Küçük hücreli dışı akciğer kanseri tanılı akciğer rezeksiyonu yapılan hastalarının yapay zeka ile postoperatif başarı ve risk analizi

Her cerrahi branş gibi göğüs cerrahisi branşı da ameliyat öncesinde ince elenip sık dokunan hazırlıklarla dolu risk analizleri, ameliyat esnasında ciddi bir emek ve konsantrasyon, ameliyat sonrası her adımın dikkatle takip edilmesi gereken doğru kararlar verme bütünüdür. Küçük hücreli dışı akciğer kanseri (KHDAK) histopatolojik tip olarak akciğer kanserleri içinde en sık görülenidir. Çalışmamız bu süreçler içinde ameliyat sonrası aşamalar başta olmak üzere tüm adımlarda hastalara ve hekimlere yardımcı olmayı hedeflemektedir. 9. TNM evreleme sistemi günümüzde IASLC tarafından önerilen ve kullanılan evreleme sistemidir. Erken evre ve rezektabl lokal ileri evre KHDAK grubunda cerrahi tedavi etkindir. Akciğer rezeksiyonu ve sistematik mediastinal lenf nodu diseksiyonu KHDAK cerrahisinin temelini oluşturur. Ameliyat sonrası dönemde görülen komplikasyonlar, ileri tedavi ve bakım gerektiren yoğun bakım yatışlarının olması, hastanede kalış süresinin uzaması başta mortalite, morbidite, maliyet, hastane enfeksiyonları, sürdürülebilirlik ve sosyal etkenler açısından önem arz etmektedir. Bu aşamalarda yoğun bakım gerekliliğinin değerlendirilmesi konusunda objektif, düşük maliyetli, kolay kullanımı olan, kendini geliştirebilen, günlük pratiğe uyarlanabilir, hasta özelinde çalışan ve doğruluk oranı yüksek şekilde sonuç veren bir uygulama ya da değerlendirme ölçütü bulunmamaktadır. Yapay zeka uygulamaları hekimliğe yardımcı alanlar, sağlık sistemlerinde ve diğer alanlarda veri toplama, sınıflandırma, saklama, öğrenme, öğretme gibi özellikleri ile karar vermeye yardımcı algoritmalar olarak hayatımızda yer bulmaktadır. Çalışmamızda KHDAK sebebiyle opere edilen hastalarda post op süreçleri elimizdeki veriler ile tahmin etmeyi amaçladık. Çalışmamızda 1471 hastanın verileri retrospektif olarak incelenerek geniş veri setleri oluşturuldu. 6 adet farklı yapay zeka algoritması kullanılarak hastalara ait 14 parametre ile hastaların postoperatif klinik süreçleri ve yoğun bakıma çıkıp çıkmayacakları yüksek doğruluk ve başarı oranı ile tahmin edilmesi amaçlandı. Bu algoritmalar: SVM-Linear Kernel, Random Forest sınıflandırma, SMOTE Sonrası SVM-Linear Kernel, SMOTE Sonrası Random Forest sınıflandırma, Lineer Regresyon ve Radial Basis SVM Korele Yöntemi idi. Yoğun bakıma çıkacak hastaları tahmin etmede en başarılı algoritmamız SMOTE Sonrası Random Forest sınıflandırma oldu ve F1 ortalama skoru %91, yoğun bakıma çıkmayacak hastaları tahmin etmede en başarılı algoritmamız SMOTE Sonrası Random Forest sınıflandırma oldu ve F1 ortalama skoru %91 olarak hesaplandı. SMOTE Sonrası Random Forest sınıflandırma yöntemi için ortalama çapraz doğrulama puanı 0.9232, çapraz doğrulama puanının standart sapması ise 0.0165 olarak hesaplandı. En başarılı algoritmamızda ROC eğrisinde eğri altında kalan alan %86 idi. Yapay zeka algoritmaları sayesinde KHDAK cerrahisi sonrası postoperatif klinik tahminler, yüksek doğruluk ve başarı oranlarıyla gerçekleştirilebilmekte olup, gelecekte klinik pratikte daha yaygın bir şekilde kullanılması beklenmektedir. Anahtar Sözcükler: Küçük Hücreli Dışı Akciğer Karsinomu, NSCLC, Postoperatif Komplikasyon, Yoğun Bakım Ünitesi, Yoğun bakım, Yapay Zeka, SMOTE, Lineer Regresyon, SVM, Support Vector Machine, Lineer Karnel, Radial Basis, Random Forest, Göğüs cerrahisi.