Laparoskopik parsiyel nefrektomi yapılan hastalarda perinefrik yağ dokusu özelliklerinin öngörüsünde yapay zekâ uygulamalarının değerlendirilmesi
Evaluation of artificial intelligence applications in predicting perinephric fat tissue characteristics in patients undergoing laparoscopic partial nephrectomy
- Tez No: 1011228
- Danışmanlar: PROF. DR. ENDER ÖZDEN
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Yapışık Perinefrik Yağ (YPY), Mayo Adhesive Probability (MAP) Skoru, Renal Hücreli Karsinom, Parsiyel Nefrektomi, Perinefrik Yağ Dokusu, Makine Öğrenmesi, Yapay Zekâ, Öngörücü Modelleme, Öznitelik Seçimi, Sınıflandırma Algoritmaları, Topluluk Öğrenmesi, Adherent Perinephric Fat (APF), Mayo Adhesive Probability (MAP) Score, Renal Cell Carcinoma, Partial Nephrectomy, Perinephric Adipose Tissue, Machine Learning, Artificial Intelligence, Predictive Modeling, Feature Selection, Classification Algorithms, Ensemble Learning
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Ondokuz Mayıs Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Parsiyel nefrektomi (PN) operasyonlarında cerrahi zorluk, uzamış operasyon süresi ve artmış kan kaybı ile doğrudan ilişkili olan yapışık perinefrik yağ (YPY) varlığının preoperatif dönemde öngörülmesi kritik öneme sahiptir. Geleneksel pratikte bu özelliklerin tahmini, cerrahın tecrübesine ve radyolojik yorumlamanın subjektif doğasına dayanmaktadır. Güncel literatürdeki makine öğrenmesi (MÖ) çalışmaları genellikle radyomik analizler üzerine yoğunlaşmıştır. Çalışmamızda, radyomik analizler yerine rutin klinik pratikte halihazırda elde edilen veriler kullanılarak YPY varlığını öngören MÖ modellerinin geliştirilmesi ve cerrahi planlamaya katkısının incelenmesi amaçlanmıştır. Gereç ve Yöntem: Kliniğimizde 14.12.2009 - 01.09.2025 tarihleri arasında laparoskopik PN yapılan 922 olgunun verileri retrospektif olarak tarandı. Operasyon görüntüleri mevcut olan 612 vaka incelenerek, anatomik anomali ve sekonder vakalar dışlandıktan sonra toplam 587 olgu çalışmaya dahil edildi. Olguların yaş, cinsiyet, antropometrik ölçümleri, komorbiditeleri, tıbbi özgeçmişleri, radyolojik parametreleri (R.E.N.A.L., PADUA, MAP skorları) ile hematolojik ve biyokimyasal değerleri kaydedildi. YPY ile ilişkili değişkenler istatistiksel yöntemler ve öznitelik seçici algoritmalarla belirlendi. Veri setine uygun ön işleme (normalizasyon, alt örnekleme) yapıldıktan sonra 27 farklı MÖ algoritması, 10 katlı çapraz doğrulama ve 10 farklı rastgelelik tohumu kullanılarak test edildi. Bulgular: Toplam çalışma popülasyonunun 150'sinde (%25,6) intraoperatif olarak YPY saptanmıştır. Çalışmada, %82,1 duyarlılık, %95,0 özgüllük ve 0,855 AUC skoru değerlerine ulaşan modeller geliştirilmiştir. Korelasyon tabanlı öznitelik seçimi (Correlation-based Feature Selection [CFS]) algoritması ve uzman görüşüyle belirlenen değişkenlerin (Cinsiyet, ağırlık, gastrit, Lateral Perinefrik Yağ Kalınlığı [LPYK] grupları, MAP skor grupları, R.E.N.A.L.-L puanı) kullanıldığı veri seti normalize edilip, rastgele alt örnekleme ile sınıf eşitliği sağlandığında Naive Bayes algoritmasıyla %82,1 duyarlılık ve %92,4 negatif prediktif değer (NPD) başarısı göstermiştir (AUC: 0,842). İstatistiksel olarak anlamlı bulunan parametrelerle oluşturulan grup (Cinsiyet, VKİ, gastrit, LPYK, MAP skoru) normalize edilerek rastgele alt örnekleme ile sınıf eşitliği sağlandığında Naive Bayes modeli, 0,855 AUC değeri ile en güçlü ayırt edici performansı sergilemiştir. Normalize edilmiş MAP bileşenlerinin (Posterior Perinefrik Yağ Kalınlığı [PPYK] ve stranding) PART algoritmasıyla eğitilmesi ile, %95,0 özgüllük ve %77,0 pozitif prediktif değer (PPD) elde edilmiştir. Modellerin sinerjistik kapasiteleri incelendiğinde, stacking yöntemi %83,0 genel doğruluk sağlarken %56,7 duyarlılık göstermiş, çoğunluk oylaması stratejisi uygulandığında duyarlılık %74,3'e yükselirken doğruluk %79,1 seviyesine gelmiştir. Sonuç: Makine öğrenmesi modelleri, mevcut klinik akışı değiştirmeksizin, klinik olarak anlamlı düzeyde YPY öngörüsü sunabilmektedir. Çalışma, uzman destekli öznitelik seçiminin modellerin klinik başarısını optimize ettiğini göstermiştir.
