Önemi belirsiz atipi/önemi belirsiz foliküler lezyon tanısı alan tiroid nodüllerinin malignite öngörüsü için yapısal eşitlik modeli ile karar destek sistemi

Tiroid kanserlerinde karar vermenin en karmaşık olduğu hasta grubu Bethesda sisteminin 3. kategorisindeki AUS/FLUS tanısı alan hastalardır. Malignite riski %10-30 aralığında değişen bu tür hastalara belirli sıklıklarla ince iğne aspirasyonu biyopsisi (İİAB) önerilmekte, bazen de hastanın isteği doğrultusunda cerrahi müdahale ile sonuçlanmaktadır. Yapılan çalışmada, tiroid kanseri şüphesi ile bir kliniğe başvuran ve İİAB sonucu AUS/FLUS tipi sitopatolojide tanımlanan nodüllü hastaların; klinik bilgileri, ultrasonografi ve sitopatolojik bulguları kullanılarak yapay zekâ ve makine öğrenmesi yöntemleri ile ameliyat öncesi nodüllerin benign/malign durumunun belirlenmesinde hekime yardımcı olacak en başarılı modele dayalı bir klinik karar destek sistemi önerilmiştir. Söz konusu veri setinde, değişkenler arasındaki ilişkileri belirlemek ve istatistik olarak anlamlı kestirimler yapabilmek amacıyla yapısal eşitlik modellemesi yöntemi kullanılmıştır. Bu yöntemle belirlenen anlamlı değişkenler üzerinde, makine öğrenmesi/yapay zeka yaklaşımlarından olan destek vektör makineleri (DVM), bağımsız varsayımlarla Bayes teoremini temel alan olasılıklı bir sınıflayıcı olan Naive Bayes ve karar ağacı yöntemleri kullanılarak karar destek sistemi oluşturmak için modelleri kurulmuştur. Çalışmanın sonucunda, YEM analizi kullanılarak elde edilen değişkenler ile geliştirilen en başarılı modelin duyarlılığı %70, seçiciliği %93 ve doğruluğu %82 olarak elde edilmiştir. Bunun dışında, farklı senaryolar için birçok model oluşturulmuş ve ilgili sonuçlar karşılaştırılmıştır. Sonuç olarak; önerilen en başarılı DVM modelinin benign nodülleri tahmin etmede en yüksek doğruluk değerine sahip olduğu saptanmıştır. Böylece ameliyat öncesi ikinci bir klinik seçenek sunularak hekimlerin karar verme süreci desteklenebilir.