Metastatik kolorektal kanser tanılı hastaların birinci basamak tedavisinde hedefe yönelik ajan seçiminin 'makine öğrenmesi' ile prediksiyonu


Tezin Türü: Tıpta Uzmanlık

Tezin Yürütüldüğü Kurum: Manisa Celal Bayar Üniversitesi, TIP FAKÜLTESİ, DAHİLİ TIP BİLİMLERİ, Türkiye

Tezin Onay Tarihi: 2021

Tezin Dili: Türkçe

Öğrenci: ALKIM YOLCU

Danışman: ATİKE PINAR ERDOĞAN

Özet:

Bu çalışmanın amacı, metastatik kolorektal kanserli hastaların (mKRK) birinci basamak tedavisinde hedefe yönelik ajan seçimini 'makine öğrenmesi' ile predikte etmektir. Bu amaçla retrospektif olarak, Nisan 2012-Ağustos 2020 tarihleri arasında Manisa Celal Bayar Üniversitesi Tıp Fakültesi Hastanesi Tıbbi Onkoloji Polikliniği'ne başvurmuş ya da servisinde yatarak tedavi almış mKRK tanılı 104 hastanın verilerini incelendi. Analizimiz, hastalarımızın 6. aya göre progresyon oranlarının, birinci basamak tedavide aldıkları iki farklı hedefe yönelik ilaç (bevasizumab veya setuksimab/panitumumab) üzerinden makine öğrenmesi ile tahmin etmeye bunu yaparken de ilaç yanıtını predikte edici özellikleri belirlemeye odaklanmaktadır. Hasta verilerinin anonimleştirilmesi ve veri ön hazırlık aşamasının tamamlanması sonrası elde edilen veri setimizde 6 farklı makine öğrenmesi algoritması kullanıldı. Aralarında çalışmamıza en uygun, en yüksek doğruluk oranına sahip olan algoritma Naive Bayes olarak belirlendi. Her özelliği birbirinden bağımsız olarak değerlendirebilme, az ve dengesiz veri setinde de kullanılabilir olması bu algoritmanın en iyi sonucu vermesinde etkili bulundu. Progresyonu tahmin etmedeki doğruluk oranı ise %84,38 olarak sonuçlandı. Makine öğrenme modelinin oluşturulmasında özellik seçimi için kullandığımız istatistiksel analiz ve genetik algoritma programlarının ortak olarak anlamlı bulduğu özellikler arasında hastanın boyu, karaciğere metastaz durumu, metastaz anındaki karsinoembriyojenik antijen değeri, metastaz anındaki hemoglobin değeri ve kullanılan ajana ait tedavi süresi yer aldı. Bu seçilmiş özelliklerle, makine öğrenmesi modelimizin 8 hasta ile yapılan performans değerlendirmesinde ise sadece 1 hasta için hatalı tahminde bulunduğu görüldü. Çalışmamız tedaviye yanıt veya direnç olasılığını gösterecek prediktif özelliklerin makine öğrenmesi ile analiz edilerek klinik karar alma sürecine katkıda bulunabileceğini göstermiştir. Elektronik sağlık kayıt sislemlerinin yaygınlaşmasıyla, sağlık uygulamalarındaki sorunları ele almak için geliştirilecek makine öğrenmesi programları zaman ve işgücü tasarrufuna önemli katkı sağlayacaktır.