Yapay Zeka Hızlı Bakış & Çıkarımlar
AI InsightBulgular: Hastaların ortanca sağ kalımı 9,00±0,09 ay olarak bulundu.
📌 3 Maddede Bu Makale
Özet
Amaç: Büyük miktarlardaki karmaşık sağlık hizmeti verilerinin analiz edilmesi ve yorumlanmasında geleneksel istatistiksel yaklaşımlar giderek yetersiz kalmaktadır. Bununla birlikte, Büyük Verinin makine öğrenmesi ile analiz edilmesi, hasta bilgilerinin depolanmasını, sınıflandırılmasını destekler. Bu nedenle hastalık tanımlamasını, tedavi değerlendirmesini, cerrahi planlamayı ve sonuç tahminini geliştirir. Mevcut çalışma, glioblastomda (GB) prognostik faktörleri tanımlamak için bir risk modeli oluşturmayı amaçlamaktadır. Gereç ve yöntem: Çalışmaya 2007-2018 yılları arasında GB tanısı konan 31663 hasta dahil edilmiştir. Çalışmadaki veriler Surveillance, Epidemiology, and End Results (SEER) veri tabanından alınmıştır. Analizler için genel sağ kalımlar, yaş, ırk, cinsiyet, primer bölge, lateralite, cerrahi ve tanı anındaki tümör boyutu, vital durum ve takip süresi (ay) seçildi. Bulgular: Hastaların ortanca sağ kalımı 9,00±0,09 ay olarak bulundu. Ayrıca tablodaki tüm değişkenler cinsiyet dışında sağ kalım için istatistiksel olarak anlamlı risk faktörleriydi. Bu nedenle, makine öğrenmesi analizi için bağımsız risk faktörleri olarak cerrahi, yaş, lateralite, primer bölge, tümör boyutu, ırk, cinsiyet değişkenleri ve vital durum bağımlı değişken olarak kullanıldı. Makine öğrenmesi sonuçlarına bakıldığında, doğruluk, F-ölçümü ve MCC performans kriterlerine göre Hibrit Model en iyi sonuçları vermiştir. En iyi performansa sahip olan hibrit modele göre 100 hastanın 84'ünde canlı/ölü tanısı sırasıyla 1 ve 2 yıl için doğru olarak yorumlanabilmektedir. Sonuç: Makine öğrenmesi ile oluşturulan model GB hastalarında 1 ve 2 yıllık sağ kalımı öngörmede sırasıyla %84,9 ve %74,1 başarılıydı. Temel fikirlerin tanınması, beyin cerrahlarının Büyük Veriyi anlamalarına ve ilgili sağlık hizmetleri alanındaki olağanüstü miktarda veriyi değerlendirmelerine yardımcı olacaktır.
Abstract
Purpose: Analyzing and interpreting large amounts of complex health care data are becoming more insufficient by traditional statistical approaches. However, analyzing Big Data (BD) by machine learning (ML) supports the storage, classification of patient information. Therefore, improves disease identification, treatment evaluation, surgical planning, and outcome prediction. The current study aims to create a competing risk model to identify prognostic factors in glioblastoma (GB). Materials and methods: The study included 31663 patients diagnosed with GB between 2007 and 2018. The data in the study were taken from the Surveillance, Epidemiology, and End Results (SEER) database. Overall survivals (OS), age, race, gender, primary site, laterality, surgery and tumor size at the time of diagnosis, vital status, and follow-up time (months) were selected for the analyzes. Results: The median OS of the patients was found to be 9.00±0.09 months. In addition, all variables in the table were statistically significant risk factors for survival except gender. Therefore, surgery, age, laterality, primary site, tumor size, race, gender variables were used as independent risk factors, and vital status was used as a dependent variable for ML analysis. Looking at the ML results, hybrid model gave the best results according to Accuracy, F-measure, and MCC performance criteria. According to hybrid model, which has the best performance, the diagnosis of alive/dead in 84 and 74 out of 100 patients can be interpreted as correct for 1- and 2-year, respectively. Conclusions: The model created by ML was 84.9% and 74.1% successful in predicting 1- and 2-year survival in GB patients, respectively. Recognition of the fundamental ideas will allow neurosurgeons to understand BD and help evaluate the extraordinary amount of data within the associated healthcare field.