Giriş
Penil fraktür, ereksiyon sırasında tunica albuginea’nın rüptürü ile karakterize nadir fakat acil bir ürolojik travmadır. Avrupa verilerine göre olguların yaklaşık %60’ı cinsel ilişki sırasında meydana gelmektedir. Cerrahi onarım standart tedavi olmakla birlikte, operasyon sonrası erektil disfonksiyon (ED), penil kurvatur ve ağrılı ereksiyon gibi komplikasyonlar gelişebilmektedir. Literatürde penil fraktür cerrahisi sonrası ED insidansı %1,9–%13,9 arasında bildirilmektedir.
Daha önceki çalışmalar ileri yaş, tunikal yırtık uzunluğu, cerrahi gecikme, sigara kullanımı ve bilateral korporal yaralanma gibi faktörlerin ED riskini artırabileceğini göstermiştir. Bununla birlikte, bu risk faktörlerinin kompleks etkileşimlerini analiz etmek için makine öğrenmesi (ML) yöntemlerinin kullanıldığı geniş ölçekli çalışmalar sınırlıdır.
Bu çok merkezli çalışma, Ürolojik Cerrahi Derneği Rekonstrüktif Üroloji ve Travma Çalışma Grubu (RAT-SUS) veri tabanını kullanarak penil fraktür onarımı sonrası şiddetli ED gelişimini öngören yüksek performanslı bir makine öğrenmesi modeli geliştirmeyi amaçlamıştır.
Yöntem
Bu çalışma 23 üroloji merkezinin katılımıyla yürütülen retrospektif çok merkezli bir kohort analizidir.
Ocak 2020 – Haziran 2024 arasında penil fraktür nedeniyle cerrahi onarım yapılan 750 hasta veri tabanına kaydedilmiş; eksik veri ve dışlama kriterleri sonrası 547 hasta analize dahil edilmiştir.
Dahil edilme kriterleri
• ≥18 yaş
• Penil fraktür tanısının klinik veya görüntüleme ile doğrulanması
• Cerrahi onarım uygulanması
• En az 6 aylık postoperatif takip
• Postoperatif erektil fonksiyonun IIEF-5 skoruyla değerlendirilmesi
Dışlama kriterleri
• Üretral rekonstrüksiyon gerektiren yaralanma
• Eksik klinik veri veya takip
• Preoperatif IIEF-5 skorunun bulunmaması
Sonlanım ölçütü
Primer sonlanım noktası 6. ayda şiddetli erektil disfonksiyon gelişimi olup şu şekilde tanımlanmıştır:
• Şiddetli ED: IIEF-5 ≤ 7
• ED yok: IIEF-5 > 7
Veri değişkenleri
Analizde kullanılan başlıca değişkenler:
• Demografik veriler (yaş)
• Komorbiditeler
• Preoperatif ED
• Fraktür etiyolojisi
• Cerrahiye kadar geçen süre
• Fraktür lokalizasyonu
• Tunica albuginea yırtık uzunluğu
• Üretral yaralanma
• Korpus kavernozum hasarı
• Cerrahi insizyon tipi
Makine öğrenmesi analizi
Toplam 11 farklı ML algoritması değerlendirilmiştir:
• Logistic Regression
• Support Vector Machine (SVM)
• Random Forest
• Decision Tree
• Neural Network
• Gaussian Naive Bayes
• Quadratic Discriminant Analysis vb.
Model değerlendirme yöntemleri:
• ROC-AUC
• Precision-Recall AUC
• Brier Score
Veri setinde şiddetli ED oranı %6.8 olduğundan ciddi sınıf dengesizliği mevcuttu. Bu nedenle şu yeniden örnekleme teknikleri uygulanmıştır:
• SMOTE
• SMOTE–Tomek Link
• ADASYN
• Random Oversampling
3. Bulgular
Hasta özellikleri
Toplam 547 hastanın 37’sinde (%6,8) şiddetli ED gelişmiştir.
