Makine öğrenim tabanlı modeller ile fleksible üreterorenoskopi sonrasında rezidü üriner taş durumunu öngörme
Başlık çevirisi mevcut değil.
- Tez No: 1011868
- Danışmanlar: PROF. DR. TAYLAN OKSAY
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Üriner sistem taş hastalığında fleksible üreterorenoskopi (f-URS), minimal invaziv ve etkin bir tedavi yöntemi olmakla birlikte, işlem sonrası rezidü taş varlığının önceden öngörülememesi klinik yönetimi zorlaştırmaktadır. Son yıllarda yapay zeka ve makine öğrenimi (MÖ) uygulamaları, ürolojide klinik karar verme süreçlerinin desteklenmesi ve bireyselleştirilmiş tedavi yaklaşımlarının geliştirilmesi açısından giderek artan bir önem kazanmıştır. Bu çalışma, f-URS sonrası rezidü taş varlığını öngörebilecek faktörleri belirlemek ve preoperatif klinik, radyolojik ve laboratuvar veriler kullanılarak MÖ tabanlı öngörü modelleri geliştirmek amacıyla gerçekleştirilmiştir. Çalışma, 01 Nisan 2024–31 Aralık 2025 tarihleri arasında Süleyman Demirel Üniversitesi Tıp Fakültesi Üroloji Kliniği'nde f-URS uygulanan erişkin hastaların verilerinin retrospektif olarak incelenmesi ile yürütülmüştür. Preoperatif demografik, klinik ve radyolojik parametreler modele dahil edilmiş ve farklı MÖ algoritmaları kullanılarak oluşturulan modeller performans açısından karşılaştırılmıştır. Elde edilen bulgulara göre, taş yükü ve infundibulopelvik açı (İPA) rezidü taş varlığının öngörülmesinde baskın belirleyiciler olarak saptanmıştır. Taş sertliğinin orta düzeyde, taş-böbrek hacmi oranı ve taş sayısının ise modele az da olsa anlamlı düzeyde katkı sunduğu görülmüştür. Geliştirilen modeller arasında XGBoost algoritması en yüksek performansı göstermiş; yüksek doğruluk ve dengeli duyarlılık-özgüllük değerleri ile üstün öngörü başarısı sağlamıştır. Sonuç olarak, geliştirilen MÖ tabanlı modelin rezidü taş varlığını öngörmede etkili olduğu ve özellikle yüksek riskli hastaların preoperatif dönemde belirlenmesine katkı sağlayabileceği düşünülmektedir. Bu yaklaşımın klinik pratikte kullanılması, tedavi planlamasının optimize edilmesine ve hasta yönetiminin bireyselleştirilmesine olanak sağlayabilir.
Özet (Çeviri)
Flexible ureterorenoscopy (f-URS) is a minimally invasive and effective treatment modality for urinary stone disease; however, the inability to accurately predict postoperative residual stone status remains a challenge in clinical management. In recent years, artificial intelligence and machine learning (ML) applications have gained increasing importance in urology by supporting clinical decision-making processes and enabling the development of personalized treatment strategies. This study aimed to identify predictive factors associated with residual stone formation following f-URS and to develop ML-based predictive models using preoperative clinical, radiological, and laboratory data. This retrospective study included adult patients who underwent f-URS at the Department of Urology, Süleyman Demirel University Faculty of Medicine, between April 1, 2024, and December 31, 2025. Preoperative demographic, clinical, and radiological parameters were incorporated into the models, and different ML algorithms were developed and compared in terms of performance. The results demonstrated that stone size and infundibulopelvic angle (IPA) were the most dominant predictors of residual stone status. Stone density demonstrated a moderate contribution, while the stone-to-kidney volume ratio and stone number provided relatively limited but still meaningful contributions to the model.Among the developed models, the XGBoost algorithm achieved the best performance, demonstrating high accuracy and a balanced sensitivity-specificity profile. In conclusion, the ML-based model developed in this study effectively predicts residual stone status following f-URS and may facilitate the preoperative identification of high-risk patients. Integration of such approaches into clinical practice may optimize treatment planning and support individualized patient management.
Benzer Tezler
- Sanal ortam verileri ile yapay zeka tabanlı dinamik tahminleme modeli geliştirilmesi
Developing an dynamic estimation model based on artificial intelligence with online data
ADEM ÇAYIR
Doktora
Türkçe
2025
Endüstri ve Endüstri Mühendisliğiİstanbul Üniversitesi-CerrahpaşaEndüstri Mühendisliği Ana Bilim Dalı
DOÇ. DR. FATİH TÜYSÜZ
- Surrogate modeling of flows in hemodynamics and aerodynamics using machine learning
Makine öğrenmesi tabanlı hemodinamik ve aerodinamik akışların temsilci modellenmesi
KEREM DÜLGER
Yüksek Lisans
İngilizce
2025
Makine Mühendisliğiİhsan Doğramacı Bilkent ÜniversitesiMakine Mühendisliği Ana Bilim Dalı
PROF. DR. BARBAROS ÇETİN
DR. ÖĞR. ÜYESİ GÖKBERK KABACAOĞLU
- Development of data-drıven models for estımatıng mud and fıltrate alkalınıty usıng machıne learnıng applıcatıons
Makine öğrenimi uygulamaları kullanarak çamur ve filtrat alkalinitesini tahmin etmek için veri odaklı modellerin geliştirilmesi
AHMET ÖNDER
Yüksek Lisans
İngilizce
2025
Petrol ve Doğal Gaz Mühendisliğiİstanbul Teknik ÜniversitesiPetrol ve Doğal Gaz Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ İHSAN BURAK KULGA
DR. SERCAN GÜL
- Accelerating molecular docking using machine learning methods
Kenetleme hesaplarının makine öğrenme metotları ile hızlandırılması
ABDULSALAM YAZID BANDE
Yüksek Lisans
İngilizce
2022
Bilim ve Teknolojiİstanbul Teknik ÜniversitesiBilgisayar Bilimleri Ana Bilim Dalı
Assist. Prof. Dr. SEFER BADAY
- Çoklu ajan sistemleri ile inşaat sektörü için bir yüklenici seçimi modeli
A multi agent systems based contractor selection model
FAİKCAN KOĞ
Doktora
Türkçe
2016
İnşaat Mühendisliğiİstanbul Teknik ÜniversitesiMimarlık Ana Bilim Dalı
DOÇ. DR. HAKAN YAMAN