Yapay Zekâ, Ani Kalp Durması Riskini Hasta Verilerinden Okumaya Başladı

Kalp hastalıklarında en zor başlıklardan biri, ani kardiyak arrestin önceden güvenilir biçimde öngörülememesi oldu. Çoğu zaman belirti vermeden ortaya çıkan ve hastayı dakikalar içinde hayati bir duruma sürükleyebilen bu tablo, yalnızca ABD’de yılda 400 binden fazla can kaybıyla ilişkilendiriliyor. Washington Üniversitesi Tıp Fakültesi’nde Dr. Neal Chatterjee ve ekibinin yürüttüğü yeni çalışma, bu belirsiz alanda dikkat çekici bir adım atıldığını gösteriyor: Araştırmacılar, elektronik sağlık kayıtları ve 12 derivasyonlu elektrokardiyogramlardan yararlanan yapay zekâ modelleriyle, ani kardiyak arrest riski yüksek bireyleri belirlemeye yönelik bir sistem geliştirdi.

JACC: Advances dergisinde yayımlanan çalışma, yalnızca teknik bir model denemesinden ibaret değil; klinikte uzun süredir hissedilen bir boşluğa yanıt arıyor. Ani kardiyak arrest, koroner arter hastalığı ya da yapısal kalp hastalığı olan kişilerde daha sık görülse de, bazı hastalarda önceden bilinen bir kalp hastalığı olmaksızın da gelişebiliyor. Bu nedenle yalnızca geleneksel risk faktörlerine bakarak kimin gerçekten yüksek riskte olduğunu belirlemek çoğu zaman yetersiz kalıyor. Araştırmacıların hedefi de tam olarak bu noktaydı: daha geniş veri yelpazesini kullanarak sessiz risk sinyallerini yakalamak.

Çalışmada yaklaşık 1,7 milyon hastaya ait kayıtlar incelendi. Verilerin kaynağı, ABD’de büyük bir entegre sağlık sistemi içinde biriken elektronik sağlık kayıtları ve aynı sistemde elde edilen EKG ölçümleriydi. Bu kapsamlı veri seti, makine öğrenmesi tabanlı üç ayrı modelin eğitilmesinde kullanıldı. Modellerden biri yalnızca EKG dalga biçimlerinden beslenirken, ikincisi 150’den fazla klinik değişken içeren yapılandırılmış elektronik sağlık kaydı verilerini kullandı. Üçüncü ve en dikkat çekici model ise bu iki veri türünü birleştirerek hibrit bir yaklaşım sundu.

Yapay zekâ modellerinin geliştirilmesinde kullanılan yöntem, sonuçların tek bir hasta grubuna özgü bir tesadüf olmasını engellemek için üç ayrı kohorta bölünmüş bir düzen üzerine kuruldu. Bu tür aşamalı tasarımlar, modelin eğitim verisinde başarılı görünse bile farklı hasta gruplarında performans kaybetmesini önlemek açısından önem taşıyor. Kardiyoloji alanında yapay zekâ uygulamaları son yıllarda hızla artsa da, gerçek klinik kullanıma geçebilmek için modelin yalnızca etkileyici görünmesi değil, farklı veri kümelerinde de tutarlı çalışması gerekiyor.

EKG tabanlı analizler, kalbin elektriksel aktivitesindeki gözle görülemeyen örüntüleri yakalamaya odaklanıyor. Bu yaklaşımın gücü, bazen standart yorumlamada kaçabilecek ince sinyalleri ortaya çıkarabilmesinden geliyor. Öte yandan elektronik sağlık kayıtları; yaş, eşlik eden hastalıklar, laboratuvar bulguları, geçmiş tanılar ve klinik izlem gibi çok sayıda değişkeni bir arada sunuyor. Araştırmacıların hibrit modeli seçmesinin nedeni de bu: Kalbin anlık elektriksel davranışı ile hastanın uzun dönem klinik öyküsünü birlikte değerlendirmek, tek başına her iki veri türünden daha zengin bir risk profili oluşturabilir.

