GLP-1 reseptör agonistlerinin geniş hasta popülasyonlarında kullanılması, çok nadir görülebilecek nörolojik veya psikiyatrik etkilerin bile halk sağlığı açısından önem taşıyabileceği anlamına geliyor. Ancak klinik deneyler kontrollü koşullarda yürütüldüğünden, gerçek yaşamda daha farklı komorbiditeler, eşzamanlı ilaç kullanımları ve raporlama davranışları görülebiliyor. Bu nedenle araştırmacılar, klinik araştırma tasarımından farklı olarak farmakovijilans yaklaşımını tercih etti; yani bir “etkinlik” ya da “neden-sonuç” gösterme iddiası yerine, gerçek dünya bildirimlerinin içinde ortaya çıkan sinyalleri sayısallaştırmayı hedefledi.

Analizde, DSÖ’nün küresel bireysel vaka güvenlik raporları olan VigiBase kullanıldı. VigiBase kayıtları, pazarlama sonrası dönemde sağlık profesyonelleri ve bazen de diğer raporlama kanalları aracılığıyla iletilen advers olay bildirimlerini kapsıyor. Bu veriler, ülkeler arası raporlama düzeyi, olayların ne kadar fark edildiği, terimlerin hangi klinik çerçevede kodlandığı ve bildirimin gönüllülük esasına dayanıp dayanmadığı gibi etkenler nedeniyle zaman içinde değişkenlik gösterebiliyor. Çalışmanın yaklaşımı da bu sınırlılıkları göz önünde bulunduracak şekilde, bulguların bir hipotez üretme niteliğinde olduğunu vurguluyor.

Araştırmacılar, farklı GLP-1 reseptör agonistlerine ait raporlar içinde nöropsikiyatrik kategorilere giren şikâyetlerin görülme desenlerini inceleyerek, hangi ilaçlarla ilişkili bildirimlerde sinyalin daha belirgin görünebileceğini araştırdı. İnceleme kapsamında ruhsal durum bozuklukları, anksiyete ve konfüzyon gibi semptomların yanı sıra, psikiyatrik sunumlarla uyumlu diğer advers olay işaretleri de değerlendirildi. Bu yaklaşım, klinik olarak tanımlanmış belirli bir sendromun tek başına kanıtlandığı anlamına gelmiyor; daha ziyade, raporlamada dikkat çekici bir kümelenme olup olmadığına odaklanıyor.

Post-marketing farmakovijilans analizlerinin temel gücü, pazarlama sonrası geniş kullanım koşullarında ortaya çıkan nadir veya gecikmiş olası yan etkileri yakalama potansiyelidir. Bununla birlikte, yalnızca rapor sayısı ve raporlanma örüntülerini temel alan çalışmalar; ilacın gerçekten nedensel olup olmadığına dair kesinlik sunmaz. Örneğin, belirli belirtiler hastalar veya hekimler tarafından daha kolay fark edilip bildiriliyor olabilir ya da belirli dönemlerde raporlama yoğunluğu artabilir. Ayrıca eşlik eden hastalıklar, metabolik dalgalanmalar ve diğer ilaçların birlikte kullanımı da klinik tabloyu etkileyebilir.

Çalışmanın bulguları, GLP-1 temelli tedavilerle nöropsikiyatrik şikâyetler arasında olası bir ilişki sinyaline işaret ederken, bunun klinik uygulamada hemen “beklenen bir sonuç” gibi yorumlanmaması gerektiğini de gösteriyor. Araştırmacılar, VigiBase verilerinin gerçek dünya verisi niteliğini koruduğunu ve raporlamadaki sapmalar ile eksik bildirim risklerinin bulunduğunu belirterek, sonuçların yeni güvenlik araştırmaları için başlangıç noktası oluşturabileceğini ifade ediyor. Bu tür analizler, daha sonra farmakovijilansın ileri aşamalarında, daha kontrollü yöntemlerle veya uygun karşılaştırma gruplarıyla değerlendirme ihtiyacını gündeme getirir.

Özetle, DSÖ VigiBase verilerinden yola çıkan bu post-marketing inceleme, GLP-1 ilaçlarıyla ilişkili raporlarda nöropsikiyatrik advers olaylara dair sinyallerin nicel olarak incelenebileceğini ortaya koyuyor. Bulgular, nedeni aydınlatan bir klinik çalışma niteliğinde olmasa da, sağlık profesyonelleri ve araştırmacılar için, bu terapi alanında güvenlik izleminde psikiyatrik ve nörolojik belirtilerin daha sistematik biçimde ele alınmasına yönelik ek soru işaretleri yaratıyor.

Mevcut sorunun temelinde, gebelerin klinik araştırmalarda uzun yıllar boyunca yeterince temsil edilmemesi yatıyor. Tarihsel olarak, ABD Gıda ve İlaç Dairesi’nin 1977’de yayımladığı rehberler erken dönem çalışmalarda hamile kadınların ve hamile kalma potansiyeli olan kişilerin dışlanmasını teşvik etmişti. Amaç fetüsü korumaktı; fakat bu koruyucu yaklaşım zaman içinde ters etki yaratarak, gebelikte ilaç güvenliğine ilişkin kapsamlı veri üretimini yavaşlattı. Bugün bile son on yıldaki klinik araştırmaların yüzde 4’ünden azının hamile katılımcı kaydetmiş olması, bu yapısal boşluğun ne kadar derin olduğunu gösteriyor.

