Geri Dön

İç hastalıkları yoğun bakım ünitesinde hastanın ilk gün PA AC grafisinden yapay zeka yöntemleri kullanılarak mortalite tahmini

Mortality prediction from patient's first day PA AC radiograph in internal medicine intensive care unit using artificial intelligence methods

PDF İndir

  1. Tez No: 1018575
  2. Yazar: ORHAN GÖK
  3. Danışmanlar: DR. ÖĞR. ÜYESİ TÜRKER FEDAİ ÇAVUŞ
  4. Tez Türü: Doktora
  5. Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2026
  8. Dil: Türkçe
  9. Üniversite: Sakarya Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Elektrik-Elektronik Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Elektronik Mühendisliği Bilim Dalı
  13. Sayfa Sayısı: Belirtilmemiş.

Özet

Yoğun bakım ünitelerinde yatan hastalarda mortalitenin erken dönemde öngörülebilmesi, tedavi stratejilerinin daha etkin planlanması ve sınırlı kaynakların rasyonel kullanımı açısından kritik öneme sahiptir. Bu tez çalışmasının amacı, iç hastalıkları yoğun bakım ünitesine kabul edilen hastaların birinci gün postero-anterior akciğer (PA AC) grafilerinden elde edilen radyomik ve radyolojik özellikleri kullanarak, makine öğrenmesi yöntemleri ile mortalite tahmini yapmak ve klinisyenlerin karar süreçlerini destekleyebilecek bir yapay zekâ temelli öngörü modeli geliştirmektir. Çalışmada, toplamda 4 adet deney seti kullanılarak, farklı sayıdaki özniteliklerle analizler gerçekleştirilmiştir. 1. Deney setinde retrospektif olarak 510 yoğun bakım hastasına ait akciğer grafileri analiz edilmiştir. Veri artırma (augmentation) işlemleri sonrasında 3019 PAAC görüntüsü model eğitimi ve doğrulaması için kullanılmış, buna ek olarak 100 hastadan oluşan, artırma uygulanmamış bağımsız bir test kümesi nihai performans değerlendirmesi için ayrılmıştır. Görüntülerden toplam 74 adet radyomik özellik (dokusal, yoğunluk temelli ve şekilsel değişkenler) çıkarılmış; bu özellikler, farklı makine öğrenmesi algoritmaları ile eğitilen sınıflandırma modellerinin girdisi olarak kullanılmıştır. Modeller, ROC eğrisi altında kalan alan (AUC), duyarlılık (sensitivite) ve özgüllük (spesifite) ölçütleri açısından değerlendirilmiştir. Uygulanan özellik seçme adımları ile başlangıçtaki 74 özellik kademeli olarak azaltılarak mortalite tahmininde en yüksek katkıyı sağlayan 10 temel öznitelik belirlenmiştir. Bu öznitelikler; GLCM Contrast, Kurtosis, Cobb açısı, Haralick dokusal istatistikleri, bilateral infiltrasyon, kardiyomegali, Skewness, yoğunluk aralığı (Intensity Range), unilateral efüzyon ve medyan yoğunluk olarak saptanmıştır. Farklı makine öğrenmesi algoritmalarının karşılaştırılması sonucunda, Subspace K-En Yakın Komşu (Subspace KNN) algoritması en başarılı model olarak öne çıkmış ve bağımsız test kümesinde AUC:0,88 performans değerine ulaşmıştır. 2. deney setinde analizler, 400 eğitim verisi, 100 bağımsız test verisi ve öncelikle toplam 74 sonrasında, 15 öznitelik ve son olarak 4 öznitelik kullanılarak gerçekleştirilmiştir. Makine öğrenmesi modellerinin güvenilirliğini değerlendirmek amacıyla çalışmada üç farklı doğrulama stratejisi kullanılmıştır: Çapraz doğrulama (Cross-validation) (k=2, 5 ve 20), Hold-out doğrulama (k=25), Resubstitution doğrulama. Bu üç yaklaşımın birlikte kullanılması, model davranışının farklı açılardan değerlendirilmesine olanak sağlamış ve sonuçların daha sağlam biçimde yorumlanmasını mümkün kılmıştır. Bu analizde çapraz doğrulama katsayısı farklı değerlerde (örneğin 2, 5 ve 20) denenmiş, ancak sonuçlar arasında anlamlı bir performans farkı gözlenmemiştir. Bu durum, modellerin kararlı ve tutarlı bir öğrenme davranışı sergilediğini göstermektedir. Çapraz doğrulamaya ek olarak, model performansını değerlendirmek için hold-out doğrulama yöntemi uygulanmıştır. percent held out değeri=25 olarak seçilerek analiz yapılmıştır. Bu yöntemde veri kümesi, eğitim ve doğrulama alt kümelerine