Özet (Çeviri)
Objective: Predicting the presence of adherent perinephric fat (APF) in the preoperative period, which is directly associated with surgical difficulty, prolonged operative time, and increased blood loss in partial nephrectomy (PN), has critical importance. Traditionally, the determination of these characteristics relies on the surgeon's experience and the subjective nature of radiological interpretation. Machine learning (ML) studies in current literature have generally focused on radiomic studies. Our study aimed to develop ML models predicting APF presence using routine clinical data, rather than radiomic analyses, and to examine their contribution to surgical planning. Materials and Methods: Data from 922 patients who underwent laparoscopic PN in our clinic between 14.12.2009 and 01.09.2025 were retrospectively screened. A total of 587 cases were included in the study after examining 612 cases with available operative images and excluding anomalies and secondary cases. Age, gender, anthropometric measurements, comorbidities, medical history, radiological parameters (R.E.N.A.L., PADUA, and MAP scores), hematological, and biochemical values of the cases were recorded. Variables associated with APF were determined using statistical and feature selection algorithms. After appropriate preprocessing (normalization, undersampling) was applied to the dataset, 27 different ML algorithms were tested using 10-fold cross-validation and 10 different random seeds. Results: Intraoperative APF was detected in 150 (25.6%) of the cases included in the study. ML models exhibiting 82.1% sensitivity, 95% specificity, and 0.855 AUC values were developed. Accordingly, three different model performances suitable for clinical use stood out: When variables selected with the CFS algorithm and expert support (gender, weight, presence of gastritis, lateral perinephric fat thickness [LPFT] groups, MAP score groups, R.E.N.A.L.-L score) were trained with the Naive Bayes algorithm in the normalized and undersampled dataset, 82.1% sensitivity, 92.4% negative predictive value (NPV), and 0.842 AUC value were achieved. The Naive Bayes model, in which the normalized and undersampled statistically significant variable group (gender, BMI, presence of gastritis, LPFT, MAP score) was used, was determined to be the model with the highest power to distinguish APF with an AUC value of 0.855. As a result of training the group containing normalized MAP components with the PART algorithm, 95% specificity and 77% positive predictive value (PPV) were obtained. Furthermore, the synergistic effects of these tests were evaluated with ensemble ML algorithms. Accordingly, the stacking method showed 83.0% overall accuracy and 56.7% sensitivity, while the strategy where models decided by voting result increased sensitivity to the level of 74.3% and brought overall accuracy to the level of 79.1%. Conclusion: ML models can provide clinically and statistically significant APF predictions without altering the current clinical workflow. Expert-supported feature selection in ML algorithms is a method that increases the practical success of the model.
Benzer Tezler
- Yapışık perinefrik yağın laparoskopik parsiyel nefrektomiye etkisi
Effect of adherent perinephric fat on laparoscopic partial nephrectomy
MURAT GÜLŞEN
Tıpta Uzmanlık
Türkçe
2021
ÜrolojiOndokuz Mayıs ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ENDER ÖZDEN
- İnfertilite vakalarında histerosalpingografi ve laparoskopi bulgularının birlikte değerlendirilmesi
Başlık çevirisi yok
NEVİN ÖZMEN
Tıpta Uzmanlık
Türkçe
1987
Kadın Hastalıkları ve Doğumİstanbul ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
- Koyunlarda döl veriminin genetik ıslahında testis özelliklerinden yararlanma olanakları
Başlık çevirisi yok
NEDİM KOŞUM
- Kronik pelvik ağrıların jinekolojik muayene, pelvik ultrasonografi ve laparoskopi ile değerlendirilmesi
Başlık çevirisi yok
OSMAN USTA
Tıpta Uzmanlık
Türkçe
1988
Kadın Hastalıkları ve DoğumGazi ÜniversitesiKadın Hastalıkları ve Doğum Ana Bilim Dalı
- Kronik aktif hepatit ve karaciğer sirozunda kolşisinin yerinin değerlendirilmesi
Başlık çevirisi yok
HARİKA OĞUZ