İnflamatuvar Bağırsak Hastalığında Yakın Dönem Alevlenme Aktivitesinin Sınıflandırılmasına Yönelik Çok Modlu Bir Makine Öğrenmesi Modeli: Retrospektif Bir Kohort Çalışmasında Geliştirme ve Zamansal DoğrulamaYavuz Özden1, Sercan Kiremitçi21Sağlık Bilimleri Üniversitesi, Kayseri Şehir Hastanesi, Gastroenteroloji Kliniği, Kayseri, Türkiye
2Bezmialem Vakıf Üniversitesi Tıp Fakültesi, Gastroenteroloji Bilim Dalı, İstanbul, Türkiye
GİRİŞ ve AMAÇ: İnflamatuvar bağırsak hastalığı (İBH) olan hastalarda, indeks ziyaret öncesindeki 90 gün içinde ortaya çıkan klinik olarak anlamlı alevlenme ile ilişkili aktivitenin sınıflandırılması için multimodal bir makine öğrenmesi modelini geliştirmek ve zamansal olarak doğrulamak.
YÖNTEM ve GEREÇLER: Bu retrospektif kohort çalışmasına, Aralık 2025 ile Mart 2026 arasında üçüncü basamak bir merkezde rutin ileokolonoskopi uygulanan, klinik remisyonda veya hafif hastalık aktivitesine sahip 345 erişkin İBH hastası dahil edildi. Demografik, klinik, laboratuvar, endoskopik, histopatolojik ve hasta tarafından bildirilen veriler, indeks ziyaret öncesindeki 90 günlük dönem için elektronik tıbbi kayıtlardan elde edildi. Birincil sonlanım noktası, bu dönem içinde semptomatik kötüleşmeye bağlı tedavi yoğunlaştırılması, İBH ile ilişkili hastaneye yatış veya İBH ile ilişkili cerrahiyi içeren birleşik bir sonlanım noktasıydı. Geliştirme kohortunda (n=242) özellik seçimi için Least Absolute Shrinkage and Selection Operator regresyonu kullanıldı. Üç algoritma—regularize lojistik regresyon, random forest ve eXtreme Gradient Boosting (XGBoost)—zamansal olarak ayrılmış bir doğrulama kohortunda (n=103), alıcı işletim karakteristiği eğrisi altında kalan alan (AUROC), kalibrasyon ölçütleri ve karar eğrisi analizi kullanılarak değerlendirildi.
BULGULAR: Alevlenme ile ilişkili aktivite, 345 hastanın 76’sında (%22,0) saptandı. Doğrulama kohortunda multimodal XGBoost modeli en iyi ayırt edici performansı gösterdi; AUROC 0,84 (%95 güven aralığı [GA], 0,77–0,91), duyarlılık %78,0, özgüllük %73,8, pozitif prediktif değer %55,3 ve negatif prediktif değer %89,1 olarak bulundu. Multimodal model, unimodal modelleri (yalnızca klinik AUROC 0,66; yalnızca laboratuvar 0,71; yalnızca endoskopi 0,74; yalnızca histoloji 0,69) ve temel klinik modeli (AUROC 0,73) geride bıraktı. Kalibrasyon iyi düzeydeydi (Brier skoru 0,15) ve karar eğrisi analizi, klinik açıdan anlamlı eşiklerde net fayda gösterdi.
TARTIŞMA ve SONUÇ: Rutin olarak elde edilen verileri bütünleştiren multimodal bir model, İBH’de yakın dönem alevlenme ile ilişkili aktivitenin sınıflandırılmasında iyi performans gösterdi ve zamansal olarak ayrılmış doğrulama kohortunda tek modallikli yaklaşımlardan daha üstün bulundu. Klinik uygulama öncesinde dış doğrulama gereklidir.
Anahtar Kelimeler: İnflamatuvar bağırsak hastalıkları, makine öğrenmesi, biyobelirteçler, endoskopi, karar destek sistemleri
Development and Temporal Validation of a Multimodal Machine Learning Model for Classification of Recent Flare Activity in Inflammatory Bowel Disease: A Retrospective Cohort StudyYavuz Özden1, Sercan Kiremitçi21Department of Gastroenterology, Kayseri City Hospital, University of Health Sciences, Kayseri, Turkey
2Department of Gastroenterology, Bezmialem Vakıf University Faculty of Medicine, Istanbul, Türkiye
INTRODUCTION: To develop and temporally validate a multimodal machine learning model for classifying clinically relevant flare-related activity during the 90 days preceding the index visit in patients with inflammatory bowel disease (IBD).
METHODS: This retrospective cohort study included 345 adults with IBD in clinical remission or with mild disease activity who underwent routine ileocolonoscopy at a tertiary referral center between December 2025 and March 2026. Demographic, clinical, laboratory, endoscopic, histopathological, and patient-reported data were extracted from electronic medical records for the 90-day pre-index period. The primary outcome was a composite of treatment intensification due to symptomatic worsening, IBD-related hospitalization, or IBD-related surgery during that period. Least Absolute Shrinkage and Selection Operator regression was used for feature selection in a development cohort (n=242). Three algorithms—regularized logistic regression, random forest, and eXtreme Gradient Boosting (XGBoost)—were evaluated in a temporally distinct validation cohort (n=103) using area under the receiver operating characteristic curve (AUROC), calibration metrics, and decision curve analysis.
RESULTS: Flare-related activity was identified in 76 of 345 patients (22.0%). In the validation cohort, the multimodal XGBoost model showed the best discriminative performance, with an AUROC of 0.84 (95% confidence interval [CI], 0.77–0.91), sensitivity of 78.0%, specificity of 73.8%, positive predictive value of 55.3%, and negative predictive value of 89.1%. The multimodal model outperformed unimodal models (clinical-only AUROC 0.66, laboratory-only 0.71, endoscopic-only 0.74, histology-only 0.69) and a baseline clinical model (AUROC 0.73). Calibration was good (Brier score 0.15), and decision curve analysis demonstrated net benefit across clinically relevant thresholds.
DISCUSSION AND CONCLUSION: A multimodal model integrating routinely collected data demonstrated good performance in classifying recent flare-related activity in IBD and outperformed single-modality approaches in a temporally distinct validation cohort. External validation is required before clinical implementation.
Keywords: Inflammatory Bowel Diseases, Machine Learning, Biomarkers, Endoscopy, Decision Support Systems
Sorumlu Yazar: Yavuz Özden, Türkiye
|
|
Yazdır
Alıntıyı İndir
RIS
E-Postala
Paylaş
Yazara e-posta gönder
PubMed