Labmedya - Laboratuvar ve Sağlık Gazetesi

Retrospektif çalışmaya radikal prostatektomi uygulanmış 326 hasta dahil edildi. Bunların 224’ü robot yardımlı, 102’si açık cerrahi geçirmişti. Araştırmacılar hastanede kalış süresi ve patolojik ISUP derecesi dahil 12 ameliyat sonrası sonuç için modeller geliştirdi. Rastgele Orman, Gradient Boosting, destek vektör makinesi ve sinir ağı algoritmaları, iç içe beş katlı çapraz doğrulama kullanılarak değerlendirildi.

En iyi performans gösteren modellerde ameliyat öncesi özelliklerin tahmine katkısını ölçmek için permütasyona dayalı özel bir SHAP örnekleme çerçevesi kullanıldı. Makine öğrenmesi modelleri önceden tanımlanmış sonuçların yalnızca bir bölümünde basit başlangıç kestirimlerini geçti. En güçlü performans, ameliyat sonrası hemoglobin için R²=0,57’ye ve frozen kesit uygulanması kararında AUC=0,89’a ulaştı.

SHAP çözümlemesi iki farklı örüntü ortaya koydu. Kateter kalış süresi ve hastanede yatış gibi işlemle ilişkili sonuçların tahmini neredeyse tamamen cerrahi yaklaşımın robot yardımlı mı yoksa açık mı olduğuna dayanıyordu. Patolojik ISUP derecesi gibi tümörle ilişkili sonuçlarda ise ameliyat öncesi tümör özellikleri belirleyici oldu. Bu ayrım, modelin yalnızca tahmin vermekle kalmayıp klinik olarak anlaşılır gerekçeler sunabileceğini gösterdi.

Araştırmacılar bütün sonuçların aynı doğrulukla tahmin edilemediğini vurguluyor. Ameliyat sonrası iyileşmenin çok etkenli yapısı, bazı hedeflerde model performansını sınırladı. Retrospektif ve tek veri kümesine dayalı tasarım, dış merkezlerde doğrulama ihtiyacını doğuruyor. Çalışma, yapay zekânın cerrahın yerini almasını değil; hangi sonuçların öngörülebilir olduğunu ve hangi klinik etkenlerin tahmini yönlendirdiğini görünür kılan karar desteğini hedefliyor.

Kaynak: https://www.nature.com/articles/s41598-026-68074-9