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 vakalarında kaynak kullanımını optimize etmek için klinik karar destek sistemlerinde potansiyel bir uygulama olduğunu göstermektedir.