ayrılarak analiz gerçekleştirilmiştir. Hold-out analizlerinde bazı algoritmalarda performans düşüşleri gözlenmiş, bu durum özellikle veri setinin sınırlı büyüklüğü ve sınıf dağılımı ile ilişkilendirilmiştir. Analizlerin bir diğer aşamasında resubstitution doğrulama yöntemi kullanılmıştır. Bu yöntemde model, eğitildiği veri kümesi üzerinde tekrar test edilmiştir. Bu analizler sonucunda, bazı algoritmaların resubstitution altında daha yüksek performans sergilediği gözlenmiştir. Ancak bu sonuçlar nihai model başarısı olarak raporlanmamış, yalnızca algoritma ve öznitelik davranışlarını anlamak için kullanılmıştır. Bu durum tezde özellikle vurgulanarak, nihai performans değerlendirmelerinin yalnızca bağımsız test verisi üzerinden yapıldığı açıkça belirtilmiştir. Sonuç olarak, çapraz doğrulama, hold-out ve resubstitution yöntemlerinin birlikte kullanılması, model davranışının çok yönlü olarak incelenmesini sağlamış ve elde edilen sonuçların sağlamlığını desteklemiştir. Bu çalışmada resubstitution doğrulama yöntemi, metodolojik sınırları açık biçimde gözetilerek bilinçli ve kontrollü bir şekilde kullanılmıştır. Söz konusu yaklaşım, nihai model başarımını raporlamak amacıyla değil, modellerin öğrenme davranışını incelemek, özniteliklerin göreli katkılarını hızlı biçimde değerlendirmek ve potansiyel aşırı uyum (overfitting) eğilimlerini görünür kılmak amacıyla keşifsel ve destekleyici bir analiz aracı olarak ele alınmıştır. Bu kapsamda, resubstitution sonuçları bağımsız test seti veya hold-out doğrulama bulgularının yerine geçirilmemiş; aksine bu yöntemden elde edilen çıktılar, diğer doğrulama stratejileriyle birlikte yorumlanarak analiz sürecine bağlamsal derinlik kazandırmıştır. Sonuç olarak, Resubstution doğrulama yöntemi, MRMR özellik seçim yöntemi ile elde edilen 15 öznitelikle yapılan analiz neticesinde AUC değeri 0,80 oranında bulunarak, iyi bir performans elde edilmiştir. Ayrıca çekirdek öznitelik olarak belirlenen 4 öznitelikle yapılan analiz neticesinde AUC değerinin 0,79 olduğu görülmüş ve tüm öznitelik seçim yöntemlerinin kullanılması ile elde edilen ortak özniteliklerin performans açısından daha anlamlı olabilecekleri değerlendirilmiştir. 3. deney setinde analizler 2800 eğitim verisi, 400 bağımsız test verisi ve öncelikle toplam 74, sonrasında 15 öznitelik ve son olarak 9 öznitelik kullanılarak gerçekleştirilmiştir. 74 öznitelikle yapılan analiz sonucunda en başarılı performans gösteren algoritma AUC:0,89 performansla Fine Gaussian SVM olmuştur. Daha önceki analizlerde en iyi öznitelik seçim metodu MRMR olarak belirlemişti. Bu yöntemi kullanarak en iyi 15 özellik seçimi yapıldı. Bu en iyi 15 öznitelikle analizlere devam edildi. Analiz sonucunda en iyi algoritmanın AUC:0,85 performansla Medium Gaussian SVM olduğu tespit edilmiştir. Daha önce 400 eğitim seti ve 100 test seti ile yapılan analizlerde, 6 öznitelik seçimi ile yapılan karşılaştırmalarda en iyi özellik seçme yönteminin MRMR yöntemi olduğu görülmüştü. Bu aşamada MRMR yöntemi ile permutation importance özellik seçme yöntemleri ile özellik seçme işlemi (en iyi 10 özellik) gerçekleştirilmiştir. Sonuçlar incelendiğinde aşağıda listelenen 9 adet özniteliğin her iki yöntemdede ortak olduğu, bu özniteliklerle analiz yapmanın performansı daha yukarıya taşıyabileceği değerlendirilerek, belirlenen 9 adet öznitelikle analizler gerçekleştirilmiştir. Ortak olan bu 9 öznitelik; Cobb (Cobb açısı), Intensity Range (Yoğunluk aralığı), Bilateral Infiltrates (Bilateral infiltrasyon), Haralick_15_45, Haralick_8_135, Haralick 12_90, Unilateral Effusion (Tek taraflı plevral efüzyon), CTR (Kardiyotorasik oran), Pneumothorax (Pnömotoraks). Bu 9 öznitelikle analizlere devam edilmiştir. 