Klinik karşılaştırmalar
Şiddetli ED gelişen hastalarda:
• Yaş: 59 vs 41 yıl (p < 0.001)
• Komorbidite prevalansı: anlamlı derecede yüksek (p < 0.001)
• Preoperatif ED: %37.8 vs %7.6 (p < 0.001)
• Tunical tear uzunluğu: 15 mm vs 12 mm (p = 0.026)
Anlamlı fark bulunmayan değişkenler:
• Fraktür etiyolojisi
• Cerrahiye kadar geçen süre
• Fraktür lokalizasyonu
• Üretral yaralanma
• Korpus kavernozum hasarı
• Cerrahi insizyon tipi
Makine öğrenmesi model performansı
Orijinal veri seti
En iyi performans gösteren algoritmalar:
Model ROC-AUC
Logistic Regression 0.81
Gaussian Naive Bayes 0.78
Linear SVM 0.76
Dengelenmiş veri seti
Resampling sonrası performans artmıştır:
Model ROC-AUC
QDA (SMOTE) 0.85 (95% CI: 0.75–0.93)
Neural Network (SMOTE–Tomek) 0.84
Ayrıca SMOTE–Tomek ile eğitilen sinir ağı modeli en düşük Brier skoru (0.0628) ile en iyi kalibrasyonu göstermiştir.
En önemli prediktörler
Random Forest özellik önem analizine göre:
1. Yaş
2. Komorbiditeler
3. Tunikal yırtık uzunluğu
4. Cerrahiye kadar geçen süre
5. Preoperatif ED
Karar ağacı eşik değerleri
ML modeli klinik olarak anlamlı risk eşikleri belirlemiştir:
• Yaş > 48.5 yıl
• Tunikal yırtık > 14.5 mm
• Cerrahi gecikmesi > 7.5 saat
Bu eşiklerin üzerinde olan hastalar yüksek şiddetli ED riski kategorisinde sınıflandırılmıştır.
4. Tartışma
Çalışmanın bulguları literatürle uyumlu olarak ileri yaş ve komorbidite varlığının postoperatif ED riskini artırdığını göstermektedir. Özellikle diyabetes mellitus ve kardiyovasküler hastalıkların bulunduğu hastalarda ED gelişimi belirgin şekilde daha yüksek bulunmuştur.
Tunica albuginea’daki daha geniş defektlerin kavernozal yapının bütünlüğünü bozarak veno-oklüzif mekanizmayı etkilediği ve kalıcı ED gelişimine katkıda bulunduğu düşünülmektedir.
İlginç olarak konvansiyonel istatistikte anlamlı bulunmayan cerrahi gecikme süresi, ML modelinde kritik karar düğümü olarak ortaya çıkmıştır. Bu durum makine öğrenmesi yöntemlerinin non-lineer ilişkileri ortaya çıkarma üstünlüğünü göstermektedir.
Ayrıca çalışmada üretral yaralanmaların ED gelişimine anlamlı katkı sağlamadığı gözlenmiştir; bunun nedeni bu serideki üretral yaralanmaların çoğunun minimal olması ve konservatif yönetilmesidir.
5. Sonuç
Bu çok merkezli analizde:
• Yaş
• Komorbiditeler
• Preoperatif ED
• Tunica albuginea yırtık uzunluğu
penil fraktür cerrahisi sonrası şiddetli ED gelişimi ile anlamlı ilişkili faktörler olarak belirlenmiştir.
Makine öğrenmesi modelleri özellikle veri dengesizliği giderildiğinde yüksek prediktif performans göstermiştir. Bu modellerin klinik pratiğe entegrasyonu sayesinde:
• yüksek riskli hastaların erken belirlenmesi
• kişiselleştirilmiş postoperatif izlem
• komplikasyonların erken yönetimi
mümkün olabilir.
