Surveillance, Epidemiology, and End Results yani SEER veritabanı, ABD nüfusunun yaklaşık yarısını kapsayan 22 coğrafi bölgeden toplanan demografik, klinik ve sağkalım bilgileriyle popülasyon temelli kanser çalışmalarının temel taşlarından biri olarak görülüyor. Ancak Minnesota Üniversitesi ve Moffitt Cancer Center araştırmacılarının yürüttüğü analiz, bu güçlü görünen altyapının önemli bir kör noktası olabileceğini ortaya koydu. Araştırmacılar, kaydı eksik olan hastaların yalnızca istatistiksel olarak dışarıda kalmadığını; aynı zamanda daha kötü klinik sonuçlara sahip olma eğiliminde olduğunu saptadı. Bu da veri setinde, gerçekte var olana kıyasla daha olumlu bir tablo oluşmasına yol açabiliyor.

Çalışmanın özellikle dikkat çekici yönü, eksik verinin rastgele dağılmaması. Araştırmacılara göre, eksik kayıtlara sahip hastalar daha sık olarak Commission on Cancer (CoC) akreditasyonu olmayan merkezlerde tedavi görüyor. Bunlar arasında topluluk hastaneleri, kırsal merkezler ve safety-net hastaneleri yer alıyor. Bu tür kurumlar, çoğu zaman daha kırılgan hasta gruplarına hizmet veriyor. Dolayısıyla veri boşlukları yalnızca teknik bir kayıt sorunu değil; aynı zamanda sağlık eşitsizliklerinin bilimsel ölçüme nasıl sızdığını gösteren önemli bir işaret olarak değerlendiriliyor.

Çalışma kapsamında 2018 ile 2020 yılları arasında tanı almış 328 binden fazla hasta incelendi. Araştırmacılar dört kanser türüne odaklandı: meme kanseri, pankreas kanseri, kolon kanseri ve küçük hücreli dışı akciğer kanseri. Bu kanserler, hem yaygın görülmeleri hem de prognoz farklılıkları nedeniyle veri kalitesinin sağkalım analizleri üzerindeki etkisini değerlendirmek için anlamlı bir karşılaştırma zemini sundu. Analiz, eksik kayıtların yalnızca belirli bir kanser türüne özgü olmadığını, aksine farklı tümör gruplarında da sorun yarattığını gösterdi.

Bilim insanları açısından risk, veri kaybının örneklem büyüklüğünü küçültmesinden ibaret değil. Daha kritik sorun, eksik bilgilerin sistematik bir önyargı yaratması. Eğer daha ağır hastalık yüküne sahip, tedaviye erişimi sınırlı veya daha kötü sonuçlar yaşayan hastalar kayıt dışı kalıyorsa, SEER tabanlı çalışmalar gerçek dünyadaki ölüm ve sağkalım eğilimlerini eksik yansıtabilir. Bu durum, kanser araştırmalarında kullanılan modellemeleri, epidemiyolojik eğilimleri ve hatta sağlık politikası planlamalarını etkileyebilir.

Çalışmanın vurguladığı bir diğer nokta, akredite merkezlerdeki kayıt kalitesi ile sonuçların birbirinden ayrılmaz biçimde bağlantılı olabilmesi. CoC akreditasyonuna sahip merkezlerde veri toplama ve raporlama süreçlerinin daha düzenli işlemesi, doğal olarak kaydın tamlığını artırabiliyor. Buna karşılık akreditasyon dışı kurumlarda tedavi gören hastalar, bilimsel veri tabanlarında daha kolay “görünmez” hale gelebiliyor. Araştırmacılar bu nedenle, veri eksikliği ile bakım ortamı arasındaki ilişkiyi göz ardı eden analizlerin, kansere ilişkin ulusal tabloyu yanlış temsil edebileceği uyarısında bulunuyor.

npj Parkinson’s Disease dergisinde yayımlanan ve Zheng ile Liu’nun kaleme aldığı eleştirel değerlendirme, tam da bu noktaya odaklanıyor. Yazarlar, cihaz destekli tedavilerin sonuçlarını inceleyen retrospektif kayıt analizlerinin, veri bütünlüğü ve takip kaybı gibi konular nedeniyle dikkatle yorumlanması gerektiğini vurguluyor. Çalışmanın mesajı, bu tedavilerin değerini küçümsemek değil; aksine, gerçek etkilerinin bilimsel olarak güvenilir biçimde anlaşılabilmesi için kullanılan yöntemlerin daha titiz olması gerektiğini hatırlatmak.