9 öznitelikle yapılan analiz sonucunda en başarılı performans gösteren algoritma 0,94 performansla Weighted KNN olmuştur. Genel olarak değerlendirildiğinde, KNN modelinin yüksek doğruluk, güçlü F1 skorları ve sınıflar arası dengeli performansıyla, ilk gün PA AC akciğer grafilerinden mortalite tahmini için son derece başarılı bir yaklaşım sunduğu görülmektedir. Sonuçlar değerlendirildiğinde 9 özellikle yapılan analizle elde edilen sonuçların oldukça tatmin edici olduğu bu aşamadan sonra özellik azaltılarak yeni bir analize gerek olmadığı değerlendilmiştir. Sonuç olarak 74 adet öznitelik 9 adede kadar indirilerek önemli performans elde edilmiştir. Bu da belirtilen 9 öznitelikle klinisyenlerin PAAC grafileri üzerinden doğruya çok yakın Mortalite tahmini yapabileceklerini ve doğru tedavi stratejisi uyguayabileceklerini göstermektedir. 4. deney setinde analizler 400 eğitim verisi, 100 bağımsız test verisi kullanılmıştır. Fakat bu deney setinde diğer deney setlerinden farklı olarak; hastaların cinsiyet, yaş, yoğun bakımda yatış süreleri ve kan gurupları analizlere dahil edilmiştir. Analizlerde kullanılacak öznitelikler İnfiltrasyon (Bl), Plevral efüzyon (Tek Taraf), Plevral efüzyon (Bl), Pnomotoraks, Kalsifik aort, CTR, Cobb açısı, Cinsiyet, Yaş, Kan gurubu, Vücut kitle indeksi olmak üzere toplam 13 adet olacak şekilde planlanmıştır. Belirtilen özniteliklerle yine daha önceki analizlerde performansı etkin kıldığı düşünülen parametrelerle (Cross Validation k=5, MRMR ve Permutation Importance özllik seçim metodları) kullanılarak analizler gerçekleştirilmiştir. MRMR ve Permutation Importance yöntemleri birlikte değerlendirildiğinde, Cobb açısı, vücut kitle indeksi, yaş, bilateral plevral efüzyon ve tek taraflı infiltrasyon değişkenlerinin her iki yöntemde de öne çıktığı görülmektedir. Bu bulgu, söz konusu özniteliklerin modelden bağımsız olarak mortalite tahmininde tutarlı ve güçlü belirleyiciler olduğunu göstermektedir. Bu analiz sonucunda en başarılı algoritma AUC:0,95 başarı oranı ile Bagged trees algortiması olmuştur. Belirlenen bu 5 adet çekirdek özelliklerle tekrar analiz yapılmış ve analiz sonucunda başarı oranının arttığı ve en iyi algoritmanın AUC:0,96 ile Subspace algoritması olduğu görülmüştür. Sonuç olarak, bu beş öznitelikle yapılan analiz sonucunda mortalite tahmininde 3 algoritmayla 0,90 üzeri çok başarılı performans elde edilmiştir. Bu da bize daha önceki analizlerden farklı olarak yoğu bakımda vücut kitle indeksi, yaş ve cinsiyet gibi demogratik özelliklerin mortlite tahmininde önemli rol oynadığı tespitini ortaya koymuştur. 5. deney setinde, eğitim ve test verilerinin orantılı şekilde artırılmasıyla oluşturulan 2800 eğitim ve 700 test verisinden oluşan deney seti 5 üzerinde gerçekleştirilen analizlerde, farklı makine öğrenmesi algoritmalarının mortalite tahmin performansları karşılaştırılmıştır. Elde edilen sonuçlar, özellikle SVM tabanlı modellerin 0,92–0,93 doğruluk oranı ve 0,96–0,98 aralığındaki AUC değerleri ile yüksek ayırt edici performans sergilediğini göstermiştir. Bununla birlikte KNN tabanlı modellerin de yüksek duyarlılık değerleri ile mortal vakaların tespitinde etkili olduğu görülmüştür. Genel olarak, veri setinin dengeli ve orantılı biçimde genişletilmesinin model performansını olumlu yönde etkilediği ve geliştirilen sistemin klinik karar destek süreçlerinde güvenilir bir şekilde kullanılabileceği ortaya konulmuştur. Elde edilen bulgular, iç hastalıkları yoğun bakım hastalarında ilk gün PA AC grafilerinden türetilen nicel radyomik özniteliklerin, mortaliteyi iyi düzeyde ayırt edebildiğini ve makine öğrenmesi tabanlı yaklaşımların klasik klinik skorlamalara tamamlayıcı bir araç olarak kullanılabileceğini göstermektedir. Geliştirilen modelin, klinik karar destek sistemlerine entegre edilmesiyle yüksek riskli hastaların erken dönemde belirlenmesi, izlem ve tedavi önceliklerinin daha etkin planlanması ve yoğun bakım kaynaklarının daha verimli kullanılmasına katkı sağlayacağı düşünülmektedir.

