Makine öğrenim tabanlı modeller ile prostat kanseri hastalarının tedavi sonrası seksüel fonksiyon sonuçlarını öngörme
Predicting post-treatment sexual function outcomes in prostate cancer patients using machine learning–based models
- Tez No: 976598
- Danışmanlar: PROF. DR. TEKİN AHMET SEREL
- Tez Türü: Tıpta Uzmanlık
- Konular: Üroloji, Urology
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Süleyman Demirel Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Üroloji Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Prostat kanseri, erkeklerde en sık görülen malignitelerden biri olup, günümüzde erken tanı ve tedavi stratejileri sağkalımı uzatırken tedavi sonrası fonksiyonel sonuçlar -özellikle erektil disfonksiyon- klinik önceliğini korumaktadır. Uygulanan tedavi yöntemleri onkolojik kontrolü hedeflemekle birlikte, erektil fonksiyon sonuçlarını da belirlemektedir. Bu çalışmada, prostat kanseri nedeniyle tedavi edilen erkeklerde tedavi sonrası erektil fonksiyon kaybını öngörmeye yönelik makine öğrenimi tabanlı bir model geliştirilmiştir. Süleyman Demirel Üniversitesi Üroloji Kliniği'nde 2023–2025 yılları arasında tedavi gören 48 hastanın verileri retrospektif olarak incelenmiştir. Yaş, vücut kitle indeksi, serum PSA ve total testosteron düzeyleri, Gleason skoru, D'Amico risk sınıflaması, komorbiditeler ve uygulanan tedavi tipi gibi değişkenler modele dâhil edilmiştir. Veriler PyCaret kütüphanesi kullanılarak analiz edilmiş; lojistik regresyon, destek vektör makineleri, XGBoost ve ExtraTreesClassifier algoritmaları karşılaştırılmıştır. Bu analizler sonucunda, ExtraTreesClassifier modeli en yüksek ayırt edici performansı göstermiştir (AUC = 0,96, doğruluk = 0,91). Modelin özellikle yaş, testosteron düzeyi ve tedavi tipinden etkilenme eğilimi olduğu belirlenmiştir. Bulgular, makine öğrenimi algoritmalarının prostat kanseri tedavisi sonrası cinsel fonksiyon sonuçlarını yüksek doğrulukla öngörebildiğini ve klinik karar destek sistemleri için güçlü bir temel sağlayabileceğini göstermektedir. Çalışma retrospektif tasarımlı ve tek merkezli olması nedeniyle genelleme açısından sınırlıdır; ancak prospektif ve çok merkezli doğrulama çalışmalarıyla modelin klinik uygulanabilirliğinin artırılabileceği düşünülmektedir. Sonuç olarak, geliştirilen model, tedavi öncesi danışmanlık sürecinde hastaya bireyselleştirilmiş risk tahminleri sunarak, modern ürolojide fonksiyonel ve psikososyal sonuçlara odaklanan hasta merkezli yaklaşımı destekleme potansiyeline sahiptir.
Özet (Çeviri)
Prostate cancer is one of the most common malignancies among men, and while contemporary advances in early diagnosis and treatment strategies have prolonged survival, post-treatment functional outcomes—particularly erectile dysfunction—remain a key clinical concern. Although the applied therapeutic modalities primarily aim to achieve oncological control, they also play a decisive role in determining erectile function outcomes. This study aimed to develop a machine learning–based model to predict post-treatment erectile function outcomes in men treated for prostate cancer. Data from 48 patients treated at the Urology Department of Süleyman Demirel University between 2023 and 2025 were retrospectively analyzed. Clinical and biochemical variables including age, body mass index, PSA, total testosterone level, Gleason score, D'Amico risk classification, comorbidities, and treatment type were incorporated into the model. Using the PyCaret framework, several algorithms such as logistic regression, support vector machines, XGBoost, and ExtraTreesClassifier were compared. The ExtraTreesClassifier algorithm achieved the best predictive performance (AUC=0.96, accuracy=0.91). The model's predictive power was mainly driven by age, testosterone levels, and treatment modality. Findings indicate that machine learning methods can accurately predict sexual function outcomes after prostate cancer treatment and may provide a valuable foundation for clinical decision support systems. Although this study is limited by its retrospective and single-center design, further prospective multicenter validation may enhance the model's generalizability and clinical utility. In conclusion, the proposed model has the potential to support patient-centered counseling by offering individualized risk estimates, aligning with the modern urological paradigm that emphasizes both oncologic control and functional well-being.
Benzer Tezler
- Makine öğrenimi tabanlı modeller ile prostat kanserinde, prostat biyopsisi sonrası upgrade / upstage durumlarını predikte eden faktörlerin tahmini
Prediction of factors associated with upgrade/upstage status after prostate biopsy in prostate cancer based on machine learning models
KADİR ERYILMAZ
Tıpta Uzmanlık
Türkçe
2024
ÜrolojiSüleyman Demirel ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. ALPER ÖZORAK
- Lutesyum-177 prostat spesifik membran antijeni ile tedavi edilen metastatik kastrasyona dirençli prostat kanserli hastalarda tedavi öncesi yapılan galyum-68 prostat spesifik membran antijeni pozitron emisyon tomografisi/bilgisayarlı tomografisinin radyomiks analizinin tedavi yanıtını ve prognozu öngörme gücü
Predictive power of radiomics analysis of pretreatment ga-68 PSMA pet/ct in patients with metastatic castration-resistant prostate cancer treated with lu-177 PSMA for treatment response and prognosis
EMRE TEMİZER
Tıpta Uzmanlık
Türkçe
2024
OnkolojiErciyes ÜniversitesiNükleer Tıp Ana Bilim Dalı
DOÇ. DR. ÜMMÜHAN ABDÜLREZZAK
- Destek vektör makineleri ve çok katmanlı algılayıcı ağı ile prostat kanseri ön teşhisi
Prostate cancer pre-diagnosis with support vector machines and multilayer perception network
ÖZGE DEMİR
Yüksek Lisans
Türkçe
2022
İstatistikEskişehir Osmangazi Üniversitesiİstatistik Ana Bilim Dalı
DOÇ. DR. FATİH ÇEMREK
- Determination of the effect of anticancer laser therapies on the cancer cell migration and invasion via artificial intelligence methods
Yapay zeka yöntemleri ile kanser hücrelerinin göçü ve istilasına antikanser lazer terapilerinin etkisinin belirlenmesi
SÜMEYRA ARSLAN
Yüksek Lisans
İngilizce
2026
Mühendislik Bilimleriİzmir Katip Çelebi ÜniversitesiBiyomedikal Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÖZLEM KARABİBER CURA
DOÇ. DR. NERMİN TOPALOĞLU AVŞAR
- Makine öğrenim tabanlı modeller ile fleksible üreterorenoskopi sonrasında rezidü üriner taş durumunu öngörme
Başlık çevirisi yok
GÖNENÇ KUŞ
Tıpta Uzmanlık
Türkçe
2026
ÜrolojiSüleyman Demirel ÜniversitesiÜroloji Ana Bilim Dalı
PROF. DR. TAYLAN OKSAY