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.
Sonuçlar: 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.