Fuzzy-DATA: Diferansiye Tiroid Kanserinde Karar Desteği için Öneri Gücü ve Kanıt Kesinliği ile Kalibre Edilmiş Bulanık TOPSIS Çerçevesi

Öz

Klinik uygulama kılavuzları, önerilerin yönünü ve gücünü bildirmekle birlikte, bu kategorik ifadeler bireysel hastaya özgü ve tercihe duyarlı kararları doğrudan çözememektedir. Bu çalışmada, diferansiye tiroid kanseri yönetiminde 2025 Amerikan Tiroid Birliği kılavuzundaki öneri gücünü, kanıt kesinliğini, hastaya uygulanabilirliği ve bağlamsal karar kriterlerini birlikte kullanan açıklanabilir bir bulanık karar çerçevesi (Fuzzy-DATA) geliştirilmektedir. Çerçeve, telafi edilemeyen uygunluk katmanının ardından, öneri gücü ve kanıt kesinliği ile kalibre edilmiş bulanık TOPSIS sıralamasını kullanmaktadır. Öneri gücü, kanıt kesinliği ve uygulanabilirlik üçgensel bulanık sayılarla temsil edilmiş ve yedi fayda yönlü kriter kullanılmaktadır. Çalışmada iki sentetik örnek, küçük ve düşük riskli papiller tiroid kanseri yönetimini ve yüksek riskli hastalıkta ameliyat sonrası radyoaktif iyot seçimini ele almaktadır. Değerlendirme; tek yönlü ağırlık duyarlılığı, model bileşeni çıkarma analizi, Öneri 15 kapsam eşlemesi stres testleri, çalıştırılabilir uygunluk kapısı testleri ve her örnek için 30.000 iterasyonlu koşullu sayısal sağlamlık benzetimini içermektedir. Birinci örnekte aktif izlem 0,709 yakınlık katsayısıyla ilk sırada yer almış ve koşullu birinci sıra sıklığı %99,3 olmuştur. Birincil kapsam-sınırlı eşlemede lobektomi, yaklaşık 0,680 kılavuz uyumu ağırlığında aktif izlemi geçmiştir; ancak bu eşik alternatif Öneri 15 eşlemelerinde değişmiş, güvenilir izlem mümkün olmadığında aktif izlem uygunluk kapısıyla hariç tutulmuştur. İkinci örnekte 100-150 miliküri adjuvan iyot-131 tedavisi 0,686 yakınlık katsayısıyla ilk sırada yer almış ve koşullu birinci sıra sıklığı %92,7 olmuştur. Dirichlet yoğunluğu 50 ile 300 arasında değiştirildiğinde ilk sıradaki seçenek değişmemiştir. Çerçeve, örneklendirici girdiler altında içsel olarak tutarlı ve varsayımları görünür bir davranış göstermektedir. Bulgular, klinik geçerlilikten ziyade hesaplamalı uygulanabilirliği ortaya koymaktadır; bu nedenle, çok disiplinli kalibrasyon ve ileriye dönük doğrulama gereği önem arz etmektedir.

Anahtar Kelimeler

• Bulanık TOPSIS
• Çok kriterli karar verme
• Diferansiye tiroid kanseri
• Klinik uygulama kılavuzu
• Benzetim

Fuzzy-DATA: A Strength- and Certainty-Calibrated Fuzzy TOPSIS Framework for Decision Support in Differentiated Thyroid Cancer

Öz

Clinical practice guidelines communicate both the direction and strength of recommendations, but these categorical labels do not directly resolve preference-sensitive choices for an individual patient. This study develops an interpretable fuzzy decision framework, Fuzzy-DATA, that incorporates recommendation strength, evidence certainty, patient-level applicability and contextual decision criteria within the 2025 American Thyroid Association management pathway for differentiated thyroid cancer. The framework uses a noncompensatory eligibility layer followed by a strength- and certainty-calibrated fuzzy Technique for Order Preference by Similarity to Ideal Solution (TOPSIS). Recommendation strength, certainty and applicability were represented by triangular fuzzy numbers and seven benefit-form criteria were used. Two synthetic showcases addressed a small low-risk papillary thyroid carcinoma and postoperative radioactive iodine selection for high-risk disease. Evaluation comprised one-way weight sensitivity, model ablation, Recommendation 15 scope-mapping stress tests, executable eligibility-gate tests and 30,000-iteration conditional numerical robustness simulation per showcase. In Showcase 1, active surveillance ranked first (closeness coefficient 0.709; conditional top-rank frequency 99.3%). Under the primary scope-qualified mapping, lobectomy overtook active surveillance near a guideline-concordance weight of 0.680, but this threshold changed under alternative scope mappings; unreliable follow-up excluded active surveillance. In Showcase 2, adjuvant iodine-131 at 100-150 millicuries ranked first (closeness coefficient 0.686; conditional top-rank frequency 92.7%). The leading alternative remained unchanged when the Dirichlet concentration varied from 50 to 300. The framework showed internally coherent and assumption-transparent behaviour under the illustrative inputs. The findings establish computational feasibility rather than clinical validity; multidisciplinary calibration and prospective validation are required.

