Meme kanseri sağkalımını tahmin etmek için veri odaklı modellerin karşılaştırmalı analizi

Bu çalışma kadın sağlığı için neden önemli

Meme kanseri artık dünya çapında kadınlarda en sık teşhis edilen kanserdir ve tıbbi kaynakların az olduğu ülkelerde genellikle geç evrede bulunur ve zor koşullarda tedavi edilir. Bu çalışma Etiyopya’daki kadınlara odaklanıyor ve hayati bir soruyu soruyor: doktorların zaten topladığı hasta bilgileri göz önüne alındığında, modern veri araçları meme kanserinden ölme riski en yüksek olanları daha doğru şekilde tahmin edebilir mi? Daha iyi tahminler, doktorların sınırlı tedavileri önceliklendirmesine, en savunmasız hastalar için daha yakın takip planlamasına ve kadınlara gelecekleri hakkında daha net bilgi verilmesine yardımcı olabilir.

Kadınlar, hastaneler ve günlük tıbbi kayıtlar

Araştırmacılar, 2019 ile 2024 yılları arasında iki büyük Etiyopya hastanesinde meme kanseri tedavisi gören 1.164 kadının tıbbi kayıtlarını analiz etti. Her bir kadın için tanıdan sonra ne kadar yaşadıkları ve izlem süresi içinde ölüp ölmedikleri ya da veri toplama sona erdiğinde hayatta olup olmadıkları takip edildi. Bu sonucun yanında hastanelerin rutin olarak kaydettiği yaygın klinik ve sosyal bilgiler kullanıldı: yaş, tümör boyutu, kanser evresi, kanserin uzak organlara (metastaz) veya lenf düğümlerine yayılıp yayılmadığı, diğer hastalıklar, medeni durum, sigara veya qat kullanımı gibi yaşam tarzı alışkanlıkları ve kadının emzirmesi. Bunların tümü pahalı testlere ihtiyaç duymadan toplanabilecek detaylar olduğundan, ortaya çıkabilecek tahmin araçlarını düşük kaynaklı ortamlarda gerçekçi kılar.

Sağkalım şansını okumaya eski ve yeni yollar

Geleneksel olarak doktorlar ve istatistikçiler Kaplan–Meier eğrileri ve Cox orantısal riskler modeli gibi sağkalım analizi yöntemlerini, hastaların bir hastalıkla ne kadar yaşadığını ve hangi faktörlerin bu süreyi etkilediğini anlamak için kullanırlar. Bu yöntemler yorumlanması nispeten kolay olmakla birlikte, gerçek dünyadaki kanser bakımında sıkça görüldüğü gibi birçok faktörün karmaşık, doğrusal olmayan etkileşim kurduğu durumlarda zorlanır. Yazarlar bu klasik yaklaşımları random survival forests ve derin öğrenme tabanlı sağkalım modelleri gibi daha esnek makine öğrenimi modelleriyle ve ayrıca destek vektör makineleri, random forests, XGBoost ve LightGBM gibi standart sınıflandırma araçlarıyla karşılaştırdı. Tüm modeller verinin bir kısmı üzerinde eğitildi ve görülmemiş olgular üzerinde test edildi; performansları hastaları risk açısından ne kadar iyi sıraladıklarını ve öngörülen sağkalım sürelerinin gerçekle ne kadar uyumlu olduğunu yakalayan ölçütlerle değerlendirildi.

Hangi faktörler sağkalımı en çok şekillendiriyor?

Tüm grup genelinde, ileri modeller uygulanmadan önce bile birkaç desen öne çıktı. Daha büyük tümörlü, daha fazla lenf düğümü tutulumlu veya zaten yayılmış (metastaz yapmış) kadınların sağkalımı çok daha kötüydü. Evre IV’te teşhis edilenler izlem sırasında özellikle yüksek ölüm riski taşıyordu, oysa evre I hastalığı olan kadınlar çok daha iyi sonuçlar gösterdi. Özellikle 45 yaş ve üzeri olmak üzere ileri yaş ve kronik hastalıklar gibi ek hastalıkların varlığı da sağkalımı kötüleştirdi. Sigara, alkol veya qat kullanımı gibi yaşam tarzı alışkanlıkları da daha kötü sonuçlarla ilişkilendirildi. Evli kadınlar bekar, boşanmış veya dul kadınlara kıyasla daha uzun yaşama eğilimindeydi; bu bulgu, sosyal desteğin hastaların bakım sürecine bağlı kalmasına yardımcı olarak kanser sağkalımını iyileştirebileceğini gösteren diğer ülkelerdeki çalışmalarla uyumlu.

Akıllı algoritmalar tabloya ne kattı

Ekip modelleri karşılaştırdığında, çok sayıda sağkalım odaklı karar ağacı büyüten ve bunların sonuçlarını birleştiren random survival forests, hastaların ne kadar yaşayacağına dair en doğru tahminleri sundu. Bunu yakından izleyen bir yöntem olan sınıflayıcı olarak kullanılan random forests, yüksek risklileri düşük risklilerden ayırt etmede en iyi performans gösterdi. “Kara kutu” sorununu azaltmak için araştırmacılar modellerin en çok hangi faktörlere güvendiğini görmek amacıyla SHAP adlı bir teknik kullandı. En güçlü modellerde aynı özellikler üst sıralarda yer aldı: yaş, tümör boyutu, metastaz, lenf düğümü tutulumu, genel evre ve diğer hastalıkların varlığı. Medeni durum ve belirli alışkanlıklar gibi sosyal özellikler de katkı sağladı ancak daha sınırlı ölçüde. Etkili biçimde modeller, klinisyenlerin önem verdiği aynı temel risk sinyallerini öğrendi ve bunların ince kombinasyonlarını da değerlendirdi.

Bu hastalar ve klinikler için ne anlama geliyor

Çalışma, Etiyopyalı meme kanseri hastaları için zamana bağlı ölüm olasılığını tahmin etmeye yönelik veri odaklı sağkalım modellerinin—özellikle random survival forests—geleneksel yöntemlerden daha doğru ve hâlâ yorumlanabilir risk tahminleri sağlayabileceği sonucuna varıyor. Bu modeller rutin bakımda zaten toplanan bilgileri kullandığından, yüksek riskli hastaları işaretleyen, doktorların kimleri daha hızlı yönlendireceğine veya kimlere daha yoğun tedavi uygulanacağına karar vermesine yardımcı olan ve prognostik bilgileri dürüst ama kişiye özel biçimde yönlendiren basit araçlara dönüştürülebilirler. Çalışmanın sınırlılıkları (genetik ve görüntüleme verilerinin eksikliği ve geriye dönük kayıtlara dayanması) olmakla birlikte, dikkatli uygulanan makine öğreniminin sıradan hastane verilerini kaynak kısıtlı ortamlarda kanser bakımına pratik destek haline getirebileceğini gösteriyor.

Atıf: Takele, K., Chen, DG. A comparative analysis of data-driven models for breast cancer survival prediction. Sci Rep 16, 10114 (2026). https://doi.org/10.1038/s41598-026-40565-9

Anahtar kelimeler: meme kanseri sağkalımı, makine öğrenimi, random survival forest, Etiyopya, klinik risk faktörleri