Böbrek taşlarının tedavisinde ekstrakorporeal şok dalga litotripsi sonrası taşsızlık durumu ve komplikasyonların değerlendirilmesinde yapay zeka uygulamalarının kullanımının değerlendirilmesi
Evaluation of the use of artificial intelligence applications in assessing stone-free status and complications after extracorporeal shock wave lithotripsy in the treatment of kidney stones
- Tez No: 1012988
- Danışmanlar: DOÇ. DR. ALİ ÇİFT
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: ekstrakorporeal şok dalga litotripsi, ürolitiyazis, makine öğrenmesi, açıklanabilir yapay zekâ, SHAP, klinik karar destek sistemi, extracorporeal shock wave lithotripsy, urolithiasis, machine learning, explainable artificial intelligence, SHAP, clinical decision support system
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Adıyaman Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Tıp Eğitimi Bilim Dalı
- Sayfa Sayısı: Belirtilmemiş.
Özet
Ekstrakorporeal Şok Dalga Litotripsi Sonuçlarının Yapay Zekâ Tabanlı Yöntemler ile Öngörülmesi: Ürolitiyaziste Açıklanabilir Makine Öğrenmesi Modellerinin Geliştirilmesi ve Klinik Karar Destek Sistemi Uygulaması Ekstrakorporeal şok dalga litotripsi (ESWL), üriner sistem taş hastalığının non-invaziv tedavisinde uzun yıllardır kullanılan etkin bir yöntemdir; ancak başarı oranı %50–90 arasında değişkenlik göstermekte, hangi hastanın işlemden fayda göreceğinin önceden kestirilmesi büyük önem taşımaktadır. Bu uzmanlık tezinde, ESWL ile tedavi edilen hastaların dört farklı klinik sonuç değişkeninin (genel başarı, tam taşsızlık, ESWL sonrası ek girişim ihtiyacı ve ek tedavi gerekliliği) açıklanabilir makine öğrenmesi yöntemleri ile öngörülmesi amaçlanmıştır. Retrospektif olarak değerlendirilen 528 ESWL olgusuna ait demografik, klinik, laboratuvar (tam kan sayımı türevleri dahil inflamatuvar belirteçler), radyolojik (taş boyutu, hacmi, yüzey alanı, Hounsfield ünitesi, cilt–taş mesafesi) ve işlemsel (toplam şok dalga sayısı, enerji düzeyi) parametrelerden oluşan 60 değişken kullanılmıştır. Her bir çıktı için aynı pipeline uygulanmış; veri %80 eğitim/%20 dokunulmamış test olarak ayrılmış, eğitim seti üzerinde 11 farklı sınıflandırıcı (Lojistik Regresyon, Karar Ağacı, Random Forest, ExtraTrees, Gradient Boosting, XGBoost, CatBoost, SVM-RBF, KNN, MLP, GaussianNB) ile yedi farklı örnekleme stratejisi (SMOTE varyantları ve None) iç içe (nested) çapraz doğrulama (5×3 fold) ile taranarak en uygun kombinasyon seçilmiş, ardından dokunulmamış test setinde nihai performans ölçülmüştür. Model yorumlanabilirliği SHAP, LIME, permütasyon önemliliği ve model-tabanlı önem ile sağlanmış, konsensüs sıralaması ile öncelikli özellikler belirlenmiştir. Test setinde en iyi performans Çalışma 3'te (ESWL sonrası ek girişim) ExtraTrees algoritması ile elde edilmiştir: AUC=0.7078, doğruluk=0.6792, dengeli doğruluk=0.6802, F1=0.6667, MCC=0.3619. Çalışma 1 (ESWL başarısı) için Lojistik Regresyon AUC=0.6611, Çalışma 2 (taşsızlık) için CatBoost AUC=0.6584 ve Çalışma 4 (ek tedavi) için RandomForest AUC=0.6718 olarak belirlenmiştir. Açıklanabilir analizler dört çalışmada da taş morfometresi (anterior-posterior taş boyutu, taş hacmi, yüzey alanı, Hounsfield ünitesi) ve hastanın inflamatuvar/hematolojik durumunun (monosit sayısı ve oranı, nötrofil yüzdesi, RDW-CV, bazofil) tedavi sonuçlarını öngörmedeki kilit rolünü ortaya koymuştur. Bu çalışma, tek merkezli retrospektif tasarımına ve sınırlı örneklem büyüklüğüne karşın, ESWL sonuçlarının çok değişkenli yapay zekâ tabanlı modellerle öngörülebilirliğini Türk hasta popülasyonunda göstermiş; SHAP tabanlı açıklamalarla hekim için yorumlanabilir, klinik karar destek sistemi olarak entegre edilebilir bir çerçeve sunmuştur. Modelin orta düzey ayırt edicilik göstermesi, ESWL sonuçlarının yalnızca tek-değişkenli klinik skorlarla yeterince öngörülemediğini, çok-değişkenli makine öğrenmesi yaklaşımlarının ve özellikle radyomik veri ile birleştirilmiş hibrit modellerin geleceğin klinik araştırma yönü olduğunu ortaya koymaktadır.
