Bu ay yayımlanan bir çalışmada, NEO-READY adı verilen modelin geliştirilmesi ve dış doğrulamasının raporlandığı bildirildi. Modelin amacı, NICU’da izlenen preterm bebeklerin büyük olasılıkla hangi tarihte taburcu edilebileceğini tahmin etmek. Çalışma, preterm bakımın en zor aşamalarından biri olan “yakın, ancak kesin olmayan” taburculuk eşiğine odaklanıyor: Yenidoğanın yoğun monitörizasyon gereksiniminin tıbbi olarak yeterince azalıp azalmadığı an be an değişebildiği için, tahminlerin klinik kararla ne kadar uyumlu olduğu kritik önem taşıyor.

Araştırmacılar, mevcut pratikte taburculuk planlamasının sıklıkla klinisyen deneyimi ve yerel kurum uygulamalarına dayanabildiğini; bunun da bakım kalitesi ve taburculuk zamanlamasında tutarlılık açısından farklı sonuçlara yol açabileceğini vurguluyor. NEO-READY yaklaşımı ise bu değişkenliği azaltmayı hedefleyen bir klinik karar destek aracı olarak konumlanıyor. Model, taburculuk tarihine ilişkin olasılıkçı bir öngörü sunmayı amaçlayarak ailelerin bakım sürecini daha planlı yönetmesine ve sağlık sistemlerinin de kaynak planlamasını daha sağlıklı yapmasına katkı sağlayabilecek bir çerçeve sunuyor.

Çalışmanın önemli bölümü, modelin yalnızca geliştirildiği veri üzerinde değil, dış doğrulama kapsamında da performansının değerlendirilmesi. Dış doğrulama, bir tahmin aracının farklı hasta gruplarında ve farklı koşullarda ne kadar işe yarayabildiğini görmek açısından temel bir adım olarak kabul ediliyor. Çünkü NICU’larda hasta profili, tedavi stratejileri ve izlem pratikleri kurumdan kuruma değişebildiğinde, yalnızca iç veriyle üretilen modellerin genellenebilirliği sorgulanabiliyor. Bu noktada NEO-READY’nin dış doğrulama sonuçları, klinik uygulanabilirliğe ilişkin daha gerçekçi bir görünüm sunmayı hedefliyor.

Modelin odağında taburculuk zamanının tahmini yer alırken, bu tahminlerin dayandığı klinik milestonlar kavramı da önem taşıyor. Preterm bebeklerde taburculuk; her bebekte farklı hızda ilerleyen iyileşme süreçlerine bağlı olduğundan, tek bir belirtiye ya da tek bir ölçüme dayanan yaklaşım sınırlı kalabiliyor. Bu nedenle veri temelli modellerin, farklı klinik alanlardan gelen bilgileri bir araya getirerek zamanla değişen stabiliteyi daha iyi yakalaması bekleniyor. Ancak çalışmanın kapsamı, modelin hangi değişkenleri kullandığı ve hangi performans metrikleriyle değerlendirildiği gibi ayrıntılar olmadan, sonuçların mutlak kesinlik sağladığı varsayımı yapılmaması gerekiyor; tıbbi kararların yerini alacak bir araç olarak değil, karar sürecini destekleyen bir bileşen olarak değerlendirilmesi daha doğru olacaktır.

Araştırma, hastanede kalış süresi gibi günlük klinik işleyişi doğrudan etkileyen bir değişkeni daha öngörülebilir hale getirmeyi hedefliyor. Çocuk hastalarda yatış süresinin doğru tahmin edilememesi, kimi zaman gereğinden uzun hastanede kalışa, kimi zamansa erken taburculuğa yol açabiliyor. Her iki senaryo da klinik açıdan risk taşıyor; biri kaynak kullanımını zorlaştırırken diğeri izlem gereksinimi tam karşılanmadan hastanın taburcu edilmesi anlamına gelebiliyor. Yeni çalışma, bu boşluğu veri odaklı bir yaklaşımla azaltmayı amaçlıyor.

Çalışmanın temelinde, makine öğrenmesi algoritmalarının çok boyutlu klinik veriler içinde gizli örüntüleri öğrenebileceği varsayımı yer alıyor. Araştırmacılar, çocuk kardiyoloji hastalarına ait yapılandırılmış ve yapılandırılmamış verileri birlikte değerlendirdi. Bu veri havuzunda demografik bilgiler, tanısal görüntüleme raporları, biyokimyasal belirteçler ve elektronik sağlık kayıtları gibi farklı kaynaklar yer aldı. Klinik pratikte tek başına anlamlı görünmeyen bu değişkenlerin birlikte işlenmesi, modelin hastanın klinik seyrine ilişkin daha bütüncül bir çerçeve kurmasına olanak sağladı.

Veri hazırlama aşaması, çalışmanın en kritik bileşenlerinden biri olarak öne çıktı. Farklı kaynaklardan gelen kayıtların kullanılabilir hale getirilmesi için gürültünün azaltılması, eksik değerlerin tamamlanması ve verilerin normalize edilmesi gibi standartlaştırma adımları uygulandı. Özellikle tıbbi verilerde sık görülen eksik veya düzensiz kayıtlar, makine öğrenmesi modellerinin performansını ciddi biçimde etkileyebildiğinden, bu tür ön işleme süreçleri güvenilir sonuçlar için temel kabul ediliyor. Araştırmada, bu adımların ardından elde edilen birleşik veri seti ileri düzey modellerin eğitimine uygun hale getirildi.

Çalışmanın dikkat çekici yönlerinden biri de yalnızca tahmin yapmakla sınırlı kalmaması. Geliştirilen çerçeve, benzer hasta profillerini geri getirebilen bir hasta benzerliği arama işlevi de içeriyor. Bu özellik, özellikle karmaşık vakalarda klinisyenlerin daha önce benzer tablo göstermiş hastaların seyrini inceleyerek karar desteği almasını mümkün kılabilir. Çocuk kardiyolojisinde aynı tanıya sahip iki hastanın bile tamamen farklı klinik süreçler yaşayabildiği düşünüldüğünde, benzerlik temelli erişim aracı tedavi planlamasını daha kişiselleştirilmiş bir zemine taşıyabilir.