Değerlendirmede öne çıkan temel sorunlardan biri, hastaların analize alınabilmesi için hem başlangıçta hem de 12 aylık kontrolde PDQ-39 verilerinin eksiksiz olması şartı. PDQ-39, Parkinson hastalarının yaşam kalitesini çeşitli boyutlarda ölçen ve klinik araştırmalarda yaygın kullanılan doğrulanmış bir hasta bildirim ölçeği. Günlük işlevsellikteki değişiklikleri, sosyal katılımı ve hastalığın yaşam kalitesi üzerindeki etkisini anlamak için önemli bilgiler sunuyor. Ancak bir hastanın hem başlangıç hem de takip verisinin tam olması zorunluluğu, analiz örnekleminde sistematik bir daralmaya yol açabiliyor.

Zheng ve Liu’nun işaret ettiği gibi, takibi eksik kalan hastalar rastgele kaybolmuş bir grup olmayabilir. Kayıp veriler, tedaviden yeterli fayda göremeyenleri, yan etkiler nedeniyle izlemi bırakmış olanları ya da sosyal ve lojistik nedenlerle merkeze geri dönemeyen bireyleri daha fazla temsil edebilir. Bu durum, sonuçların gerçekte olduğundan daha olumlu görünmesine neden olabilecek bir attrition bias, yani takip kaybına bağlı yanlılık yaratır. Başka bir deyişle, analizde yalnızca veri seti tamam olan hastaların yer alması, cihaz destekli tedavilerin başarısını olduğundan yüksek gösterebilir.

Bu yöntemsel sorun, Parkinson araştırmalarında özellikle önem taşıyor; çünkü hastalık uzun süreli izlem gerektiriyor ve hastaların klinik seyri zaman içinde büyük değişkenlik gösterebiliyor. Motor semptomların yanı sıra yorgunluk, bilişsel etkilenme, psikiyatrik belirtiler ve yaşam koşullarındaki değişiklikler de takip verilerini etkileyebiliyor. Bu nedenle araştırmacıların yalnızca sonuç puanlarına değil, verinin nasıl toplandığına, kimlerin çalışmadan çıktığına ve eksik verinin hangi nedenlerle oluştuğuna da bakması gerekiyor.

Eleştirinin bir diğer önemli yönü, retrospektif kayıtların doğasıyla ilgili. Hasta kayıtları ve merkez veritabanları, gerçek dünya pratiğini yansıtmaları açısından çok değerli; çünkü kontrollü çalışmalarda görülmeyen geniş bir hasta çeşitliliğini kapsayabiliyorlar. Öte yandan bu tür kaynaklar, başlangıçta araştırma amacıyla tasarlanmadıkları için ölçüm zamanları, veri standardizasyonu ve eksik kayıtların yönetimi bakımından sınırlılıklar taşıyor. Bir tedavinin etkisini doğru değerlendirmek için yalnızca çok sayıda hasta değil, aynı zamanda tutarlı ve eksiksiz bir veri yapısı gerekiyor.

PDQ-39 gibi yaşam kalitesi ölçütlerinin kullanılması da bu tartışmanın merkezinde yer alıyor. Çünkü cihaz destekli tedavilerin başarısı sadece klinik muayene bulgularıyla değil, hastanın günlük yaşamda hissettiği değişimlerle de ilgili. Bununla birlikte, tek bir ölçeğe dayanmak yerine, motor durum, ilaç ihtiyacı, komplikasyonlar ve hasta bildirimli sonuçların birlikte değerlendirilmesi daha dengeli bir tablo sunabilir. Yine de böyle çok boyutlu analizlerde bile, verinin eksiksizliği temel koşul olmaya devam ediyor.

