Erken evre meme kanseri hastaların sağkalım sürelerinin ve olasılıklarının, geleneksel sağkalım yöntemleri ile makine ögrenmesi tekniklerinin R paket programında karşılaştırılması
Comparison of survival periods and probabilities of early stage breast cancer patients with traditional survival methods and machine learning techniques in the R package program
- Tez No: 652938
- Danışmanlar: PROF. DR. GÜLNAZ NURAL BEKİROĞLU
- Tez Türü: Yüksek Lisans
- Konular: Biyoistatistik, Biostatistics
- Anahtar Kelimeler: Algoritmalar, Makine öğrenmesi, Meme hastalıkları, Meme neoplazmları, Neoplazmlar, Sağkalım, Sağkalım analizi, Sağkalım oranı, Algorithms, Machine learning, Breast diseases, Breast neoplasms, Neoplasms, Survival, Survival analysis, Survival rate
- Yıl: 2020
- Dil: Türkçe
- Üniversite: Marmara Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Biyoistatistik Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Erken evre meme kanseri hastaların klinik başvuru ve patolojik bilgilerine göre, tedavi sonrası sağkalım olasılıklarına ilişkin R yazılımlı geleneksel sağkalım yöntemleri ile makine ögrenmesi tekniklerinin prognostik faktörler açısından tahminlenmesi ve tahmin yöntemlerinin karşılaştırılmasıdır. Gereç ve Yöntem: Çalışmaya Marmara Üniversitesi Tıbbi Onkoloji polikliniğinde erken evre meme kanseri tanısı konulan 697 hasta dâhil edilmiştir. Çalışmanın ilk aşamasında erken evre meme kanseri hastaların 5 ve 10 yıllık sağkalım olasılıkları Kaplan-Meier yöntemi ile hesaplanmıştır. Sağkalıma etkili olan anlamlı bağımsız değişkenlerin belirlenmesinde; tek değişkenli analizlerde anlamlı risk (hazard) faktörlerin tespiti için Log-Rank testi, çok değişkenli analizlerde ise Cox orantısal hazard (COH) regresyon çözümlenmesi yapılmıştır. Çalışmanın ikinci aşamasında ise, aynı veri setine makine öğrenmesi algortimaları olan Rastgele Orman, Xgboost ve Gbm modelleri uygulanarak, 5 ve 10 yıllık sağkalım olasılıkları hesaplanmış olup önem derecesine göre sağkalıma etkili olan risk (hazard) faktörler sıralanmıştır. Bulgular: Evre meme kanseri tanısı konulan 697 hastanın makine öğrenmesi algoritmalarıyla ve geleneksel sağkalım yöntemleriyle hesaplanan 5 ve 10 yıllık sağkalım olasılıkları hemen hemen aynı değerlere sahiptir. Risk (hazard) faktörleri açısından yapılan karşılaştırmasında ise meme kanseri hastaları için önemli bir risk göstergesi olan Her-2 faktörü makine öğrenme algoritmalarıyla oluşturulan sağkalım modellerinin ikisinde (Gbm, Xgboost) önemli ilk 5 risk faktörün içerisinde sıralanmış olasına rağmen geleneksel yöntemlerde anlamlı çıkmamıştır. Sonuçlar: Sağlık alanına ait, özellikle takibe dayalı çalışmalarda eksik gözlem veya dengesiz dağılım sergileyen veri setlerinde geleneksel yöntemlerin yerine makine öğrenmesi algoritmalarının tercih edilmesi özellikle Gbm ile Xgboost algoritması analiz sonuçlarını daha güvenilir yapacaktır.
Özet (Çeviri)
Objective: The aim of this study is to estimate and compare the prognostic factors of traditional survival methods with R-software and machine learning techniques based on clinical presentation and pathological information of early stage breast cancer patients. Materials and Methods: 697 patients diagnosed with early stage breast cancer in Marmara Oncology Outpatient Clinic of Marmara University were included in the study. In the first stage of the study, the 5-year and 10-year survival rates of early-stage breast cancer patients were calculated using the Kaplan-Meier method. In determining significant independent variables that are effective on survival; Log-Rank test was used for determination of significant risk (hazard) factors in univariate analyzes, and Cox proportional hazard (COH) regression analysis was used in multivariate analyzes. In the second stage of the study, 5 and 10-year survival probabilities were calculated by applying Random Forest, Xgboost and Gbm models, which are machine learning algorithms to the same data set, and the risk factors that affect survival are listed according to their significance level. Results: The 5 and 10-year survival probabilities of 697 patients diagnosed with stage breast cancer were approximately the same as those calculated by machine learning algorithms and traditional survival methods. In terms of risk factors, Her-2 factor, which is an important risk indicator for breast cancer patients, was not significant in traditional methods although it was listed among the top 5 risk factors in two of the survival models (Gbm, Xgboost) created by machine learning algorithms. Conclusions: The use of machine learning algorithms(gbm,xgboost) instead of traditional methods in health care, especially in follow-up studies showing incomplete observation or unbalanced distribution will make the analysis results more reliable.
Benzer Tezler
- Meniere hastalığında endolenfatik kese cerrahisi
Endolymphatic sac surgery in meniere's disease
NEBİL GÖKSU
- İlkokul çağı erkek çocuklarında inmemiş testis anomalisi ve insidansı
The anomaly and incidence of cryptorchidism in primary school boys
SERDAR SEZGİN
- Türkiye'de serebral hareket bozukluklarının etiyolojisi epidemiyolojisi ve bazı klinik özellikleri
Başlık çevirisi yok
AŞER BENSUSAN
Tıpta Uzmanlık
Türkçe
1986
İstanbul ÜniversitesiÇocuk Sağlığı ve Hastalıkları Ana Bilim Dalı
Yükleniyor...