Total tiroidektomi sonrası geçici hipokalseminin makine öğrenme yolu ile prediksiyonu

Amaç: Bu çalışma, total tiroidektomi yapılan hastalarda gelişebilecek geçici hipokalseminin makine öğrenme yolu ile tahminini amaçlamıştır. Gereç ve Yöntem: Çalışmamızda Ocak 2015 – Aralık 2021 arasında Çukurova Üniversitesi Tıp Fakültesi Genel Cerrahi Anabilim Dalı'nda total tiroidektomi yapılan 571 hasta incelendi. Hastaların demografik, klinik ve laboratuvar verilerinden oluşturulan veri setinde farklı makine öğrenme algoritmalarının prediksiyon skorları incelendi. Bulgular: Hastaların % 19,8'inde (n=113) geçici hipokalsemi geliştiği görüldü. İstatistiksel analizde post-operatif geçici hipokalsemi oluşumunu anlamlı olarak etkileyen faktörlerin insidental paratiroidektomi trake yaralanması, rekürren laringeal sinir yaralanması olduğu görüldü (p<0,05). Pre-operatif kalsiyum, iyonize kalsiyum ve T3, post-operatif kalsiyum ve parathormon değerlerinin hipokalsemi grubunda istatistiksel anlamlı olarak daha düşük olduğu görüldü (p<0,05). Yapılan makine öğrenme metodlarında, lojistik regresyonun ROC-AUC skorunun 0.610 olduğu, doğruluk skorunun ise 0.637 olduğu gözlendi. Lineer Diskriminant Analizi modelinin ROC-AUC skorunun 0.602 olduğu, doğruluk skorunun ise 0.805 olduğu görüldü. Tartışma: Total tiroidektomi sonrası geçici hipokalsemi bu cerrahinin yaygın görülen bir komplikasyonu olup % 68 oranında geçici hipokalsemi olabileceğini bildiren yayınlar mevcuttur. Literatürde post-operatif hipokalsemi gelişme riskinin kilo, yaş, cinsiyet, lenf nodu diseksiyonu, hipertiroidizm, Hashimoto tiroiditi, tiroid volümü, insidental paratiroidektomi, post-operatif kalsiyum ve parathormon seviyeleri, plonjan guatr olarak saptanmış, bizim çalışmamızda ise bu verilerden sadece insidental paratiroidektomi, post-operatif kalsiyum ve parathormon seviyelerinin hipokalsemi ile ilişkili olduğu bulunmuştur. Makine öğrenme yöntemleri ile yapılan çalışmamızda Lineer Diskriminant Analizi modeli hipokalsemi tahmini açısından yüksek ROC-AUC ve doğruluk skoru göstermesi ile diğer modellere göre öne çıkmaktadır. Sonuç: Cerrahi sonrası komplikasyonların prediksiyonu makine öğrenme yolları ile yapılabilir, öte yandan geniş ve düzenli veri tabanları bu yöntemlerin verimli şekilde uygulanmasını kolaylaştıracaktır.