Penil protez implantasyonu yapılan hastalarda preoperatif, intraoperatif ve postoperatif parametrelerin makine öğrenmesi algoritmaları kullanılarak postoperatif komplikasyonları öngörmedeki yeri
The role of preoperative, intraoperative and postoperative parameters in predicting postoperative complications in patients undergoing penile prosthesis implantation using machine learning algorithms
- Tez No: 912332
- Danışmanlar: DOÇ. DR. MURAT GÜL
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Penil protez implantasyonu, komplikasyonlar, Penile prosthesis implantation, complications
- Yıl: 2024
- Dil: Türkçe
- Üniversite: Selçuk Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: 186
Özet
Amaç: Bu çalışmada; toplumlarda sıklığı giderek artan erektil disfonsiyonun cerrahi tedavisinde kullanılan penil protez implantasyonu uygulanan hastalarda retrospektif olarak toplanan ameliyat öncesi, ameliyat sırası ve ameliyat sonrası bazı parametreleri kullanarak, makine öğrenimi algoritmalarının ameliyat sonrası komplikasyonları tahmin etme yeteneğini araştırmak amaçlanmıştır. Gereç ve Yöntem: Çalışmamıza 2015 ve 2023 tarihleri arasında Selçuk Üniversitesi Tıp Fakültesi Üroloji Kliniği, Hacettepe Üniversitesi Tıp Fakültesi Üroloji Kliniği, Osmangazi Üniversitesi Tıp Fakültesi Üroloji Kliniği, İtalyadan Torino Üniversitesi Molinette Hastanesi Üroloji Kliniği ve Portekizden Porto São João Merkez Hastanesi' nde PPİ yapılan toplam 418 hasta dahil edildi. Hastaların preoperatif, intraoperatif ve postoperatif çeşitli verileri değerlendirildik. PPI sonrası komplikasyon görülmeyen ve postoperatif komplikasyon görülen toplamda 415 hastadan oluşan kohortumuzun hasta verilerini ile altı çok sınıflı sınıflandırıcı algoritmayla makine öğrenmesi modellerini geliştirdik. Sonrasında, test veri setini (hasta verilerinin geri kalan %30'u) kullanarak geliştirdiğimiz modellerin performansını değerlendirdik. Makine öğrenmesi modellerinin performansını değerlendirmek için, genel doğruluk, her derece için doğruluk, F1 skoru, duyarlılık, özgüllük ve eğri altındaki alan (AUC) hesaplandı. Ayrıca, her model ve derece için ROC eğrileri oluşturuldu. Her tekrar ve çapraz doğrulama iterasyonu için her modelin performans metriklerini hesapladık. Bulgular: PPİ sonrası komplikasyon tahmini için geliştirilen multi-class makine öğrenmesi modellerinin analiz sonuçlarına göre GB modelinin en yüksek önem skoruna sahip özellikleri sırasıyla HbA1c, total testosteron ve üre değeri olmuştur. RF modeli de yüksek performans göstermiş olup, en önemli özellikler HbA1c, total Testosteron ve SII değeri olarak belirlenmiştir. XGB modeli ise dokunmama tekniği, HbA1c ve total testosteron değeri özelliklerine dayanarak yüksek tahmin doğruluğu sağlamıştır. AdaBoost modeli total testosterone, HbA1c ve üre değeri özelliklerini en yüksek skorlarda göstermiştir. SVM modelinde ise Non-kompresif pansuman, dokunmama tekniği ve üre değerini en önemli özellikler olarak öne çıkmıştır. NB modelinde ise, Non-kompresif pansuman, dokunmama tekniği ve total testosteron değeri en yüksek skorları almıştır. Bu analizler sonucunda, GB modelinin, özellikle HbA1c, total testosterone ve üre değeri gibi özelliklere dayalı olarak PPİ sonrası komplikasyon tahmininde en başarılı model olduğu belirlenmiştir. Sonuç: Çalışmamız PPİ sonrası komplikasyonların CD sınıflaması kullanılarak değerlendirilmesi açısından en kapsamlı çalışmayı temsil etmektedir. Komplikasyonların sıklığı ve ciddiyeti incelenerek, PPİ ile ilişkili klinik karar verme süreçlerine yönelik kritik bilgiler sağlanmıştır. Bu çalışmanın en önemli katkılarından biri, postoperatif komplikasyonların tahminini sağlamak amacıyla makine öğrenmesi modellerinin geliştirilmesi ve uygulanmasıdır. Bu modeller, yalnızca postoperatif komplikasyonların tahmin edilmesini kolaylaştırmakla kalmayıp, aynı zamanda yüksek riskli hastaların belirlenmesine yardımcı olarak preoperatif danışmanlık ve hasta yönetimini iyileştirmektedir. Ayrıca penil protez enfeksiyonu risk faktörlerinin anlaşılması, daha iyi antibiyotik profilaksi protokollerinin geliştirilmesine, skrotal hematom ve glandüler iskemi nedenlerine dair bilgiler ise cerrahi teknikler ve postoperatif bakım stratejilerine rehberlik etmektedir. Sunulan metodolojiler ve bulgular, komplikasyon tahmini ve risk değerlendirmesi için makine öğrenmesi modellerinin daha da geliştirilmesini amaçlayan sonraki çalışmalara rehberlik edebilir.
