Giri: drar yolu enfeksiyonlar sk karlalan bir tan sorunudur. Altn standart olan idrar kltr, hem zaman alcdr hem de ou zaman gereksiz yere istenir. Bu almada, yalnzca yaplandrlm laboratuvar verilerini kullanarak reflektif idrar kltr istemine rehberlik edecek, yorumlanabilir bir makine renimi (ML) tabanl Laboratuvar Karar Destek Sistemi (LKDS) gelitirilmesi ve dorulanmas amaland. Gere ve Yntem: Retrospektif olarak 51.923 erikin hastaya ait veriler incelendi. Yedi ML algoritmas eitildi; en yksek doruluk Rastgele Orman (Random Forest, RF) modelinde elde edildi. Model effafl iin SHapley Additive exPlanations kullanld. En iyi 10 zellikten oluan sadeletirilmi RF modeliyle farkl puanlama sistemi gelitirildi: Model doruluuna ncelik veren, tansal dengeyi optimize eden ve hassasiyeti en st dzeye karan modeller. Bulgular: RF modeli mkemmel performans gsterdi (harici testler - alc iletim karakteristii erisi altnda kalan alan [ROC-AUC]: 0,956). Basitletirilmi 10 deikenli model yksek doruluu korumutur (ROC-AUC: 0,947). Temel ngrcler arasnda bakteri says, lkositler, nitrit ve ya yer almtr. Skorlama sistemleri, farkl tan hedeflerine gre uyarlanm esnek seenekler sunmu ve SAFE-Skoru %95,3 hassasiyete ulamtr. Sonu: Gelitirilen LKDS, gereksiz kltr saysn azaltarak rasyonel antibiyotik kullanmn desteklemektedir. Aklanabilir yaps, laboratuvar profesyonelleriyle klinisyenler arasndaki i birliini kolaylatrarak standartlatrlm reflektif test srelerine ve disiplinler aras karar vermeye katk salar.
