Kolon kanseri tedavi sonucu tahmininde makine öğrenimi uygulaması

Neden kolon kanseri sonuçlarını tahmin etmek önemli

Kolon kanseri dünya genelinde en yaygın kanserlerden biridir ve birçok hasta ile aile basit, acil bir şeyi bilmek ister: “Şansım nedir ve bunları iyileştirmek için ne yapılabilir?” İran’dan gelen bu çalışma, makine öğrenimi olarak bilinen modern bilgisayar tekniklerinin ayrıntılı tıbbi kayıtları nasıl tarayıp ameliyat sonrası hangi hastaların daha yüksek risk altında olduğunu daha iyi tahmin edebileceğini inceliyor. Bu tahminleri keskinleştirerek doktorlar, savunmasız hastalar için tedavi ve takip bakımını daha hassas şekilde uyarlayabilir ve uzun vadeli hayatta kalma şansını artırabilirler.

Hastane kayıtlarını yararlı desenlere dönüştürmek

Araştırmacılar, İran’ın Shiraz kentindeki büyük bir merkezde kolon kanseri ameliyatı geçirmiş 764 kişinin 10 yıllık verilerini kullandılar. Her hasta için yaş, kan testleri, tümör boyutu, kanser evresi, belirtiler ve ameliyat ile kemoterapi gibi tedavi ayrıntıları dâhil olmak üzere 44 bilgi toplandı. Bu kayıtlar temizlendi ve dikkatle kontrol edildi: imkânsız laboratuvar değerleri düzeltildi, takip edilemeyen hastalar çıkarıldı ve eksik cevaplar makul tahminlerle tamamlandı. Ekip daha sonra verileri, modelleri eğitmek için çoğunu kullanacak şekilde ve bu modellerin takipte kimin hayatta ya da ölü olacağını ne kadar iyi tahmin edebildiğini test etmek için ayrı bir bölüm ayıracak şekilde bölüştürdü.

Akıllı algoritmaların hastalardan nasıl öğrendiği

Geleneksel istatistiklere yalnızca dayanmak yerine çalışma, birkaç modern bilgisayar yaklaşımını yan yana karşılaştırdı. Bunlar, birçok basit karar kuralını birleştiren farklı “forest” ve “boosting” yöntemleri ile sinir ağlarını içeriyordu; sinir ağları gevşek şekilde beyin hücrelerinin bağlantısını taklit eder. Her yöntemin hedefi aynıydı: hastaların bilgilerini kullanarak her kişinin hayatta kalıp kalmayacağını tahmin etmek ve sonra bu tahminleri gerçekte olanla karşılaştırmak. Modeller, genel doğruluk, hayatını kaybeden hastaları yakalama başarısı ve hayatta kalanlar için yanlış alarm üretmeme gibi ölçütlere göre değerlendirildi. En iyi performans gösteren yöntemler, kanser sonuçlarının karmaşıklığı göz önüne alındığında güçlü bir sonuç olan yaklaşık %80 genel doğruluğa ulaştı.

Hangi modeller ve faktörler en çok etkili oldu

Tüm yaklaşımlar arasında CatBoost adlı bir yöntem en yüksek genel doğruluğu verdi; rastgele orman (random forest) modeli ise yüksek riskli hastaları doğru şekilde işaretleme ile iyi durumda olanlarda aşırı risk belirlemeden kaçınma arasında en iyi dengeyi gösterdi. Sonuçları doktorlar için daha anlaşılır kılmak amacıyla ekip, bilgisayarın kararlarını en çok etkileyen bilgi parçalarını sıralayan bir açıklama aracı kullandı. Tümörün büyüklüğü, lenf düğümlerine ulaşıp ulaşmadığı ve yayılıp yayılmadığı gibi bilgileri özetleyen kanser evresi en güçlü tek faktördü. Tümör boyutu, tümörün bağırsak duvarına ne kadar derin nüfuz ettiği, diğer organlara yayılmanın varlığı, tedavi türü, tümör gradı (hücrelerin ne kadar anormal göründüğü), lenf ve kan damarlarının tutulumu, hasta yaşı ve kilo kaybı da sağkalım tahminlerini şekillendirmede önemli roller oynadı.

Sayılardan klinik kararlara

Bu bulgular, rutin klinik bilgilerle beslenen dikkatle eğitilmiş bir bilgisayar modelinin, kolon kanseri ameliyatı sonrası sessizce yüksek risk altında olan hastaları belirlemede doktorlara yardımcı olabileceğini öne sürüyor. Günlük uygulamada böyle bir araç elektronik sağlık kayıt sistemine entegre edilerek bir hastanın tümörüne ve genel sağlık durumuna ilişkin ayrıntıları anında basit bir risk tahminine dönüştürebilir. Bu sayı doktorun yargısının yerini almaz, ancak bir hastanın ne sıklıkla kontrol edilmesi gerektiği, ek tedavilerin yan etkülerine değer olup olmadığı veya ikinci bir görüşün ne zaman gerekli olduğu gibi kararlara rehberlik edebilir. Bilgisayar tarafından belirlenen en önemli faktörlerin kanser uzmanlarının zaten kritik kabul ettikleri unsurlarla örtüşmesi, sistemi hastalara açıklamayı ve güvenmeyi kolaylaştırır.

Bu hastalar ve gelecek için ne anlama geliyor

Hastalar ve aileler için ana mesaj, bilgisayarların artık sıradan tıbbi verileri kullanarak kolon kanseri için daha kişiselleştirilmiş bakımı destekleyebileceği yönündedir. Çalışma tek bir merkezde ve İran’da yapılmış olup başka hastanelerde ve genetik ile görüntüleme bilgileri gibi daha zengin verilerle test edilmesi gerektiği hâlâ açık olsa da, makine öğreniminin kimlerin ekstra dikkat gerektirdiğini ve nedenini vurgulayabileceğini gösteriyor. Zaman içinde daha fazla veri eklendikçe ve modeller iyileştirildikçe bu araçlar, dünya çapında doktorların yalnızca kanıta dayalı değil, aynı zamanda her kişinin özel kanseri ve koşullarına ince ayarlı tedavi sunmasına yardımcı olabilir.

Atıf: Ghasemi, H., Hosseini, S.V., Rezaianzadeh, A. et al. Machine learning application in colon cancer treatment outcome prediction. Sci Rep 16, 6159 (2026). https://doi.org/10.1038/s41598-026-36917-0

Anahtar kelimeler: kolon kanseri, makine öğrenimi, tedavi sonuçları, risk tahmini, klinik veri