Bu eksiklik yalnızca akademik bir sorun değil. Gebelikte kullanılan ilaçların güvenlik ve etkinlik profili yeterince bilinmediğinde, klinisyenler çoğu zaman doğrudan kanıta değil, dolaylı çıkarımlara veya sınırlı gözlemsel verilere dayanmak zorunda kalıyor. Bu durum hem annede tedavinin yetersiz kalması riskini hem de fetüs açısından istenmeyen sonuçların gözden kaçma olasılığını artırıyor. Dolayısıyla mesele, yalnızca ilaçların yan etkilerini izlemekten ibaret değil; aynı zamanda maternal sağlıkta eşitlik ve kanıta dayalı karar verme kapasitesiyle de ilgili.

Burada devreye, elektronik sağlık kayıtları, sigorta talepleri ve sağlık kayıt sistemleri gibi büyük veri kaynaklarını tarayabilen makine öğrenmesi giriyor. Yapay zekânın bu alt alanı, klasik istatistiksel yöntemlerin zorlandığı karmaşık örüntüleri tanıyabiliyor ve çok sayıda değişkeni aynı anda değerlendirebiliyor. Gebelikte ilaç maruziyeti ile doğum sonuçları, komplikasyonlar ya da bebek gelişimi arasındaki ilişkiler; yaş, eşlik eden hastalıklar, reçete geçmişi ve bakım süreci gibi çok sayıda etkenle iç içe geçtiği için, bu tür veri işleme araçları özellikle değerli görülüyor.

Makine öğrenmesinin öne çıkan yönü, tek tek vakalardan ziyade geniş popülasyonlar içinde örüntü arayabilmesi. Bu sayede, belirli bir ilaca maruz kalan gebelerde hangi sonuçların daha sık görüldüğü, hangi hasta alt gruplarında riskin farklılaştığı ya da hangi kombinasyonların daha dikkatle izlenmesi gerektiği daha iyi analiz edilebiliyor. Bu yaklaşım, küçük örneklemli çalışmalarda görünmeyen sinyalleri yakalama potansiyeli taşıyor. Bununla birlikte uzmanlar, bu yöntemlerin henüz geleneksel klinik araştırmaların yerini almadığını; daha çok onlara tamamlayıcı bir araç olarak değerlendirilmesi gerektiğini vurguluyor.

Bu çerçevede temel amaç, gebelerde ilaç güvenliği konusunda daha sağlam bir farmakovijilans zemini oluşturmak. Farmakovijilans, ilaçların gerçek yaşam koşullarındaki etkilerini izleyerek güvenlik sinyallerini belirlemeyi hedefleyen bir alan olarak, hamilelik gibi hassas dönemlerde ayrı bir önem kazanıyor. Makine öğrenmesi; elektronik sağlık kayıtları, idari veri tabanları ve gebelik kayıtları üzerinden, olası güvenlik işaretlerini daha erken fark etmeye yardımcı olabilir. Ancak bu verilerin kalitesi, eksiksizliği ve yorumlanma biçimi sonuçların güvenilirliğini doğrudan etkiliyor.

Bilim insanları için bir diğer kritik nokta da algoritmaların nasıl eğitildiği. Gebe popülasyonlar genellikle veri setlerinde az temsil edildiği için, modellerin bu gruba özgü ayrımcı örüntüler üretme riski bulunuyor. Bu nedenle geliştirilen sistemlerin dikkatli doğrulama süreçlerinden geçirilmesi, sonuçların klinik bağlam içinde değerlendirilmesi ve olası yanlılıkların açıkça ortaya konması gerekiyor. Başka bir deyişle, yapay zekâ yalnızca daha fazla veri işlemenin aracı değil; aynı zamanda doğru tasarlanmadığında mevcut eşitsizlikleri yeniden üretebilecek bir teknoloji.

Yine de alandaki ilgi boşuna değil. Hamilelikte ilaç kullanımına dair kararlar çoğu zaman zaman baskısı altında veriliyor ve daha iyi öngörü sistemleri, hekimlerin risk-fayda değerlendirmesini güçlendirebilir. Özellikle kronik hastalığı olan veya gebelik sırasında yeni tedavi gereksinimi gelişen hastalarda, daha kapsayıcı veri analizi klinik kararı destekleyen önemli bir katman sağlayabilir. Bu da hem gereksiz tedavi çekincesinin önüne geçme hem de gerçekten riskli maruziyetleri daha erken saptama açısından önem taşıyor.

Uzmanlara göre asıl hedef, hamile kadınların klinik araştırmalardan tamamen dışlanmadığı; etik güvencelerle birlikte daha dengeli temsil edildiği bir araştırma sistemi kurmak. Makine öğrenmesi bu geçiş sürecinde güçlü bir yardımcı olabilir, ancak tek başına çözüm sunmuyor. Daha iyi veri, daha iyi tasarlanmış çalışmalar ve gebelikte ilaç kullanımını merkeze alan daha kapsayıcı araştırma politikaları olmadan kalıcı ilerleme sağlamak zor görünüyor.

Yine de mevcut tablo, tıp ve yapay zekânın kesişiminde önemli bir fırsata işaret ediyor. Gebelikte ilaç güvenliği konusunda yıllardır süren bilgi açığı, doğru kullanıldığında makine öğrenmesi sayesinde daha görünür hale gelebilir. Bu da klinik uygulamada daha bilinçli kararlar, araştırmada daha güçlü kanıtlar ve sonunda anne ile bebek için daha güvenli bir tedavi ortamı anlamına gelebilir.