Penis kırığı onarımı sonrası şiddetli ereksiyon bozukluğunun tahmini: Üroloji Cerrahisi Derneği'nin rekonstrüksiyon ve travma çalışma grubunun makine öğrenimi analizi sonuçları (RAT-SUS)
İçerik yapay zeka ile optimize edilmiştir
Penis Kırığı Onarımı ve Ereksiyon Bozukluğu Riski
Ereksiyon bozukluğu (ED), penis kırığı onarımı cerrahisi sonrasında karşılaşılan en kritik komplikasyonlardan biridir. Bu durumun klinik yönetiminde, riskin erken teşhis edilmesi hastanın iyileşme süreci için hayati bir önem taşımaktadır. Bu çalışma, makine öğrenimi (ML) algoritmalarının penis kırığı sonrası gelişebilecek şiddetli ED vakalarını tahmin etmedeki etkinliğini ve geleneksel istatistiksel yöntemlerle tespit edilemeyen karmaşık risk faktörlerini belirlemeyi amaçlamaktadır.
Araştırma Metodolojisi ve Veri Analizi
Çalışma kapsamında, Üroloji Cerrahisi Derneği Rekonstrüktif Üroloji ve Travma Çalışma Grubu bünyesindeki 23 farklı üroloji merkezinden alınan veriler retrospektif olarak analiz edilmiştir. Ocak 2020 ile Haziran 2024 tarihleri arasında penis kırığı nedeniyle cerrahi operasyon geçiren 547 hasta değerlendirmeye alınmıştır.
Hastalar, ameliyat sonrası altıncı aydaki Uluslararası Ereksiyon Fonksiyonu İndeksi-5 (IIEF-5) puanlarına göre iki temel gruba ayrılmıştır:
- Şiddetli ED (+): IIEF-5 puanı 7 ve altında olanlar.
- ED (-): IIEF-5 puanı 7'den büyük olanlar.
Analiz sürecinde en isabetli tahminleri yapabilmek adına on bir farklı makine öğrenimi sınıflandırıcısı test edilmiştir. Veri setindeki sınıf dengesizliğini gidermek amacıyla dört ayrı yeniden örnekleme tekniği kullanılmış ve en etkili değişkenleri saptamak için özellik önem analizi gerçekleştirilmiştir.
Makine Öğrenimi Modellerinin Performans Sonuçları
Araştırma sonuçları, farklı veri işleme tekniklerinin model başarısı üzerindeki etkisini net bir şekilde ortaya koymuştur. Orijinal veri setinde ve yeniden örneklenmiş (SMOTE) setlerde öne çıkan algoritmaların performans değerleri aşağıda tablolaştırılmıştır:
| Algoritma Türü | Veri Seti Durumu | AUC Skoru (Eğri Altı Alan) |
|---|---|---|
| Lojistik Regresyon | Orijinal Veri | 0,81 |
| Gauss Naive Bayes | Orijinal Veri | 0,78 |
| Doğrusal Destek Vektör Makinesi | Orijinal Veri | 0,76 |
| Karesel Ayırıcı Analiz (QDA) | SMOTE ile Yeniden Örneklenmiş | 0,85 |
| Yapay Sinir Ağı (ANN) | SMOTE ile Yeniden Örneklenmiş | 0,84 |
Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) kullanıldığında, QDA modeli 0,85 ROC-AUC değerine ulaşırken; SMOTE-Tomek Bağlantısı ile desteklenen ANN modeli 0,84 ROC-AUC değerine ulaşmıştır.
Şiddetli ED Gelişiminde Kritik Risk Faktörleri
Analizler sonucunda, penis kırığı ameliyatı sonrası şiddetli erektil disfonksiyon gelişimini tetikleyen en önemli belirleyiciler şunlardır:
- Hastanın yaşı
- Mevcut eşlik eden hastalıklar
- Tunika yırtığı uzunluğu
- Yaralanma anından ameliyata kadar geçen süre
Çalışmada üretral yaralanmaların önemli bir risk faktörü olmadığı gözlemlenmiştir. Bunun temel nedeni, vakaların tamamının küçük çaplı olması ve cerrahi müdahale gerektirmeden konservatif yöntemlerle tedavi edilmesidir.
Klinik Sonuçlar ve Gelecek Projeksiyonu
Makine öğrenimine dayalı tahmin modellerinin klinik iş akışlarına entegre edilmesi, erken risk sınıflandırmasını mümkün kılmaktadır. Bu teknolojik yaklaşım, bireyselleştirilmiş hasta bakım stratejilerini destekleyerek ameliyat sonrası fonksiyonel sonuçların iyileştirilmesine katkı sağlar.
Çalışmanın Güçlü Yönleri ve Sınırlamaları
Bu araştırma, çok merkezli geniş bir veri setine dayanması ve çok sayıda algoritmayı karşılaştırmalı olarak sunması bakımından oldukça güçlüdür. Ancak, çalışmanın geriye dönük (retrospektif) yapısı ve merkezler arasındaki veri raporlama farklılıkları, sonuçların genelleştirilebilirliği konusunda bir sınırlama oluşturabilir.
Genel Değerlendirme
Sonuç olarak, makine öğrenimi algoritmaları, penis kırığı onarımı sonrası şiddetli ED riskini öngörmede son derece güvenilir araçlardır. Veri setlerindeki dengesizliklerin yeniden örnekleme teknikleriyle giderilmesi, modellerin tahmin gücünü artırmaktadır. Bu yöntemler, cerrahi sonrası kişiselleştirilmiş yönetim süreçlerini geliştirmek için stratejik bir öneme sahiptir.
