DENGESİZ YOĞUN BAKIM ÜNİTESİ VERİLERİNDE ERKEN SEPİS TAHMİNİ İÇİN KARAR DUYARLI İKİ AŞAMALI SINIFLANDIRMA
KSÜ Mühendislik Bilimleri Dergisi, cilt.29, sa.2, ss.948-963, 2026 (TRDizin)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 29 Sayı: 2
- Basım Tarihi: 2026
- Doi Numarası: 10.17780/ksujes.1898877
- Dergi Adı: KSÜ Mühendislik Bilimleri Dergisi
- Derginin Tarandığı İndeksler: TR DİZİN (ULAKBİM)
- Sayfa Sayıları: ss.948-963
- Atatürk Üniversitesi Adresli: Evet
Özet
Yoğun bakım ünitelerinde sepsisın erken teşhisi mortaliteyi azaltmak için kritik öneme sahip olmakla birlikte, klinik veri setlerindeki sınıf dengesizliği sepsis sinyallerinin baskın sağlıklı hasta gürültüsü içinde kaybolmasına neden olmaktadır. Bu çalışma, geleneksel modellerin sıklıkla gözden kaçırdığı belirsizlik bölgelerindeki zor vakaları tespit etmek amacıyla karar duyarlı iki aşamalı bir sınıflandırma çerçevesi önermektedir. Küresel bir XGBoost sınıflandırıcısının ardından veri odaklı belirsizlik aralığını [0.037–0.48] hedefleyen maliyet duyarlı bir iyileştirme modeli uygulanmaktadır. Veri seti, PhysioNet 2019 kapsamında 14.057 hastadan elde edilen 40.336 saatlik YBÜ kaydını kapsamakta olup test setinde 234 sepsis vakası yer almaktadır. Entegre sistem sepsis yakalama oranını %51'den %97'ye yükselterek yanlış negatif sayısını 115'ten 6'ya düşürmüştür. Hassasiyet-Geri Çağırma AUC değeri 0.268'den 0.515'e yükselerek gerçek bir ayrım gücü iyileşmesini doğrulamıştır. SHAP analizi önemli bir strateji değişikliğini ortaya koymuştur: küresel model makro göstergelere odaklanırken, iyileştirme modeli hemodinamik ortalamalar ve volatilite ölçütlerini ön plana çıkarmıştır. Bulgular, belirsiz vakalar için özerk bir ikinci görüş mekanizmasının klinik yanlış negatifleri belirgin biçimde azalttığını göstermektedir. Bu yaklaşım, gerçek zamanlı klinik karar destek sistemlerine entegrasyon için şeffaf ve verimli bir yol sunmaktadır.
Early sepsis detection is vital for reducing ICU mortality, yet clinical class imbalance masks critical sepsis signals within the dominant healthy population noise. This study proposes a decision-aware two-stage framework to identify hard cases in uncertainty zones that traditional models frequently miss. A global XGBoost classifier is followed by a cost-sensitive refinement model targeting samples within a data-driven uncertainty interval [0.037–0.48]. The dataset comprises 40,336 hourly ICU records from 14,057 patients (PhysioNet/Computing in Cardiology Challenge 2019), with 234 sepsis cases in the test set (8.3% prevalence). The integrated system improves sepsis recall from 51% to 97%, reducing false negatives from 115 to 6. Precision-Recall AUC improved from 0.268 to 0.515 against a random baseline of 0.083, confirming genuine discriminative improvement. SHAP analysis revealed a strategic feature shift: the global model relied on macro-indicators such as last recorded temperature and mean respiratory rate, while the refinement model re-prioritised haemodynamic and respiratory mean values alongside volatility measures, demonstrating capacity to detect physiological instability in insidious sepsis cases. Providing an autonomous second opinion for ambiguous cases significantly reduces clinical false negatives. This approach offers a transparent and computationally efficient pathway for integrating advanced analytics into real-time clinical decision support systems.