: 0,85). SHAP analizine göre yaş ve PCT hem istatistiksel hem de klinik açıdan en etkili değişkenler olarak öne çıkmıştır. Basofil sayısı ise algoritmik olarak yüksek önem taşımasına rağmen düşük duyarlılığı nedeniyle klinik faydası sınırlı bulunmuştur.
Sonuç
Bu sonuçlar, rutin laboratuvar verilerinin açıklanabilir yapay zeka çerçevesinde kullanılarak kan kültürü pozitifliğinin yüksek doğrulukla öngörülebileceğini göstermektedir. Modelin güçlü performansı ve yorumlanabilirliği, tanı yönetimini iyileştirmek, gereksiz kültürleri azaltmak ve şüpheli KDE olgularında kaynak kullanımını optimize etmek için klinik karar destek sistemlerinde potansiyel bir uygulama olduğunu göstermektedir.
Anahtar Kelimeler: Sepsis, kan kültürü, makine öğrenimi, prokalsitonin, C-reaktif protein
Kaynakça
Mahmoud E, Al Dhoayan M, Bosaeed M, Al Johani S, Arabi YM. Developing machine-learning prediction algorithm for bacteremia in admitted patients. Infect Drug Resist. 2021;14:757-65.
Shapiro NI, Wolfe RE, Wright SB, Moore R, Bates DW. Who needs a blood culture? A prospectively derived and validated prediction rule. J Emerg Med. 2008;35:255-64.
Raita Y, Goto T, Faridi MK, Brown DFM, Camargo CA, Hasegawa K. Emergency department triage prediction of clinical outcomes using machine learning models. Crit Care. 2019;23:64.
Vijayakumar S, Nair SN, S AC, et al. AI Enhanced explainable early prediction of blood culture positivity in neutropenic patients using clinical and hematologic parameters. Comput Biol Med. 2025;189:109979.
Clark M. Prediction of clinical risks by analysis of preclinical and clinical adverse events. J Biomed Inform. 2015;54:167-73.
Campagner A, Agnello L, Carobene A, et al. Complete blood count and monocyte distribution width-based machine learning algorithms for sepsis detection: multicentric development and external validation study. J Med Internet Res. 2025;27:e55492.
Cheng M, Zhao X, Ding X, Gao J, Xiong S, Ren Y. Prediction of blood culture outcome using hybrid neural network model based on electronic health records. BMC Med Inform Decis Mak. 2020;20:121.
Zhang J, Liu W, Xiao W, Liu Y, Hua T, Yang M. Machine learning-derived blood culture classification with both predictive and prognostic values in the intensive care unit: a retrospective cohort study. Intensive Crit Care Nurs. 2024;80:103549.
Buchan K, Filannino M, Uzuner Ö. Automatic prediction of coronary artery disease from clinical narratives. J Biomed Inform. 2017;72:23-32.
van der Geest PJ, Mohseni M, Linssen J, Duran S, de Jonge R, Groeneveld ABJ. The intensive care infection score - a novel marker for the prediction of infection and its severity. Crit Care. 2016;20:180.
JetBrains Team. Learn IDE features. February 23, 2025. Available from: https://www.jetbrains.com/help/pycharm/feature-trainer.html
Fryda T, LeDell E, Gill N, Aiello S. H 2 O: R Interface for the “H 2 O” Scalable Machine Learning Platform. 2024. Available from: https://docs.h2o.ai/h2o/latest-stable/h2o-r/docs/index.html
Topcu Dİ, Bayraktar N. Searching for the urine osmolality surrogate: an automated machine learning approach. Clin Chem Lab Med. 2022;60:1911-20.
Zhang XJ, Zhao H, Zhang D, et al. Blood cell count-derived inflammation indices as predictors of the osteoporotic risk of postmenopausal women. Eur Rev Med Pharmacol Sci. 2024;28:2207-16.
Chang YH, Hsiao CT, Chang YC, et al. Machine learning of cell population data, complete blood count, and differential count parameters for early prediction of bacteremia among adult patients with suspected bacterial infections and blood culture sampling in emergency departments. J Microbiol Immunol Infect. 2023;56:782-92.
Parente DM, Cunha CB, Mylonakis E, Timbrook TT. The clinical utility of methicillin-resistant staphylococcus aureus (MRSA) nasal screening to rule out MRSA pneumonia: a diagnostic meta-analysis with antimicrobial stewardship implications. Clin Infect Dis. 2018;67:1-7.
Jeong S, Park Y, Cho Y, Kim HS. Diagnostic utilities of procalcitonin and C-reactive protein for the prediction of bacteremia determined by blood culture. Clinica Chim Acta. 2012;413:1731-6.
Nasimfar A, Sadeghi E, Karamyyar M, Manesh L. Comparison of serum procalcitonin level with erythrocytes sedimentation rate, C-reactive protein, white blood cell count, and blood culture in the diagnosis of bacterial infections in patients hospitalized in Motahhari hospital of Urmia (2016). J Adv Pharm Technol Res. 2018;9:147-52.
Liaudat S, Dayer E, Praz G, Bille J, Troillet N. Usefulness of procalcitonin serum level for the diagnosis of bacteremia. Eur J Clin Microbiol Infect Dis. 2001;20:524-7.
Martin B, Payan M, Greer C, et al. 411: Machine learning to improve blood culture stewardship in the picu. Crit Care Med. 2025;53(1).
Mooney C, Eogan M, Ní Áinle F, et al. Predicting bacteraemia in maternity patients using full blood count parameters: a supervised machine learning algorithm approach. Int J Lab Hematol. 2021;43:609-15.
Galli F, Bindo F, Motos A, et al. Procalcitonin and C-reactive protein to rule out early bacterial coinfection in COVID-19 critically ill patients. Intensive Care Med. 2023;49:934-45.
Morgan JE, Phillips B. PAnTher Cub: procalcitonin-guided antibiotic therapy for febrile neutropenia in children and young people with cancer - a single-arm pilot study. BMJ Paediatr Open. 2022;6:001339.
Versbraegen N, Fouché A, Nachtegael C, et al. Using game theory and decision decomposition to effectively discern and characterise bi-locus diseases. Artif Intell Med. 2019;99:101690.
Boerman AW, Schinkel M, Meijerink L, et al. Using machine learning to predict blood culture outcomes in the emergency department: a single-centre, retrospective, observational study. BMJ Open. 2022;12:053332.
Zoabi Y, Kehat O, Lahav D, Weiss-Meilik A, Adler A, Shomron N. Predicting bloodstream infection outcome using machine learning. Sci Rep. 2021;11:20101.
Baghdadi JD, Brook RH, Uslan DZ, et al. Association of a care bundle for early sepsis management with mortality among patients with hospital-onset or community-onset sepsis. JAMA Intern Med. 2020;180:707-16.
Kristóf K, Pongrácz J. Interpretation of blood microbiology results - function of the clinical microbiologist. EJIFCC. 2016;27:147-55.