Özet (Çeviri)
SUMMARY Prediction of Extracorporeal Shock Wave Lithotripsy Outcomes Using Artificial Intelligence-Based Methods: Development of Explainable Machine Learning Models and a Clinical Decision Support System Application in Urolithiasis Extracorporeal shock wave lithotripsy (ESWL) is a well-established non-invasive treatment modality for urinary tract stones; however, its success rate varies between 50% and 90%, making preoperative selection of patients who will benefit from the procedure a major clinical challenge. The present thesis aims to predict four different clinical outcomes of ESWL (overall success, stone-free status, need for additional intervention after ESWL, and requirement of complementary treatments) using explainable machine learning methods. A retrospective cohort of 528 ESWL procedures was analyzed using 60 input variables encompassing demographic, clinical, laboratory (complete blood count and derived inflammatory markers), radiological (stone size, volume, surface area, Hounsfield unit, skin-to-stone distance) and procedural (total shock wave count, energy) parameters. For each outcome the same pipeline was applied: data were split into 80% training/20% untouched test, 11 classifiers (Logistic Regression, Decision Tree, Random Forest, ExtraTrees, Gradient Boosting, XGBoost, CatBoost, SVM-RBF, KNN, MLP, Gaussian Naive Bayes) in combination with seven sampling strategies (SMOTE variants and None) were scanned via nested cross-validation (5×3 fold), the best combination was selected, and final performance was measured on the untouched test set. Model interpretability was provided via SHAP, LIME, permutation importance, and model-based importance; a consensus ranking identified the most relevant features. On the test set the best performance was achieved in Study 3 (additional intervention) by ExtraTrees: AUC=0.7078, accuracy=0.6792, balanced accuracy=0.6802, F1=0.6667, MCC=0.3619. For Study 1 (ESWL success), Logistic Regression yielded AUC=0.6611; for Study 2 (stone-free status), CatBoost AUC=0.6584; and for Study 4 (complementary treatment), RandomForest AUC=0.6718. Explainable analyses consistently highlighted stone morphometry (anterior-posterior diameter, volume, surface area, Hounsfield unit) and the patient's hematological/inflammatory state (monocyte count and percentage, neutrophil percentage, RDW-CV, basophils) as key predictors across all four outcomes. Despite the single-center retrospective design and limited sample size, this study demonstrates the predictability of ESWL outcomes by multivariate artificial intelligence models in a Turkish patient population and provides a SHAP-based, interpretable framework that can be integrated into clinical decision support systems. The moderate discrimination achieved indicates that ESWL outcomes cannot be sufficiently predicted by classical univariate scoring systems alone; multivariate machine learning approaches—especially hybrid models combining radiomic data with clinical features—represent a promising direction for future research.
Benzer Tezler
- İki santimetreden küçük böbrek taşlarında ekstrakorporal şok dalga litotripsi (ESWL), retrograt intrarenal cerrahi (RİRC) ve mikro perkütan nefrolitotomi (mPCNL) tedavilerinin değerlendirilmesi
The evaluation of extracorporeal shockwave lithotripsy (ESWL), retrograde intrarenal surgery (RIRS) and micro percutaneous nephrolithotomy (mPCNL) treatments in kidney stones smaller than two centimeters
HÜSEYİN SAYGIN
- Ekstrakorporeal şok dalga litotripsisi öncesinde çekilen kontrastsız bilgisayarlı tomografideki parametrelerin böbrek taşlarının tedavi başarısına olan etkisi
Effects of parameters in non-contrast computed tomography before extracorporeal shock wave lithotripsy on treatment outcome of kidney stones
ADİL GÜÇAL GÜÇLÜ
- Diyabetus mellitus'da gözlenen mikrovasküler komplikasyonların prostaglandinler ile olan ilişkisi
The Relation of microvaskular complications observed in diabetes mellitus with prostoglandins
CANAN NEBİGİL
Doktora
Türkçe
1985
Eczacılık ve FarmakolojiCumhuriyet ÜniversitesiFarmakoloji Ana Bilim Dalı
YRD. DOÇ. DR. YUSUF SARIOĞLU
- Hemodiyalize bağımlı kronik böbrek hastalarında gonadotropik hormonlar ile östrojen ve testosteron düzeylerinin araştırılması
Başlık çevirisi yok
HANDAN İLGÜNŞATIROĞLU
Tıpta Uzmanlık
Türkçe
1987
Endokrinoloji ve Metabolizma HastalıklarıCumhuriyet ÜniversitesiFizyoloji Ana Bilim Dalı
DOÇ. DR. SENA ERDAL
- Kan basıncı değişiminin böbrek dokusunda gösterdiği histolojik farklılaşmalar
Renal tissue alternations caused by a change in the blood pressure
BİLGE ONARLIOĞLU(TÖREL)
Tıpta Uzmanlık
Türkçe
1987
MorfolojiCumhuriyet ÜniversitesiMorfoloji Ana Bilim Dalı
DOÇ. DR. ERDOĞAN GÜRSOY