Anahtar Kelimeler

• Fuzzy TOPSIS
• Multi-criteria decision making
• Differentiated thyroid cancer
• Clinical practice guideline
• Simulation

Kaynakça

1. Alharbi, A., Alosaimi, W., Alyami, H., Alouffi, B., Almulihi, A., Nadeem, M., Sayeed, M. A., & Khan, R. A. (2024). Selection of data analytic techniques by using fuzzy AHP TOPSIS from a healthcare perspective. BMC Medical Informatics and Decision Making, 24(1), 240. https://doi.org/10.1186/s12911-024-02651-8
2. Andrews, J. C., Schünemann, H. J., Oxman, A. D., Pottie, K., Meerpohl, J. J., Coello, P. A., Rind, D., Montori, V. M., Brito, J. P., Norris, S., Elbarbary, M., Post, P., Nasser, M., Shukla, V., Jaeschke, R., Brozek, J., Djulbegovic, B., & Guyatt, G. (2013). GRADE guidelines: 15. Going from evidence to recommendation-determinants of a recommendation's direction and strength. Journal of Clinical Epidemiology, 66(7), 726-735. https://doi.org/10.1016/j.jclinepi.2013.02.003
3. Chen, C. T. (2000). Extensions of the TOPSIS for group decision-making under fuzzy environment. Fuzzy Sets and Systems, 114(1), 1-9. https://doi.org/10.1016/S0165-0114(97)00377-1
4. Guyatt, G., Vandvik, P. O., Iorio, A., Agarwal, A., Yao, L., Eachempati, P., Zeng, L., Chu, D. K., D’Souza, R., Agoritsas, T., Murad, M. H., Schandelmaier, S., Rylance, J., Djulbegovic, B., Montori, V. M., Hultcrantz, M., & Brignardello-Petersen, R. (2025). Core GRADE 7: Principles for moving from evidence to recommendations and decisions. BMJ, 389, e083867. https://doi.org/10.1136/bmj-2024-083867
5. Hwang, C. L., & Yoon, K. (1981). Multiple attribute decision making: Methods and applications: A state-of-the-art survey. Springer. https://doi.org/10.1007/978-3-642-48318-9
6. Palczewski, K., & Sałabun, W. (2019). The fuzzy TOPSIS applications in the last decade. Procedia Computer Science, 159, 2294-2303. https://doi.org/10.1016/j.procs.2019.09.404
7. Ringel, M. D., Sosa, J. A., Baloch, Z., Bischoff, L., Bloom, G., Brent, G. A., Brock, P. L., Chou, R., Flavell, R. R., Goldner, W., Grubbs, E. G., Haymart, M., Larson, S. M., Leung, A. M., Osborne, J. R., Ridge, J. A., Robinson, B., Steward, D. L., Tufano, R. P., & Wirth, L. J. (2025). 2025 American Thyroid Association management guidelines for adult patients with differentiated thyroid cancer. Thyroid, 35(8), 841-985. https://doi.org/10.1177/10507256251363120
8. Salih, M. M., Zaidan, B. B., Zaidan, A. A., & Ahmed, M. A. (2019). Survey on fuzzy TOPSIS state-of-the-art between 2007 and 2017. Computers & Operations Research, 104, 207-227. https://doi.org/10.1016/j.cor.2018.12.019

9. Zadeh, L. A. (1965). Fuzzy sets. Information and Control, 8(3), 338-353. https://doi.org/10.1016/S0019-9958(65)90241-X