Özet (Çeviri)

Intensive care units (ICUs) manage patients with severe and dynamic clinical conditions, where mortality remains high despite advances in care. Clinicians need reliable tools for early risk stratification to guide interventions and resource allocation. Common scoring systems such as APACHE II, SAPS II, and SOFA are valuable but have limitations, including reliance on multiple variables, laboratory data, and delayed calculation. In contrast, chest radiographs are routinely obtained on the first day of ICU admission. This thesis explores whether quantitative radiomic and radiologic features extracted from first-day posteroanterior chest radiographs can be used with machine learning algorithms to predict ICU mortality in internal medicine patients. Early and accurate prediction of mortality in patients hospitalized in intensive care units (ICUs) is of paramount importance for optimizing treatment strategies, improving patient outcomes, and ensuring the efficient utilization of limited healthcare resources. Intensive care settings are characterized by high patient acuity, complex clinical decision-making processes, and significant variability in disease severity. In this context, reliable early risk stratification tools are essential to support clinicians in prioritizing monitoring intensity, tailoring therapeutic interventions, and communicating prognosis. Traditional clinical scoring systems, although widely used, are often dependent on laboratory parameters and longitudinal clinical data that may not be immediately available at the time of ICU admission. Therefore, the development of alternative, rapid, and non-invasive prediction approaches remains a critical area of research. The primary aim of this doctoral thesis is to investigate whether radiomic and radiological features extracted from first-day posteroanterior chest radiographs (PA-AC) of patients admitted to an internal medicine intensive care unit can be effectively used to predict mortality through machine learning–based methods. By focusing on routinely acquired chest radiographs, which are inexpensive, widely available, and rapidly obtainable at the bedside, this study seeks to develop an artificial intelligence–based predictive model capable of supporting clinical decision-making in the early phase of intensive care admission. To achieve this objective, the study was designed using four distinct experimental datasets, each constructed to evaluate the impact of different feature sets, validation strategies, and model configurations on mortality prediction performance. In the first experimental dataset, chest radiographs from 510 ICU patients were retrospectively analyzed. Following data augmentation procedures applied exclusively to the training data, a total of 3019 PA AC images were generated and used for model training and internal validation. To ensure an unbiased evaluation of model generalizability, an independent test set consisting of 100 patients, for whom no data augmentation was applied, was strictly reserved for final performance assessment. This separation was implemented to prevent data leakage and to provide a realistic estimate of model performance in clinical practice. From the PA AC images, a total of 74 radiomic features were extracted, encompassing texture-based descriptors, intensity-based statistical measures, and shape-related variables. These features were selected to capture subtle quantitative patterns within lung parenchyma and thoracic structures that may not be readily discernible by visual inspection alone. The extracted features were subsequently used as input variables for multiple machine learning classification algorithms. Model performance was evaluated using clinically relevant metrics, including the area under the receiver operating characteristic curve (AUC), sensitivity, and specificity. Through a systematic feature selection process, the initial set of 74 features was progressively reduced to identify a smaller subset of variables with the highest contribution to mortality prediction. Ultimately, 10 core features were identified, including GLCM Contrast, Kurtosis, Cobb angle, Haralick texture statistics, bilateral infiltrates, cardiomegaly, skewness, intensity range, unilateral effusion, and median intensity. Among the evaluated models, the Subspace k-Nearest Neighbors (Subspace KNN) algorithm demonstrated the most favorable balance between discrimination and generalization, achieving an AUC:0,88 on the independent test set. In the second experimental dataset, analyses were conducted using a cohort of 400 training samples and 100 independent test samples. In this phase, models were evaluated using an initial set of 74 features, followed by reduced feature sets consisting of 15 and subsequently 4 variables. To comprehensively assess model reliability, three different validation strategies were employed: cross-validation with k values of 2, 5, and 20; hold-out validation with a 25% split; and resubstitution validation. The combined use of these strategies allowed the examination of model behavior under different evaluation scenarios. The absence of meaningful performance differences across varying cross-validation k values indicated stable learning behavior and robustness to random data partitioning. Hold-out validation, which more closely resembles real-world deployment scenarios, revealed