Zheng ve Liu’nun değerlendirmesi, Parkinson alanında giderek büyüyen gerçek dünya veri kullanımının hangi prensiplere dayanması gerektiğini de hatırlatıyor. Araştırmacılar, eksik takip verisini nasıl ele aldıklarını açıkça belirtmeli, kayıp hastaların özelliklerini mümkün olduğunca tanımlamalı ve sonuçların bu kayıplardan nasıl etkilenebileceğini tartışmalı. Böylece okuyucular, cihaz destekli tedavilerin etkisine ilişkin bulguları daha temkinli ve yerinde yorumlayabilir.

Bu yaklaşım, yalnızca metodolojik bir ayrıntı değil; klinik karar verme açısından da kritik. Parkinson hastaları ve hekimleri için cihaz destekli seçenekler çoğu zaman ileri evre semptom yönetiminde önemli bir basamak oluşturuyor. Dolayısıyla bu tedavilere ilişkin kanıtların güvenilirliği, gerçek yararın doğru ölçülmesine bağlı. Veri eksikliğinin ve takip kaybının etkisi yeterince hesaba katılmadığında, kararlar hatalı iyimserliğe dayanabilir.

Sonuç olarak söz konusu eleştirel inceleme, cihaz destekli Parkinson tedavilerinin etkisini anlamada yalnızca sonuçlara değil, sonuçlara nasıl ulaşıldığına da odaklanılması gerektiğini gösteriyor. Kayıt tabanlı araştırmalar, doğru tasarım ve şeffaf analizle güçlü kanıtlar üretebilir; ancak eksik veri ve seçilim yanlılığı göz ardı edildiğinde bu güç zayıflayabilir. Parkinson araştırmalarında bir sonraki adım, daha fazla veri toplamak kadar, toplanan veriyi daha dikkatli ve daha dürüst biçimde yorumlamak olacak gibi görünüyor.

Araştırmanın işaret ettiği temel sorun, gerçek dünyadaki sağlık kayıtlarının çoğu zaman kusursuz olmaması. Hastalar farklı kurumlarda tedavi gördüğünde kayıtlar bölünebiliyor, bazı bilgiler sistemler arasında taşınmayabiliyor ya da gizlilik kısıtlamaları nedeniyle tam bir hasta geçmişine erişilemiyor. Bu tür “episodik” ya da eksik kayıtlar, insan klinisyenler için bile zorluk yaratırken, veriden öğrenen yapay zekâ modelleri için daha da ciddi bir risk oluşturuyor. Çünkü model, yalnızca önüne konan bilgiyi kullanabiliyor; eksik veri ise modelin belirli hasta gruplarını yanlış okumasına, riskleri olduğundan düşük ya da yüksek değerlendirmesine yol açabiliyor.

Bu bağlamda araştırmacıların “forgetfulness” olarak tanımladığı durum, yapay zekânın bir hastanın geçmişini tam olarak birleştirememesi anlamına geliyor. Sorun yalnızca teknik bir eksiklik değil; klinik sonuçları olan bir adalet meselesi. Eksik veriye dayalı modeller, sağlık hizmetine daha düzensiz erişimi olan, sık yer değiştiren ya da kayıtları parçalı kalan topluluklarda daha fazla hata yapabiliyor. Böylece algoritmanın performansı ortalama olarak yüksek görünse bile, bazı alt gruplar için ciddi biçimde düşebiliyor. Uzmanların uzun süredir uyardığı gibi, tıbbi yapay zekâ sistemleri veri dağılımındaki eşitsizlikleri yeniden üretebilir, hatta büyütebilir.

