Yapay Zekâ Analizi, Uzun COVID Yükünün Hastane Kayıtlarında Görünenden Çok Daha Yüksek Olduğunu Gösterdi

ABD’de 58 hastaneden toplanan elektronik sağlık kayıtlarını inceleyen yeni bir çalışma, uzun COVID’in bugüne kadar kullanılan izleme yöntemleriyle ciddi biçimde eksik sayılmış olabileceğini ortaya koydu. Mass General Brigham araştırmacılarının geliştirdiği yapay zekâ tabanlı algoritma, yaklaşık 460 bin COVID-19 hastasını değerlendirerek her altı hastadan yaklaşık birinde, yani yüzde 16,3’ünde uzun COVID ile uyumlu bulgular saptadı. Bulgular, JAMA Network Open’da yayımlandı ve uzun süredir tartışılan kayıt eksikliklerine ilişkin en kapsamlı uyarılardan birini güçlendirdi.

Çalışmanın işaret ettiği temel mesaj, uzun COVID’in yalnızca bireysel bir klinik sorun değil, aynı zamanda halk sağlığı ölçümünde de önemli bir kör nokta olduğudur. Araştırmacıların hesaplamalarına göre bu oran, ABD genelinde 18 milyondan fazla kişinin uzun COVID ile yaşamış olabileceği anlamına geliyor. Elbette bu sayı doğrudan tanı alan hastaları değil, modelin elektronik kayıtlardan çıkardığı olası olguları temsil ediyor; ancak mevcut sürveyans yöntemlerinin yükü olduğundan düşük gösterdiğine dair güçlü bir kanıt sunuyor.

Uzun COVID, akut SARS-CoV-2 enfeksiyonundan sonra haftalar veya aylar boyunca sürebilen, çok sistemli ve heterojen bir tablo olarak tanımlanıyor. Hastalarda yorgunluk, nefes darlığı, bilişsel yavaşlama, çarpıntı, egzersiz intoleransı, metabolik değişiklikler ve otonom sinir sistemi bozuklukları gibi birbirinden farklı belirtiler görülebiliyor. Bu çeşitlilik, hastalığın tek bir belirteç ya da tek bir tanı kodu ile yakalanmasını zorlaştırıyor. Araştırmacılar da tam bu nedenle, yalnızca idari kodlara dayanan izleme sistemlerinin gerçek prevalansı ciddi ölçüde kaçırabileceğini savunuyor.

Mevcut halk sağlığı izlemede sık kullanılan yöntemlerden biri, post-COVID durumlar için kullanılan ICD U09.9 kodu gibi tanı kodlarını saymak. Ancak çalışmaya göre bu yaklaşım gerçek olguların yüzde 7’sinden azını yakalayabiliyor. Bu durum, hem epidemiyolojik hesaplamaları hem de sağlık hizmeti planlamasını etkiliyor. Bir hastalık yeterince görünür olmadığında, klinik kapasite, rehabilitasyon ihtiyaçları ve uzun dönem izlem için ayrılacak kaynaklar da gerçeğin gerisinde kalabiliyor.

Mass General Brigham ekibi, bu boşluğu kapatmak amacıyla uzunlamasına elektronik sağlık kayıtlarını incelemek için özel bir “kesin fenotipleme” yapay zekâ algoritması geliştirdi. Bu yaklaşım, yalnızca tek bir tanıya değil, zaman içinde gelişen klinik olayların dizisine odaklanıyor. Algoritma, hastalarda önceden var olan hastalıklarla açıklanamayan yeni sendromik örüntüleri arıyor ve böylece uzun COVID ile ilişkili olabilecek belirtileri, eşzamanlı komorbiditelerden ayırmaya çalışıyor. Başka bir deyişle sistem, uzun COVID’i bir dışlama tanısı mantığıyla değerlendirecek şekilde tasarlandı.

Bu yöntem, özellikle çok sayıda hastalığı olan veya enfeksiyon öncesinde de çeşitli sağlık sorunları bulunan bireylerde önem taşıyor. Çünkü idari kayıtlar çoğu zaman karmaşık klinik geçmişi yeterince temsil edemiyor. Yapay zekâ ise zaman serisi verileri, başvuru örüntüleri ve yeni başlayan klinik bulgular arasındaki ilişkileri tarayarak daha hassas bir sınıflandırma sunabiliyor. Araştırmacıların amacı, uzun COVID’i yalnızca kodlara bağlı bir etiket olarak değil, gerçek hasta akışında görülen bir klinik durum olarak yakalamak.

Uzmanlar açısından bu bulguların önemi iki katmanlı. İlk olarak, uzun COVID’in sıklığına dair daha gerçekçi bir tahmin sağlanıyor. İkinci olarak ise sağlık sistemlerinin görünmeyen yükü ölçmek için daha gelişmiş araçlara ihtiyaç duyduğu netleşiyor. Özellikle büyük veri içeren elektronik sağlık kayıtları, doğru analiz edilmedikçe yanıltıcı bir eksiklik hissi yaratabiliyor. Oysa burada kullanılan türde algoritmalar, sürveyansın sınırlarını genişleterek hem klinik araştırma hem de politika geliştirme açısından daha sağlam bir temel oluşturabilir.

Bununla birlikte çalışma, uzun COVID araştırmalarında süren belirsizliğin de altını çiziyor. Yapay zekâ tabanlı fenotipleme, klinik gerçekliği kodlardan daha iyi yansıtabilir; ancak yine de bu tür analizler, gözlemsel veri setlerinin sınırlamalarını tamamen ortadan kaldırmaz. Bulgular, olguların bir bölümünü güçlü biçimde işaret ederken, her bireyde aynı doğrulukla çalışmayabilir. Bu nedenle araştırmanın değeri, kesin bir kapanış cümlesi sunmasından değil, mevcut izleme sistemlerinin ne kadar eksik kaldığını göstermesinden geliyor.

Uzun COVID’in neden bazı kişilerde geliştiği, belirtilerin neden bu kadar farklılaştığı ve ne kadar sürdüğü hâlâ aktif araştırma konusu olmaya devam ediyor. Ancak bu yeni çalışma, ilk adımın doğru saymak olduğunu hatırlatıyor. Hastalığın gerçek yükü yeterince görünür olmadıkça, hem klinik destek hem de toplumsal kaynak planlaması eksik kalabilir. Araştırmacıların 58 hastaneden elde ettiği bu geniş veri tabanı, uzun COVID’in yalnızca bireysel bir sonrası durum değil, sağlık sistemleri için kalıcı bir izleme sorunu olduğunu bir kez daha ortaya koyuyor.