performance reductions in certain algorithms, highlighting the influence of dataset size and class distribution. Resubstitution validation, in which models were tested on the same data used for training, yielded higher apparent performance; however, these results were not interpreted as indicators of true predictive ability. Instead, resubstitution was deliberately used as an exploratory and supportive tool to analyze learning capacity, feature influence, and potential overfitting tendencies. As a result, using the resubstitution validation method, an AUC value of 0,80 was obtained from the analysis conducted with 15 features selected by the MRMR feature selection method, indicating good performance. Additionally, in the analysis performed with the four features identified as core features, the AUC value was found to be 0,79. It was therefore concluded that the common features obtained by utilizing all feature selection methods may be more meaningful in terms of performance. The third experimental dataset expanded the scale of analysis by incorporating 2800 training samples and 400 independent test samples. Analyses were again performed using 74 features initially, followed by reduced sets of 15 and finally 9 features. With the full 74-feature set, the Fine Gaussian Support Vector Machine (SVM) achieved the highest performance, with an accuracy of 0,89. Based on prior findings identifying minimum Redundancy Maximum Relevance (mRMR) as the most effective feature selection method, the top 15 features were selected using this approach. Subsequent analyses with these 15 features identified the Medium Gaussian SVM as the best- performing algorithm, achieving an accuracy of 0,85. To further refine the feature set, both mRMR and permutation importance methods were applied jointly, resulting in the identification of nine features consistently ranked as important by both techniques. These nine features were Cobb angle, intensity range, bilateral infiltrates, Haralick_15_45, Haralick_8_135, Haralick_12_90, unilateral effusion, cardiothoracic ratio (CTR), and pneumothorax. Analyses conducted with this nine-feature set demonstrated a substantial improvement in performance, with the Weighted KNN algorithm achieving an accuracy of 0,94. The strong performance of KNN-based models in this setting suggests that the selected features effectively preserve meaningful similarity relationships among patients. Given the high accuracy and balanced class performance achieved with nine features, further feature reduction was deemed unnecessary. In the fourth experimental dataset, analyses were performed using 400 training samples and 100 independent test samples, with the inclusion of demographic and clinical variables alongside radiological features. A total of 13 variables were considered, including bilateral infiltration, unilateral and bilateral pleural effusion, pneumothorax, calcified aorta, cardiothoracic ratio, Cobb angle, sex, age, blood group, and body mass index. Feature selection was again conducted using mRMR and permutation importance methods in conjunction with five-fold cross-validation. Across both feature selection techniques, Cobb angle, length of ICU stay, age, bilateral pleural effusion, and unilateral infiltration consistently emerged as the most influential predictors. Using the full 13-feature set, the Bagged Trees algorithm achieved the highest accuracy of 0,85. When analyses were repeated using only the five core features, performance further improved, with the Subspace algorithm achieving an accuracy of 0,96. Notably, three different algorithms exceeded 0,90 accuracy with this reduced feature set, underscoring the significant contribution of demographic variables particularly age, sex, and ICU body mass index when combined with radiological findings. In this fifth dataset, analyses were conducted on experimental dataset 5, which consists of 2800 training and 700 test samples obtained through proportionally balanced data augmentation of both training and test sets. The performance of various machine learning algorithms for mortality prediction was comparatively evaluated. The results demonstrated that SVM-based models achieved superior discriminative performance, with accuracy rates of 0,92-0,93 and AUC values ranging between 0.96 and 0.98. In addition, KNN-based models showed high sensitivity, indicating their effectiveness in detecting mortality cases. Overall, proportionally expanding the dataset in a balanced manner positively contributed to model performance, suggesting that the proposed system can be reliably utilized in clinical decision support processes. In summary, the results of this doctoral thesis demonstrate that quantitative radiomic and radiological features derived from first-day PA AC images can provide meaningful prognostic information for mortality prediction in internal medicine ICU patients. Machine learning–based models built on these features achieved high and consistent performance across multiple experimental settings. Rather than serving as a replacement for established clinical scoring systems, the proposed approach has the potential to function as a complementary decision-support tool, enabling earlier identification of high-risk patients, supporting more informed clinical decision-making, and contributing to more efficient utilization of intensive care resources.

