Giriş
Ürolitiazis, yüksek nüks oranları ve küresel sağlık yükü ile karakterize, ürolojik pratiğin temel sorunlarından biridir. Çapı 20 mm üzerindeki büyük ve kompleks renal kalküllerin tedavisinde Perkütan Nefrolitotomi (PNL), altın standart tedavi modalitesi olma özelliğini korumaktadır.
Cerrahi başarının temel göstergesi olan taşsızlık oranının yüksek olması, hasta sonuçlarının iyileştirilmesi ve ek müdahale gereksiniminin azaltılması açısından kritik öneme sahiptir. Ancak bu oran; taş yükü, anatomik yapı ve hasta faktörlerine bağlı olarak önemli ölçüde değişkenlik gösterebilir .
Taşsızlık oranlarının (Stone-Free Rate – SFR) preoperatif dönemde isabetli öngörüsü; cerrahi planlama, hasta konsültasyonu ve beklenti yönetimi açısından kritik öneme sahiptir.
Bu nedenle preoperatif risk değerlendirmesi için çeşitli nefrolitometrik skorlama sistemleri geliştirilmiştir:
- Guy’s Stone Score (GSS)
- CROES nomogramı
- S.T.O.N.E. skoru
- S-ReSC skoru
Son dönemde büyük dil modelleri (LLM) ve ChatGPT tabanlı araçlar klinik karar destek sistemleri olarak dikkat çekse de, endoürolojik sonuçları öngörmedeki etkinlikleri henüz yeterince valide edilmemiştir.
Yöntem
Bu retrospektif kohort çalışmasında, 2019-2025 yılları arasında PNL uygulanan 340 hastanın verileri analiz edilmiştir.
Preoperatif taş kompleksitesi mevcut dört ana skorlama sistemi (GSS, CROES, S.T.O.N.E., S-ReSC) ile değerlendirilmiş; eş zamanlı olarak her vaka, ChatGPT tabanlı bir “Urinary Stone-Free Predictor” (Taşsızlık Öngörücü) modelinden geçirilmiştir.
Demografik veriler, komorbiditeler, taş karakteristikleri ve laboratuvar parametrelerini entegre ederek hastaya özgü SFR tahmini üretmektedir.
Çalışma, AI tabanlı prediktif modelleme standartlarını yansıtan TRIPOD-LLM yönergelerine uygun olarak dizayn edilmiştir.
Postoperatif 1. ayda düşük doz bilgisayarlı tomografi veya ultrasonografide ≤ 4 mm rezidüel fragman varlığı, klinik olarak anlamsız kabul edilerek taşsızlık statüsü belirlenmiştir.
Bulgular
2019-2025 yılları arasında PNL uygulanan 340 hastanın verileri analiz edilmiş.
- Taşsız: 207 hasta (%60,9)
- Rezidü taş: 133 hasta (%39,1)
- Taşsız ve taşlı grupların karşılaştırılması
| Parametre | Taşlı (n=133) | Taşsız (n=207) | Toplam (n=340) | Pdeğeri |
| GSS | 1.78 ± 1.07 | 1.22 ± 0.52 | 1.44 ± 0.83 | <0.001 |
| CROES | 160 ± 60.7 | 173.3 ± 61.8 | 168.1 ± 61.6 | 0.19 |
| S.T.O.N.E. | 8.41 ± 1.9 | 7.58 ± 1.2 | 7.9 ± 1.6 | <0.001 |
| S-ReSC | 3.86 ± 1.7 | 2.92 ± 1.8 | 3.3 ± 1.8 | <0.001 |
| ChatGPT | 78.9 ± 10.7 | 79.5 ± 11 | 79.2 ± 10.9 | 0.549 |
- Tanısal Performans ve Korelasyon: GSS, S.T.O.N.E. ve S-ReSC skorları, taşsızlık elde edilen grupta istatistiksel olarak anlamlı derecede düşük bulunmuştur (p < 0.001). Buna karşın CROES nomogramı (p = 0.19) ve ChatGPT tabanlı modelin öngörüleri (p = 0.549) taşsızlık statüsü ile anlamlı bir ilişki göstermemiştir.
- Multivaryant Analiz: Lojistik regresyon analizinde, GSS (OR 0.457; %95 CI 0.328–0.636; p < 0.001) ve S.T.O.N.E. skoru (OR 0.766; %95 CI 0.647–0.906; p = 0.002) cerrahi başarıyı öngören bağımsız prediktörler olarak tanımlanmıştır.
- ROC Analizi (AUC): Diskriminatif kapasite değerlendirmesinde S-ReSC (0.648), S.T.O.N.E. (0.643) ve GSS (0.635) anlamlı sonuçlar verirken; CROES (0.458) ve ChatGPT tabanlı model (0.481) rastlantısal olasılığın ötesine geçememiştir (p > 0.05).
Sonuç
Geleneksel nefro-litometrik skorlama sistemleri, özellikle GSS ve S.T.O.N.E., kompleks taş vakalarında cerrahi sonuçları öngörmede klinik geçerliliğini sürdürmektedir.
Mevcut ChatGPT tabanlı genel amaçlı dil modelleri, PNL sonrası SFR öngörüsünde yetersiz kalmakta ve güvenilir bir klinik karar destek aracı olarak hizmet edememektedir.
Klasik skorlama sistemleri klinik geçerliliğini korumaktadır. Yapay zekâ modellerinin klinik kullanımı için daha fazla validasyon gereklidir.
Yapay zekanın endoürolojik süreçlere entegrasyonu, “black-box” modellerden ziyade, hastalığa spesifik makine öğrenmesi algoritmalarının geliştirilmesine bağlıdır.
