Prostat kanseri hastalarında prostatektomi sonrası biyokimyasal rekürrensi tahmin etmeye yönelik bir makine öğretimi yaklaşımı

---

Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, İZMİR TEPECİK SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, CERRAHİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye

Tezin Onay Tarihi: 2025

Tezin Dili: Türkçe

Öğrenci: ERKAN ARAVACIK

Danışman: Cem YÜCEL

Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu

Özet:

Amaç: Bu tez çalışmasında, radikal prostatektomi uygulanan prostat kanseri hastalarında biyokimyasal rekürrens (BCR) gelişimini öngörmek amacıyla klasik istatistiksel yöntemler ve makine öğrenmesi algoritmalarının performansları karşılaştırılmıştır. Gereç ve Yöntem: Toplam 120 hastanın demografik, klinik ve patolojik verileri retrospektif olarak incelendi. Kaplan–Meier ve Cox regresyon analizleri klasik istatistiksel yöntemler olarak kullanıldı. Makine öğrenmesi algoritmaları arasında lojistik regresyon, Random Forest, SVM, Gradient Boosting ve Yapay Sinir Ağları uygulandı. Veri seti %70 eğitim, %30 test olarak ayrıldı, 5 katlı çapraz doğrulama yapıldı. Bulgular: Beş yıllık biyokimyasal rekürrenssiz sağkalım oranı %98,3 bulundu. SM ve ECE pozitifliği rekürrens riskini artırdı. ML modelleri arasında Gradient Boosting en yüksek performansı gösterdi (AUC 0.85, Accuracy 0.83, F1 0.81). Random Forest ve ANN modelleri de yüksek doğruluk sağladı. Klasik istatistiksel analizlerde istatistiksel olarak anlamlı bulunmayan bazı değişkenler, ML algoritmalarında güçlü prediktörler olarak öne çıktı. Sonuç: Makine öğrenmesi algoritmaları, prostatektomi sonrası biyokimyasal rekürrens tahmininde klasik istatistiksel yöntemlere kıyasla daha güçlü öngörü sağlamaktadır. ML'nin klinik karar destek sistemlerine entegre edilmesi, bireyselleştirilmiş hasta yönetimine katkı sunabilir. Anahtar Kelimeler: Prostat kanseri, radikal prostatektomi, biyokimyasal rekürrens, makine öğrenmesi