Özet (Çeviri)
Aim: In this study; It was aimed to investigate the ability of machine learning algorithms to predict postoperative complications by using some preoperative, intraoperative and postoperative parameters collected retrospectively in patients who underwent penile prosthesis implantation, which is used in the surgical treatment of erectile dysfunction, which is increasingly common in societies. Materials and Methods: A total of 418 patients who underwent PPI between 2015 and 2023 at Selçuk University Faculty of Medicine Urology Clinic, Hacettepe University Faculty of Medicine Urology Clinic, Osmangazi University Faculty of Medicine Urology Clinic, Torino University Molinette Hospital Urology Clinic from Italy and Porto São João Central Hospital from Portugal were included in our study. . We evaluated various preoperative, intraoperative and postoperative data of the patients. We developed machine learning models with six multi-class classifier algorithms using patient data from our cohort consisting of a total of 415 patients who had no complications after PPI and those who had postoperative complications. We then evaluated the performance of the models we developed using the test dataset (the remaining 30% of patient data). To evaluate the performance of machine learning models, overall accuracy, accuracy for each rank, F1 score, sensitivity, specificity, and area under the curve (AUC) were calculated. Additionally, ROC curves were created for each model and degree. We calculated the performance metrics of each model for each iteration and cross-validation iteration. Results: According to the analysis results of multi-class machine learning models developed for post-PPI complication prediction, the features of the GB model with the highest importance scores were HbA1c, total testosterone and urea values, respectively. The RF model also showed high performance, and the most important features were determined as HbA1c, total Testosterone and SII value. The XGB model provided high prediction accuracy based on the no-touch technique, HbA1c and total testosterone value features. AdaBoost model showed total testosterone, HbA1c and urea value features at the highest scores. In the SVM model, non-compressive dressing, no-touch technique and urea value stood out as the most important features. In the NB model, non-compressive dressing, no-touch technique and total testosterone value received the highest scores. As a result of these analyses, it was determined that the GB model was the most successful model in predicting complications after PPI, especially based on features such as HbA1c, total testosterone and urea value. Conclusion: Our study represents the most comprehensive study in terms of evaluating post-PPI complications using the CD classification. By examining the frequency and severity of complications, critical information for PPI-related clinical decision-making processes has been provided. One of the most important contributions of this study is the development and application of machine learning models to predict postoperative complications. These models not only facilitate the prediction of postoperative complications but also help identify high-risk patients, improving preoperative counseling and patient management. In addition, understanding the risk factors for penile prosthesis infection guides the development of better antibiotic prophylaxis protocols, and information about the causes of scrotal hematoma and glandular ischemia guides surgical techniques and postoperative care strategies. The methodologies and findings presented may guide subsequent studies aimed at further developing machine learning models for complication prediction and risk assessment.
Benzer Tezler
- Penil protez implantasyonu yapılan hastalarda penis duyusundaki değişikliklerin elektrofizyolojik olarak değerlendirilmesi
Electrophysiological evaluation of the sensati̇on changes at penis in patients with penil protez implantation
İBRAHİM EROL
Tıpta Uzmanlık
Türkçe
2018
ÜrolojiSağlık Bilimleri ÜniversitesiÜroloji Ana Bilim Dalı
UZMAN MAHMUT EKREM İSLAMOĞLU
- İnfravezikal obstrüksiyonu bulunan hastalarda Rho-kinaz inhibitörü Y-27632 varlığında α-1 adrenerjik reseptör antagonisti doksazosinin korpus kavernozum düz kası üzerine etkileri
Effect of doxazosin with/without Rho-kinase inhibitor on human corpus cavernosum smooth muscle in the presence of bladder outlet obstruction
ÖMER DEMİR
- Peyronie hastalığının insizyon-venöz patch ve penil protez implantasyonu+plak insizyonu teknikleri ile cerrahi tedavisi
Başlık çevirisi yok
MUSTAFA FARUK USTA
- Nöro-Behçet sendromlu hastalarda voiding disfonksiyonunun değerlendirilmesi ve tedavi yaklaşımları
The Evaluation of voiding and erectile dysfunction and treatment modilities in patients with Nöro-Behçet sendrome
TİBET ERDOĞRU
- Ürolojik cerrahide kullanılan inovatif cerrahi aletlerin tasarım ve üretim süreçleri
Design and production processes of innovative surgical tools used in urological surgeries
MUSA SELVİ
Yüksek Lisans
Türkçe
2021
AnatomiKocaeli ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
PROF. DR. ÖZCAN GÜNDOĞDU