Akademik Veri Yönetim Sistemi
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Akdeniz Üniversitesi, Tıp Fakültesi, Dahili Tıp Bilimleri Bölümü, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: ECE ATAK
Danışman: Timur Koca
Özet:
Giriş ve Amaç: Glioblastoma (GBM), santral sinir sisteminin en yaygın ve agresif
primer beyin tümörüdür ve ortalama sağkalım yaklaşık 15 aydır. Cerrahi, radyoterapi
ve kemoterapideki ilerlemelere rağmen, tümör heterojenitesi ve tedavi direnci
nedeniyle olumsuz bir klinik seyir göstermektedir. Bu çalışmada, radyoterapi
simülasyonu için alınan bilgisayarlı Tomografi (BT) görüntülerinden elde edilen
radyomik özelliklerin, klinik ve moleküler verilerle birleştirip derin öğrenme
algoritmaları kullanarak GBM hastalarının genel sağkalım (GS) ve progresyonsuz
sağkalım (PS) sonuçlarını öngörmeyi amaçlayan bir model geliştirmeyi
amaçlanmaktadır.
Yöntemler: Bu çalışmaya, 2018-2024 yılları arasında Akdeniz Üniversitesi'nde
tedavi edilen 115 GBM hastası dahil edilmiştir. Klinik veriler retrospektif olarak
toplanmıştır. BT görüntülerinden radyomik özellikler çıkarılmış ve standartlaştırma
için ön işlemler uygulanmıştır. Sağkalım analizleri Kaplan-Meier ve Cox regresyon
yöntemleriyle yapılmıştır. Model geliştirme için yapay zeka tabanlı makine
öğrenmesi algoritmaları kullanılmıştır.
Bulgular: Çalışmaya dahil edilen hastaların medyan yaşı 60, medyan GS süresi 13
ay ve medyan PS süresi 6 ay olarak saptanmıştır. Bir yıllık GS oranı %52,7, 6 aylık
PS oranı ise %62,6 bulunmuştur. Multifokal tümör varlığı, bilateral tümör varlığı,
düşük performans skoru ve ileri yaş, sağkalımı olumsuz etkileyen faktörler olarak
belirlenmiştir. Gross total rezeksiyon ve eşzamanlı temozolomid kullanımı, sağkalımı
anlamlı şekilde iyileştiren faktörlerdir. Klinik ve radyomik verilerin entegrasyonuyla
oluşturulan, 1 yıllık GS modelinde Lojistik Regresyon modeli %73,9 doğrulukla en
iyi performansı sergilerken, 6 aylık PS tahmininde Gradyan Artırma modeli, %66,7
ile en yüksek doğruluk oranını vermiştir.
Sonuç: Radyomik özelliklerin klinik ve moleküler verilerle entegrasyonu, GBM için
kişiselleştirilmiş prognostik modellemede büyük bir potansiyele sahiptir. Bu
bulgular, radyomiklerin tedavi stratejilerini geliştirmek için değerli bir araç olduğunu
göstermektedir. Bulguların doğrulanması için daha geniş kapsamlı çalışmalar
gereklidir.