Bu tür çalışmaların tıpta neden bu kadar yakından izlendiği, ani kardiyak arrestin doğasında saklı. Olay, çoğu zaman beklenmedik biçimde geliştiği için erken uyarı penceresi çok dar olabiliyor. Mevcut klinik değerlendirme yöntemleri, yüksek riskli hastaları belirlemede önemli olsa da mükemmel değil. Bu nedenle yapay zekâ destekli sistemler, özellikle tarama, gözetim ve karar destek süreçlerinde yeni bir katman sağlayabilir. Ancak araştırmacılar ve klinisyenler açısından önemli nokta şu: Bu modeller, henüz tek başına tanı koyan ya da tedavi başlatan araçlar değil; doğrulanmaları, dış merkezlerde test edilmeleri ve pratik kullanım koşullarında değerlendirilmeliler.

Çalışmanın bilimsel değeri, yalnızca veri hacminde değil, veri türlerinin bir araya getirilme biçiminde de yatıyor. Geleneksel klinik risk skorlama sistemleri çoğu zaman sınırlı sayıda parametreye dayanır. Oysa makine öğrenmesi, karmaşık ve doğrusal olmayan ilişkileri saptama potansiyeline sahip. Bu da teorik olarak, örüntüleri insan gözünün ayırt etmesinin zor olduğu durumlarda avantaj sağlayabilir. Yine de sağlık alanındaki her yapay zekâ uygulamasında olduğu gibi, yorumlanabilirlik ve güvenilirlik soruları önemini koruyor. Bir modelin bir hastayı yüksek riskli olarak sınıflandırması, hekim kararının yerine geçmekten çok onu destekleyen bir sinyal olarak görülmeli.

Uzmanlar için bir diğer kritik başlık, bu tür sistemlerin sağlık hizmetlerinde nasıl konumlandırılacağı. Eğer gelecekte bu modeller doğrulanırsa, acil değerlendirme, ileri kardiyak inceleme ya da yakın izlem gerektirebilecek hastaları daha erken belirlemek mümkün olabilir. Böyle bir kullanım, ani kardiyak arrestin tamamen önlenmesini garanti etmese de kaynakların daha hedefli kullanılmasına yardımcı olabilir. Özellikle yoğun hasta yükü altında çalışan sistemlerde, doğru hasta grubuna odaklanmak klinik verimlilik açısından büyük önem taşıyor.

Yine de araştırma, erken aşama bir bilimsel gelişme olarak okunmalı. Modelin gerçek dünya performansı; farklı yaş grupları, farklı etnik topluluklar, değişen sağlık sistemi yapıları ve eksik veri koşullarında ayrıca sınanmak zorunda. Ayrıca elektronik sağlık kayıtları, bakım süreçlerindeki farklılıklar ve veri standardizasyonu sorunları nedeniyle her merkezde aynı kalitede olmayabilir. Bu nedenle bir modelin başarılı olması, onu doğrudan klinik rutine taşımaya yetmiyor. Ancak bu çalışma, kardiyoloji ve yapay zekânın kesişiminde ani kardiyak arrest gibi ölümcül bir sonucun öngörülmesine yönelik ilk somut ve umut verici adımlardan biri olarak öne çıkıyor.

Sonuç olarak, Washington Üniversitesi ekibinin geliştirdiği modeller, kalp sağlığında veri odaklı dönemin giderek güçlendiğini gösteriyor. Elektronik sağlık kayıtları ile EKG’yi birleştiren bu yaklaşım, gelecekte riskli hastaları daha erken tanımlamaya yardımcı olabilir. Kesin klinik yarar için daha fazla doğrulamaya ihtiyaç duyulsa da çalışma, ani kardiyak arrest gibi öngörülmesi güç bir tabloyu yapay zekâ ile görünür kılma yönünde önemli bir eşiğin aşıldığını düşündürüyor.