Evre 3 kolon kanserinde sağ kalımı etkileyen faktörlerin SPSS paket programı ve akıllı makine öğrenme yöntemleri aracıyla belirlenmesi ve elde edilen sonuçların karşılaştırılması
Başlık çevirisi mevcut değil.
- Tez No: 963924
- Danışmanlar: DOÇ. DR. SELİN AKTÜRK ESEN, DOÇ. DR. SEVİL UYGUN İLİKHAN
- Tez Türü: Tıpta Uzmanlık
- Konular: İç Hastalıkları, Internal diseases
- Anahtar Kelimeler: Kolon Neoplazileri / prognoz, Kolon Neoplazileri / evreleme, Makine Öğrenimi, Prognoz, Risk Faktörleri, Sağkalım Analizi, Yapay Zeka, Colon Neoplasms / prognosis, Colon Neoplasms / staging, Machine Learning, Prognosis, Risk Factors, Survival Analysis, Artificial Intelligence
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Sağlık Bilimleri Üniversitesi
- Enstitü: Ankara Bilkent Şehir Hastanesi
- Ana Bilim Dalı: İç Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışma, evre 3 kolon kanseri tanısı almış hastalarda genel sağkalım sürelerini ve sağkalımı etkileyen klinik, patolojik ve demografik faktörleri belirlemeyi amaçlamaktadır. Yöntem: Retrospektif ve kesitsel olarak planlanan çalışmaya, 2005–2025 yılları arasında Ankara Bilkent Şehir Hastanesi'nde takip edilen 452 evre 3 kolon kanseri hastası dahil edilmiştir. Hastalara ait yaş, cinsiyet, ECOG-PS, komorbiditeler, tümör özellikleri, tedaviye bağlı toksisiteler ve nüks gibi veriler SPSS 18.0 ile analiz edilmiştir. Sağkalım analizlerinde Kaplan-Meier ve Log-Rank testleri kullanılmış; 'Coarse Tree', 'Bagged Trees', 'SVM', 'Fine KNN' gibi makine öğrenmesi algoritmaları ile prognoza etkili faktörler, sağkalım, ex olma ve nüks tahminleri yapılmıştır. Modeller doğruluk, duyarlılık, özgüllük ve F-ölçütü ile karşılaştırılmıştır. Bulgular: SPSS analizlerinde, ileri yaş, ECOG performans skorunun ≥2 olması, evre 3C hastalık, N2 düzeyinde lenf nodu metastazı, komorbidite ve özellikle diyabet varlığı sağkalımı olumsuz etkileyen anlamlı faktörler olarak belirlenmiştir (p<0.05). Makine öğrenmesi analizlerinde ise prognozu etkileyen en önemli 9 parametre sırasıyla şöyle bulunmuştur: Cerrahi sınır pozitifliği, döküntü varlığı, mukozit varlığı, trombositopeni varlığı, kemoterapi uygulama sayısı, tümör patolojik alt tipi, diyare varlığı, tanı yaşı ve anemi varlığı. Özellikle ex olma ve nüks tahmininde bazı modeller, klasik istatistiksel yöntemlerin ötesinde anlamlı öngörüler sunmuştur. En yüksek doğruluk oranları 'Coarse Tree' (%87) ve 'Bagged Trees' gibi ensemble yöntemlerinde gözlenmiştir. Sonuç: Bu çalışma, evre 3 kolon kanserinde sağkalım süresini etkileyen temel prognostik faktörleri ortaya koyarken, aynı zamanda makine öğrenmesi tabanlı yaklaşımların geleneksel istatistiksel yöntemlere alternatif veya tamamlayıcı nitelikte kullanılabileceğini göstermiştir. Bu sayede, bireyselleştirilmiş risk sınıflandırması ve klinik karar destek sistemlerinin geliştirilmesinde önemli bir adım olarak değerlendirilebilir. Bulgular, daha geniş örneklemli, çok merkezli ve prospektif tasarımlı çalışmalara ışık tutacak niteliktedir.
Özet (Çeviri)
Objective: This study aims to determine overall survival durations and identify clinical, pathological, and demographic factors affecting survival in patients diagnosed with stage 3 colon cancer. Methods: This retrospective and cross-sectional study included 452 patients with stage 3 colon cancer who were followed at Ankara Bilkent City Hospital between 2005 and 2025. Patient data, including age, gender, ECOG-PS, comorbidities, tumor characteristics, treatment-related toxicities, and recurrence, were analyzed using SPSS 18.0. Kaplan-Meier and Log-Rank tests were used for survival analysis. Prognostic factors, survival, mortality, and recurrence predictions were made using machine learning algorithms such as 'Coarse Tree', 'Bagged Trees', 'SVM', and 'Fine KNN'. Models were compared in terms of accuracy, sensitivity, specificity, and F-score. Results: In SPSS analyses, older age, ECOG performance score ≥2, stage 3C disease, N2-level lymph node metastasis, presence of comorbidities—especially diabetes—were found to be significant factors negatively affecting survival (p<0.05). In machine learning analyses, the top nine parameters influencing prognosis were identified as: positive surgical margins, presence of rash, presence of mucositis, presence of thrombocytopenia, number of chemotherapy cycles, pathological tumor subtype, presence of diarrhea, age at diagnosis, and presence of anemia. Particularly in predicting mortality and recurrence, some models provided significantly more accurate predictions than traditional statistical methods. The highest accuracy rates were observed in ensemble methods such as 'Coarse Tree' (87%) and 'Bagged Trees'. Conclusion: This study highlights the key prognostic factors influencing survival in stage 3 colon cancer and demonstrates that machine learning-based approaches can serve as alternatives or complements to conventional statistical methods. These findings represent a valuable step toward the development of individualized risk stratification and clinical decision support systems. The results may also guide future large-scale, multicenter, and prospective studies.
Benzer Tezler
- Kolon kanserinde senkron karaciğer metastazı gelişimini etkileyen faktörlerin incelenmesi
Investigation of factors affecting the development of synchronous liver metastasis in colon cancer
ÖMER BUĞRAHAN TAŞ
- Sağ kolon kanseri tanılı hastalarda klinikopatolojik özellikler, tedavi seçimi ve prognoza etkileri
Clinicopathological features, treatment strategies and their impact on prognosis in right colon cancer
EDANUR ARSOY
- Regorafenib ile tedavi edilen metastatik kolorektal kanserde prognozu etkileyen faktörler
Factors affecting prognosis in metastatic colorectal cancer treated with regorafenib
HİLAL SAĞIROĞLU ÜSTÜN
- Evre-3 kolorektal kanser hastalarında trombosit/lenfosit ve nötrofil/lenfosit oranlarının prognoza etkisi
Effect of platelet/lymphocyte and neutrophil/lymphocyte ratios on prognosis in stage-3 colorectal cancer patients
SERHAT KIRÇİÇEĞİ
