Çanakkale Onsekiz Mart Üniversitesi Tıp Fakültesi Hastanesi'ne başvuran hastaların klinik özellikleriyle ve diğer laboratuvar parametreleriyle serum 25-oh vitamin D düzeyinin yapay zekâ ile tahmin edilmesi

Giriş ve Amaç: D vitamini eksikliği, günümüzün en sık karşılaşılan sağlık sorunlarındandır. Bu nedenle D vitamini ilgi çeken bir araştırma konusudur. Çalışmamızın temel amacı, Çanakkale ilindeki yetişkin hastaların D vitamini düzeylerini tahmin etmek için bir makine öğrenimi modeli geliştirmektir. Gereç ve Metod: Çanakkale Onsekiz Mart Üniversite Hastanesi Endokrinoloji ve Metabolizma Polikliniğine Ocak 2022 ve Ocak 2023 tarihleri arasında başvuran 25(OH) vitamin D düzeyi değerlendirilen 2252 hasta çalışmamıza dahil edildi. Veriler konvansiyonel istatistiksel yöntemler ve makine öğrenimi modelleri ile incelendi ve yöntemlerin tahmin performansları karşılaştırıldı. Bulgular: Çalışmamızda D vitamini 20 ng/ml'den yüksek 1189 (%53) hasta ve D vitamini 20 ng/ml'den az 1063 (%47) hasta tespit edildi. Bu hastaların %80'i kadınlardan oluşmaktaydı. Çalışmamızdaki hastaların yaş ortancası 46 idi. Hastaların D vitamini takviye alıp almaması değerlendirildiğinde, %26.4'ünün(595) D vitamini takviyesi aldığı, %73.6'sının(1657) ise D vitamini takviyesi almadığı görüldü. D vitamini 20 ng/ml'den yüksek olan hastaların, yaz mevsiminde en yüksek, kış mevsiminde ise en düşük saptandı. D vitamini düzeyini öngörebilecek anlamlı değişkenler; D vitamini takviye durumu, mevsimler, beden kitle indeksi ve laboratuvarda ise glomerüler filtrasyon hızı, TSH, albumin, magnezyum, kalsiyum, fosfor, nötrofil/lenfosit oranı olarak saptandı. Makine öğrenme modellerinin klasik lojistik regresyona göre daha iyi performans gösterebileceği görüldü. Performans metriklerinin eş zamanlı değerlendirilmesinde en başarılı modelin F1 0.75, AUC 0.80, Doğruluk 0.75, Sensitivite 0.80, Spesifite 0.71 ile Catboost Sınıflandırıcısı olduğu tespit edildi. Sonuç: Çalışmamızda, D vitamini düzeylerinin genel yetişkin popülasyonunda D vitamini 20 ng/ml'den düşük değerlerin öngörülmesine olanak sağlayacak modeller üretilmiştir. Makine öğrenimi modellerinin, klasik yöntemlere göre D vitamini 20 ng/ml 'den düşük değerleri daha iyi tahmin edebileceği görülmüştür. Geliştirilen modelin klinik uygulamada nasıl kullanılacağına dair daha fazla araştırma yapılması ve modelin etkinliğinin daha geniş bir hasta grubunda test edilmesi gerekmektedir. Anahtar Kelimeler: 25(OH) D vitamini, Takviye, Mevsim, Makine Öğrenimi

Introduction and Objective: Vitamin D deficiency is one of the most prevalent health issues in today's world, making it a subject of significant research interest. The primary aim of our study is to develop a machine-learning model to predict the levels of vitamin D in adult patients in the province of Çanakkale. Materials and Methods: The 2252 patients who applied to the Endocrinology and Metabolism Clinic of Çanakkale Onsekiz Mart University Hospital between January 2022 and January 2023 and had their 25(OH) vitamin D levels evaluated were included in our study. The data were analysed using conventional statistical methods and machine learning models, and the predictive performances of the methods were compared. Results: In our study, 1189 patients (53%) had vitamin D levels higher than 20 ng/ml, while 1063 patients (47%) had levels lower than 20 ng/ml. Among these patients, 80% were females. The median age of the patients in our study was 46. When evaluating whether patients were taking vitamin D supplements, it was observed that 26.4% (595) were taking supplements, while 73.6% (1657) were not. Patients with vitamin D levels above 20 ng/ml showed the highest levels in the summer and the lowest in the winter. Significant variables predicting vitamin D levels include vitamin D supplementation status, seasons, body mass index, and in the laboratory, glomerular filtration rate, TSH, albumin, magnesium, calcium, phosphorus, and neutrophil-to-lymphocyte ratio. Machine learning models were found to outperform logistic regression. It was observed that machine learning models can perform better than classical logistic regression. In the simultaneous evaluation of performance metrics, it was determined that the most successful model was the Catboost Classifier with F1 0.75, AUC 0.80, Accuracy 0.75, Sensitivity 0.80, and Specificity 0.71. Conclusion: In our study, models were developed to predict vitamin D levels lower than 20 ng/ml in the general adult population. It was observed that machine learning models can predict values lower than 20 ng/ml of vitamin D better than classical methods. Further research is needed on how to use the developed model in clinical practice, and the effectiveness of the model should be tested in a larger group of patients. Keywords: 25-hydroxyvitamin D, Supplementation, Season, Machine Learning