Penis kırığı onarımı sonrası şiddetli ereksiyon bozukluğunun tahmini: Üroloji Cerrahisi Derneği'nin rekonstrüksiyon ve travma çalışma grubunun makine öğrenimi analizi sonuçları (RAT-SUS)

Arka plan

Ereksiyon bozukluğu (ED), penis kırığı onarımı sonrasında önemli bir komplikasyondur ve erken teşhis, klinik yönetim için kritik öneme sahiptir.

Amaç

Penis kırığı onarımı sonrasında şiddetli erektil disfonksiyon (ED) gelişimini tahmin etmede makine öğrenimi (ML) algoritmalarının etkinliğini değerlendirmek ve geleneksel istatistiksel yöntemlerin kapsamı dışında kalan karmaşık risk faktörlerini belirlemek.

Yöntemler

Üroloji Cerrahisi Derneği'nin Rekonstrüktif Üroloji ve Travma Çalışma Grubu'na bağlı 23 üroloji merkezinde Ocak 2020 ile Haziran 2024 tarihleri ​​arasında penis kırığı nedeniyle cerrahi onarım geçiren 547 hastadan elde edilen veriler kullanılarak retrospektif bir analiz yapılmıştır. Hastalar, ameliyat sonrası altı ayda Uluslararası Ereksiyon Fonksiyonu İndeksi-5 puanlarına göre iki gruba ayrılmıştır: şiddetli ED (+) (≤7) ve ED (−) (>7). En tahmin edici modelleri belirlemek için on bir farklı makine öğrenimi sınıflandırıcısı değerlendirilmiştir. Veri kümesindeki sınıf dengesizliğini gidermek için dört farklı yeniden örnekleme tekniği kullanılmıştır. ED riskine katkıda bulunan en etkili değişkenleri belirlemek için özellik önem analizi de yapılmıştır.

Sonuçlar

Bu çalışma, penis kırığı ameliyatı sonrasında ciddi erektil disfonksiyon geliştirme riski yüksek olan hastaların erken teşhisini sağlamak amacıyla yapılmıştır.

Sonuçlar

Orijinal veri setinde en iyi performans gösteren algoritmalar olarak Lojistik Regresyon, Gauss Naive Bayes ve Doğrusal Destek Vektör Makinesi sırasıyla 0,81, 0,78 ve 0,76'lık Eğri Altı Alan (AUC) puanlarıyla ortaya çıktı. Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) ile yeniden örneklenmiş veri setinde, Karesel Ayırıcı Analiz (QDA) 0,85'lik bir AUC'ye ulaşırken, Yapay Sinir Ağı (ANN) 0,84'lük bir AUC'ye ulaştı. SMOTE ile yeniden örneklenmiş veri setinde, QDA 0,85'lik bir ROC-AUC'ye (95% CI: 0,75-0,93) ulaşırken, SMOTE-Tomek Bağlantısı ile yeniden örneklenmiş veri setinde ANN 0,84'lük bir ROC-AUC'ye (95% CI: 0,71-0,94) ulaştı. Şiddetli erektil disfonksiyonun en kritik belirleyicileri yaş, eşlik eden hastalıklar, tunika yırtığı uzunluğu ve ameliyata kadar geçen süreydi. Üretral yaralanmalar önemli bir etken değildi, çünkü hepsi küçük çaplıydı ve üretroplasti yapılmadan konservatif olarak tedavi edildi.

Klinik Sonuçlar

Makine öğrenimine dayalı tahmin modellerinin klinik iş akışlarına entegrasyonu, erken risk sınıflandırmasını ve bireyselleştirilmiş hasta bakımını destekleyerek, nihayetinde ameliyat sonrası fonksiyonel sonuçları iyileştirebilir.

Güçlü Yönler ve Sınırlamalar

Bu çalışma, geniş ve çok merkezli bir veri setinden ve birden fazla makine öğrenimi algoritmasının karşılaştırmalı analizinden faydalanmaktadır. Bununla birlikte, geriye dönük yapısı ve veri raporlamasındaki merkezler arası değişkenlik, genelleştirilebilirliği sınırlayabilir.

Çözüm

Makine öğrenimi algoritmaları, penis kırığı onarımı sonrası şiddetli erektil disfonksiyonu tahmin etmek için etkili ve güvenilir araçlardır ve kişiselleştirilmiş ameliyat sonrası yönetimi geliştirebilir. Verilerdeki sınıf dengesizliğini yeniden örnekleme teknikleriyle ortadan kaldırmak, model performansını iyileştirir.