Çalışmanın önemi tam da burada ortaya çıkıyor. Chen ve ekibi, yapay zekâ modellerinin eksik tıbbi geçmiş karşısında daha dayanıklı hale getirilmesi için bir yöntem geliştiriyor. Araştırmanın ayrıntıları henüz tam olarak kamuya açılmamış olsa da, çalışmanın ana hedefi açık: eksik kayıtlar nedeniyle oluşan algoritmik adaletsizliği azaltmak. Bu, yalnızca teknik performansı iyileştirmekten ibaret değil; aynı zamanda karar destek sistemlerinin farklı hasta grupları için daha eşit davranmasını sağlamak anlamına geliyor. Klinik yapay zekâda adalet, bir modelin ortalama doğruluğundan çok, farklı popülasyonlar arasında ne kadar tutarlı çalıştığıyla ölçülüyor.

Sağlık hizmetlerinde yapay zekânın yükselişi, bu tür sorunları daha görünür hale getiriyor. Çünkü hastaneler ve araştırma merkezleri, yoğun bakım triyajından görüntüleme analizine, yeniden yatış riskinin hesaplanmasından hastalık prognozuna kadar pek çok alanda algoritmalara güvenmeye başlıyor. Ancak modelin eğitildiği veriler belirli grupları yeterince temsil etmiyorsa ya da kayıt yapısı tutarsızsa, sonuçlar sistematik biçimde şaşabiliyor. Eksik kayıtlar, özellikle kronik hastalıklar, göçmen sağlık hizmetleri, farklı kurumlara dağılmış bakım geçmişi ve sosyoekonomik erişim sorunları olan popülasyonlarda daha belirgin hale geliyor. Bu nedenle kayıt eksikliği, sadece veri kalitesi değil, aynı zamanda sağlık eşitsizliklerinin dijital bir yansıması olarak görülüyor.

Bilim insanları son yıllarda klinik yapay zekâda açıklanabilirlik, önyargı denetimi ve dış doğrulama gibi konulara odaklanmış olsa da, eksik veri problemi çoğu zaman arka planda kalmıştı. Oysa gerçek hayatta bir hastanın tam elektronik sağlık kaydına sahip olması istisna olabilir. Bu nedenle, gerçek dünyaya uyarlanacak bir modelin kusursuz veri varsayımıyla tasarlanması güvenli kabul edilmiyor. Yeni çalışma, tam da bu noktada önemli bir boşluğu dolduruyor: Modelin, eksik geçmişi yalnızca tolere etmesi değil, bu eksikliğin farklı gruplar üzerindeki etkisini de daha dengeli yönetmesi gerekiyor.

Araştırmanın sonuçları, sağlıkta yapay zekâ geliştiren ekipler için daha geniş bir mesaj taşıyor. Veri temizliği ya da veri miktarı tek başına yeterli değil; verinin nasıl eksildiği, hangi grupların bu eksiklikten daha fazla etkilendiği ve modelin bu boşluklara nasıl tepki verdiği de en az bunlar kadar önemli. Klinik karar destek sistemlerinin güvenilirliği, yalnızca laboratuvar ortamında değil, dağınık ve gerçek dünya sağlık kayıtlarıyla da test edilmeli. Aksi halde algoritmalar, görünürde nesnel olsa bile, pratikte eşitsiz sonuçlar üretmeye devam edebilir.

Chen ve ekibinin çalışması bu nedenle yalnızca bir teknik iyileştirme olarak değil, daha adil bir dijital sağlık altyapısına doğru atılmış anlamlı bir adım olarak değerlendiriliyor. Sağlık sistemleri giderek daha fazla yapay zekâya yaslanırken, eksik verinin nasıl işlendiği sorusu merkezde kalmaya devam edecek. Bu yeni yaklaşım, klinik yapay zekânın geleceğinde güven kadar adaletin de temel ölçütlerden biri olması gerektiğini hatırlatıyor. Eğer modeller hastaların tam hikâyesini göremiyorsa, en gelişmiş sistemler bile yanlış yönlere sapabilir; bu nedenle veri eksikliğini azaltmak kadar, eksikliğin etkisini adil biçimde yönetmek de artık öncelikli bir araştırma konusu haline geliyor.