Quick Search
A hybrid machine learning approach to improve the diagnostic accuracy of acute appendicitis
Betül Keskinkılıç Yağız1, Yasemin Keskin2, Metin Yalaza3, Şiyar Ersöz41Department of General Surgery, Samsun Gazi State Hospital, Samsun-Türkiye2Department of General Surgery, University of Health Sciences, Dr. Abdurrahman Yurtaslan Oncology T&R Hospital, Ankara-Türkiye
3Department of Surgical Oncology, University of Health Sciences, Dr. Abdurrahman Yurtaslan Oncology T&R Hospital, Ankara-Türkiye
4Department of General Surgery, Ankara University Faculty of Medicine, Ankara-Türkiye
BACKGROUND: Acute appendicitis is the most common diagnosis considered in patients presenting to the emergency department with right lower quadrant pain. However, atypical presentations often lead to unnecessary surgeries and increased healthcare costs. This study aimed to improve diagnostic accuracy in acute appendicitis using a hybrid machine learning (ML) model.
METHODS: A retrospective analysis was performed on 395 patients who underwent appendectomy for suspected acute appendicitis between 2020 and 2024 at Ankara University Faculty of Medicine, Department of General Surgery. Demographic, clinical, laboratory, and radiological variables were collected. ML algorithms, including NaiveBayes, MultilayerPerceptron, IBk, AdaBoost, RandomForest, and a hybrid model combining NaiveBayes, AdaBoost, and RandomForest, were applied. The dataset was evaluated using 10-fold cross-validation, repeated 1,000 times. Accuracy, F-measure, Matthews Correlation Coefficient (MCC), receiver operating characteristic (ROC) area, and precision-recall curve (PRC) area were used as performance criteria.
RESULTS: Among the 395 patients, 52.9% were male, with a mean age of 37.3±15.6 years. Histopathological examination confirmed acute appendicitis in 341 (86.3%) patients and negative appendectomy in 54 (13.7%) patients. The diagnostic accuracy of the Alvarado score at a cut-off value of ≥6 was 79.0%. Among the ML algorithms, the hybrid model achieved the best performance, with 92.9% accuracy, 93% F-measure, 70.4% MCC, 90.8% ROC area, and 93.4% PRC area. This model correctly predicted 95.6% of acute appendicitis cases and 75.9% of negative appendectomy cases.
CONCLUSION: The hybrid ML model demonstrated superior diagnostic accuracy compared to the Alvarado score for acute appendicitis. Integration of such models into clinical practice could reduce negative appendectomy rates and enhance patient management by enabling faster and more reliable diagnosis.
Keywords: Acute appendicitis, hybrid model, diagnostic accuracy, negative appendectomy, machine learning.
Akut apandisit tanısında tanısal doğruluğu artırmaya yönelik hibrit makine öğrenmesi yaklaşımı
Betül Keskinkılıç Yağız1, Yasemin Keskin2, Metin Yalaza3, Şiyar Ersöz41Samsun Gazi Hastanesi, Genel Cerrahi Kliniği, Samsun, Türkiye2Dr Abdurrahman Yurtaslan Ankara Onkoloji Eğitim ve Araştırma Hastanesi, Genel Cerrahi Kliniği, Ankara, Türkiye
3Dr Abdurrahman Yurtaslan Ankara Onkoloji Eğitim ve Araştırma Hastanesi, Cerrahi Onkoloji Kliniği, Ankara, Türkiye
4Ankara Üniversitesi Tıp Fakültesi, Genel Cerrahi Anabilim Dalı, Ankara, Türkiye
AMAÇ: Akut apandisit, acil serviste sağ alt kadran ağrısı ile başvuran hastalarda en sık değerlendirilen tanıdır. Ancak atipik bulgular tanısal güçlükler yaratmakta, gereksiz operasyonlara ve maliyet artışına yol açabilmektedir. Bu çalışmanın amacı, hibrit makine öğrenmesi (ML) modeli kullanılarak akut apandisit tanısında doğruluğun artırılmasıdır.
GEREÇ VE YÖNTEM: 2020-2024 yılları arasında Ankara Üniversitesi Tıp Fakültesi Genel Cerrahi Anabilim Dalı’nda akut apandisit ön tanısı ile opere edilen 395 hasta retrospektif olarak incelendi. Demografik, klinik, laboratuvar ve radyolojik veriler değerlendirildi. NaiveBayes, MultilayerPer-ceptron, IBk, AdaBoost, RandomForest ve bu modellerin kombinasyonundan oluşturulan Hibrit Model uygulandı. Veriler 10-kat çapraz doğrulama ile analiz edildi. Doğruluk, F-measure, Matthews Korelasyon Katsayısı (MCC), ROC ve PRC alanı performans kriteri olarak kullanıldı. BULGULAR: Çalışmaya dahil edilen hastaların %52.9’u erkek olup ortalama yaş 37.3±15.6 yıl idi. Histopatolojik incelemede 341 (%86.3) olgu akut apandisit, 54 (%1.7) olgu negatif apendektomi olarak raporlandı. Alvarado skoru ≥6 için tanısal doğruluk %79.0 bulundu. ML algoritmaları içinde en iyi sonuç Hibrit Model ile elde edildi. Bu model %92.9 doğruluk oranı, %93 F-measure, %70.4 MCC, %90.8 ROC ve %93.4 PRC alanı sağladı. Ayrıca, akut apandisitli olguların %95.6’sı ve negatif apendektomi grubunun %75.9’u doğru tahmin edildi.
SONUÇ: Hibrit ML modeli, akut apandisit tanısında Alvarado skoruna kıyasla daha yüksek doğruluk sunmaktadır. Bu yaklaşımın klinik kullanıma entegrasyonu, negatif apendektomi oranlarını azaltarak hasta yönetimini iyileştirebilir.
Anahtar Kelimeler: Akut apandisit, hibrit model, makine öğrenimi, negatif apendektomi, tanısal doğruluk.
Manuscript Language: English