Öz
Farklı enfeksiyonların erken tanısında ve risk faktörlerinin belirlenmesinde makine öğrenmesinin (ML) artan kullanımına ragmen santral sinir sistemi enfeksiyonlarında (SSSE) ML kullanımını araştıran az sayıda çalışma mevcuttur. Literatür taraması; Scopus, Web of Science, Ovid aracılığıyla PubMed veritabanlarında “Yapay zeka” veya “Makine öğrenmesi” veya “Derin öğrenme” ve “Santral sinir sistemi enfeksiyonları” veya “Ensefalit” veya “menenjit” anahtar kelimeleri kullanılarak yapıldı. Son güncelleme 20 Temmuz 2022’de gerçekleştirildi. Çalışmalar popülasyon, müdahale, karşılaştırıcı, ilgilenilen sonuç(lar) ve çalışma tasarımına göre seçilmiştir (PICOS). Çalışmaların kalite kontrolü için Joanna Briggs Enstitüsü Kohort Çalışmaları ve Olgu Kontrol Araştırmaları Kontrol Listesi kullanıldı. Çalışma popülasyonu, beyin omurilik sıvısı testi veya diğer laboratuvar inceleme ve görüntüleme yöntemleri ile SSSE tanısı doğrulanmış adolesan ve yetişkin hastalar olarak tanımlandı. İncelenen 731 makaleden beşi dahil edildi. Çalışmalar aşağıdaki konularda ML’nin rolüne odaklanmıştır: Sağlık bakımıyla ilişkili ventrikülit/menenjit için risk faktörleri, ameliyat olmaksızın sadece medikal tedavi edilen spinal epidural apse (SEA) hastalarında tedavi başarısızlığının değerlendirilmesi, SEA hastalarında mortalitenin öngörülmesi, menenjit ayırıcı tanısı ve ayırıcı tanıda klinisyen kararları ile ML metodlarının karşılaştırılmasıdır. Mevcut literatüre bakıldığında, bu alanda daha fazla çalışmaya ihtiyaç duyulmakla birlikte, ML yakında SSE’de etkin bir şekilde kullanılabilecektir. Her bir konu için en iyi ML modelini belirlemek gereklidir. Yapay zeka uygulamaları, hızlı teşhis ve etkili erken tedaviye katkıda bulunmak için büyük bir potansiyel taşımaktadır.
Anahtar Kelimeler: Yapay zeka, makine öğrenmesi, derin öğrenme, santral sinir sistemi enfeksiyonları, ensefalit
Kaynakça
Archibald LK, Quisling RG. Central Nervous System Infections. In: Layon AJ, Gabrielli A, Friedman WA (eds). Textbook of Neurointensive Care. London: Springer London, 2013:427-517.
Horan TC, Andrus M, Dudeck MA. CDC/NHSN surveillance definition of health care-associated infection and criteria for specific types of infections in the acute care setting. Am J Infect Control. 2008;36:309-32. Erratum in: Am J Infect Control. 2008;36:655.
Giovane RA, Lavender PD. Central Nervous System Infections. Prim Care. 2018;45:505-18.
Bodilsen J, Storgaard M, Larsen L, Wiese L, Helweg-Larsen J, Lebech AM, Brandt C, Østergaard C, Nielsen H; DASGIB study group. Infectious meningitis and encephalitis in adults in Denmark: a prospective nationwide observational cohort study (DASGIB). Clin Microbiol Infect. 2018;24:1102.e1-5.
Nath A. Infections of the Nervous System. Clin Infect Dis. 2015;60:330.
Wolff M, Sonneville R, Sharshar T. Clinical Approach to the Adult Patient with CNS Infection. Infections of the Central Nervous System. 2020:29-42.
Gauglitz G. Artificial vs. human intelligence in analytics: Do computers outperform analytical chemists? Anal Bioanal Chem. 2019;411:5631-2.
Halford GS, Baker R, McCredden JE, Bain JD. How many variables can humans process? Psychol Sci. 2005;16:70-6.
Tran NK, Albahra S, May L, Waldman S, Crabtree S, Bainbridge S, Rashidi H. Evolving Applications of Artificial Intelligence and Machine Learning in Infectious Diseases Testing. Clin Chem. 2021;68:125-33.
Fitzpatrick F, Doherty A, Lacey G. Using Artificial Intelligence in Infection Prevention. Curr Treat Options Infect Dis. 2020;12:135-44.
López-García M, Kypraios T. A unified stochastic modelling framework for the spread of nosocomial infections. J R Soc Interface. 2018;15:20180060.
Moola S, Munn Z, Tufanaru C, Aromataris E, Sears K, Sfetcu R, Currie M, Qureshi R, Mattis P, Lisy K. Chapter 7: Systematic reviews of etiology and risk. Joanna briggs institute reviewer’s manual The Joanna Briggs Institute. 2017;5.
Savin I, Ershova K, Kurdyumova N, Ershova O, Khomenko O, Danilov G, Shifrin M, Zelman V. Healthcare-associated ventriculitis and meningitis in a neuro-ICU: Incidence and risk factors selected by machine learning approach. J Crit Care. 2018;45:95-104.
Mentis AA, Garcia I, Jiménez J, Paparoupa M, Xirogianni A, Papandreou A, Tzanakaki G. Artificial Intelligence in Differential Diagnostics of Meningitis: A Nationwide Study. Diagnostics (Basel). 2021;11:602.
Jeong YS, Jeon M, Park JH, Kim MC, Lee E, Park SY, Lee YM, Choi S, Park SY, Park KH, Kim SH, Jeon MH, Choo EJ, Kim TH, Lee MS, Kim T. Machine-Learning-Based Approach to Differential Diagnosis in Tuberculous and Viral Meningitis. Infect Chemother. 2021;53:53-62.
Karhade AV, Shah AA, Bono CM, Ferrone ML, Nelson SB, Schoenfeld AJ, Harris MB, Schwab JH. Development of machine learning algorithms for prediction of mortality in spinal epidural abscess. Spine J. 2019;19:1950-9.
Shah AA, Karhade AV, Bono CM, Harris MB, Nelson SB, Schwab JH. Development of a machine learning algorithm for prediction of failure of nonoperative management in spinal epidural abscess. Spine J. 2019;19:1657-65.
Kiliç S. Kappa test. Journal of Mood Disorders. 2015;5:142-4.
Scardoni A, Balzarini F, Signorelli C, Cabitza F, Odone A. Artificial intelligence-based tools to control healthcare associated infections: A systematic review of the literature. J Infect Public Health. 2020;13:1061-77.
Xie G, Chen T, Li Y, Chen T, Li X, Liu Z. Artificial Intelligence in Nephrology: How Can Artificial Intelligence Augment Nephrologists’ Intelligence? Kidney Dis (Basel). 2020;6:1-6.
