Amaç: Bu çalışmada, ileri evre pankreas kanserinde hastaların klinik ve patolojik özellikleri farklı makine öğrenme yöntemleri ile analiz edilerek, sağkalım tahmini yapılmıştır.
Gereç-Yöntem: Tüm hesaplamalar, 11th Gen Intel® Core™ i7-1185G7 işlemciye sahip bir bilgisayarda gerçekleştirildi. Özellik seçimi için MATLAB yazılımı kullanıldı. Veri setini özellik (metastaz yerleşim yeri, tanı ECOG PS, yaş vb.) seçimi sürecinde ve model performansını iyileştirmek için 4 analiz yöntemi (Minimum Redundancy Maximum Relevance/MRMR, Chi-square, ANOVA, Kruskal-Wallis) kullanılmıştır. Ayrıca makine öğrenmede bir veri örneğinin belirli bir sınıfa veya kategoriye yerleştirilmesi için sınıflandırma yöntemleri (Decision Tree, Regression, SVM, Naive Bayes, Neural Network, Kernel) uygulanmıştır.
Bulgular: Tablo 1 incelendiğinde, F-Score değeri, ilgili özelliğin veri setinde ne kadar önemli ve belirleyici olduğunu göstermektedir. İleri evre pankreas kanseri hastalarının sağ olup olmadığını tahmin etmede, hastanın birinci basamakta aldığı kemoterapilerin en yüksek F-Skoru ile en etkili olduğu ve diğer parametrelerin F skorları görülmektedir. Tablo 2'de özellik seçimi henüz yapılmadan tüm veriler analiz edildiğinde, yirmi dört makine öğrenme yönteminin doğruluk değerleri verilmiştir. Tablo 3'e göre hastaların sağkalım sonucunu tahmin etmede, %87 doğru tahmin oranı ile doğruluk değeri en yüksek olan makine öğrenme yöntemi SVM Kernel olarak belirlenmiştir. Bu nedenle, hastaların sağkalım sonucunu tahmin etmede, SVM Kernel makine öğrenme yöntemi MRMR, Chi2, ANOVA ve Kruskal Wallis analiz yöntemleriyle tek tek analiz edilmiş ve en yüksek doğruluk değeri elde edilmiştir. SVM Kernel makine öğrenme yöntemi ile MRMR, Chi2 ve ANOVA analiz yöntemleri ile seçilen veriler analiz edildiğinde %87.9 olasılıkla sağkalım doğru tahmin edilebilmiştir.
Sonuç: Yapay zeka, hastanın prognozunu etkileyebilecek çok sayıda faktörü hesaba katarak, ileri evre pankreas kanserinde OS tahmininde devrim yaratma potansiyeline sahiptir. Tümör biyolojisi de dahil olmak üzere çok sayıda veriyi analiz eden yapay zeka algoritmaları, tedavi yanıtı ve sağkalım tahmini gibi karmaşık kalıpları ve ilişkileri tanımlayabilir. Bu durum bireyselleştirilmiş tedaviye olanak sağlamak ve hasta sonuçlarını iyileştirmek açısından oldukça önemlidir.