Astım hastalarının astım ağırlığının bilgisayar destekli sınıflandırılması

Amaç: Astım, hava yollarının kronik inflamasyonu ile seyreden, değişken ekspiratuar hava akımı kısıtlılığına yol açan ve dünya genelinde milyonlarca insanı etkileyen önemli bir halk sağlığı sorunudur. Astımın ağırlık sınıflandırması, hastalığın kontrolü ve uygun basamak tedavisinin belirlenmesi açısından kritik öneme sahiptir. Ancak mevcut sınıflama semptomların izlenmesine dayalıdır ve tanı anında belirlenememektedir. Bu çalışmanın amacı, erişkin astım hastalarında klinik, demografik ve laboratuvar veriler kullanılarak bilgisayar destekli bir astım ağırlığının sınıflandırılmasıdır. Yöntem: Çanakkale Onsekiz Mart Üniversitesi Göğüs Hastalıkları Polikliniği'ne başvuran, astım tanısı almış 100 erişkin hasta çalışmaya dahil edildi. Demografik (yaş, cinsiyet, VKİ, sigara öyküsü, aile öyküsü), klinik (alerji varlığı, AKT skoru, basamak tedavisi) ve laboratuvar verileri (total IgE, eozinofil sayısı, solunum fonksiyon testleri) kaydedildi. Veriler farklı makine öğrenimi algoritmaları ile analiz edildi ve performansları doğruluk, kesinlik, duyarlılık, özgüllük ve F1 skorları üzerinden değerlendirildi. Bulgular: En yüksek doğruluk FPFS-kNN algoritması ile %74,2 olarak elde edildi. Basamak tedavisi parametresi eklendiğinde doğruluk %96,6'ya yükseldi. AKT skoru ile astım ağırlığı arasında güçlü negatif korelasyon, spirometrik parametreler ile orta düzeyde ilişki bulundu. Sonuç: Kolay erişilebilir klinik ve laboratuvar parametreler kullanılarak makine öğrenimi algoritmaları ile astım ağırlığının tanı anında sınıflandırılabileceği gösterildi. Bu yaklaşım, klinik karar süreçlerini destekleyerek erken dönemde uygun tedavi basamağının belirlenmesine katkı sağlayabilir.

Computer-Aided Classification of Asthma Severity in Asthma Patients Objective: Asthma is a chronic inflammatory disease of the airways that causes variable expiratory airflow limitation and affects millions worldwide. Classification of asthma severity is crucial for disease control and determining the appropriate stepwise treatment. However, current classification relies on symptom monitoring and cannot be directly established at the time of diagnosis. The aim of this study was to classify adult asthma patients asthma severity using clinical, demographic, and laboratory data. Methods: A total of 100 adult asthma patients who were admitted to the Chest Diseases Outpatient Clinic of Çanakkale Onsekiz Mart University were included. demographic data (age, sex, BMI, smoking history, family history), clinical data (allergy status, ACT score, treatment step), and laboratory parameters (total IgE, eosinophil count, pulmonary function test results) were recorded. The data were analyzed using various machine learning algorithms, and the performances were evaluated in terms of accuracy, precision, sensitivity, specificity, and F1 scores. Results: The highest accuracy was achieved with the FPFS-kNN algorithm (74,2%). When treatment step was added as a variable, accuracy increased to 96,6%. A strong negative correlation was observed between ACT score and asthma severity, while spirometric parameters showed moderate correlations. Conclusion: This study demonstrated that asthma severity can be classified at the time of diagnosis using easily accessible clinical and laboratory parameters with the support of machine learning algorithms. Such an approach may contribute to clinical decision-making by enabling the determination of appropriate treatment steps in the early period.