Benzer Tezler

  1. Tez No

    142327

    Maske ile CPAP uygulanan hastalarda ağız ve yüz ülserasyonlarının önlenmesinde hemşirenin rolü

    The role of nurses in preventing oral and facial ulcers in patients who are underging CPAP via masks

    HALİSE TAŞKIN

    Yüksek Lisans

    Türkçe

    Türkçe

    2004

    HemşirelikMarmara Üniversitesi

    İç Hastalıkları Hemşireliği Ana Bilim Dalı

    DOÇ. DR. NERMİN OLGUN

  2. Tez No

    171973

    HELLP sendromlu hastalarda plazma değişiminin prognoz üzerine etkisi

    Effect of plasma exchange on prognosis in patients with HELLP syndrome

    RAMAZAN COŞKUN

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2005

    Kadın Hastalıkları ve DoğumErciyes Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. MUSTAFA ÇETİN

  3. Tez No

    192750

    İç hastalıkları yogun bakım ünitesinde metisiline dirençli staphylococcus aureus (mrsa) kolonizasyonu ve infeksiyonu için risk faktörleri

    Risk factors for methicillin resistant staphylococcus aureus (mrsa) colonization and infection in an internal medicine intensive care unit (icu)

    MEHMET YERER

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2006

    MikrobiyolojiErciyes Üniversitesi

    Klinik Mikrobiyoloji ve Enfeksiyon Hastalıkları Ana Bilim Dalı

    PROF. DR. MEHMET DOĞANAY

  4. Tez No

    478056

    2010-2017 yılları arasında Ege Üniversitesi Tıp Fakültesi Hastanesi iç hastalıkları yoğun bakım ünitesinde yatan geriatrik hasta (>65 yaş) populasyonunda mortalite belirteçlerinin retrospektif olarak incelenmesi

    2010-2017 EGE University Medical Faculty hospital, Internal Medicine, intensive care unit hospitalized Geriatric patients (>65 years) population markers in the retrospective examination of mortality

    NAMIG JAFAROV

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2017

    GeriatriEge Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DOÇ. DR. DEVRİM BOZKURT

  5. Tez No

    604450

    Dahiliye yoğun bakım ünitesinde mekanik ventilasyon uygulanan septik şoktaki hastalarda, indirekt kalorimetre yöntemi ile enerji ihtiyaçlarının belirlenmesi

    Determination of energy needs via indirect calorimetry method in mechanically ventilated septic shock patients in the internal medicine intensive care unit

    ELMIR ISRAFILOV

    Tıpta Uzmanlık

    Türkçe

    Türkçe

    2020

    GeriatriOndokuz Mayıs Üniversitesi

    İç Hastalıkları Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ SEHER KIR

Geri Dön