Nefes darlığının nedenlerini ulusal bir elektronik tıbbi kayıtlar (EMR) veritabanı kullanarak tanımlayan Bayes ağacı

Nefes darlığının nedenini bulmanın önemi

Nefes almakta zorlanmak, aniden ortaya çıksa da aylar içinde yavaşça gelişse de korkutucu olabilir. Nefes darlığı genellikle kalp veya akciğerlerle ilgili bir sorun olduğunun ilk işaretidir, ancak günlük pratikte genel hekimler zaman ve testler açısından sınırlı kaynaklarla uzun bir olası nedenler listesiyle karşılaşabilir. Bu çalışma, milyonlarca anonim tıbbi kayıttaki örüntüleri kullanan yeni bir bilgisayar tabanlı aracın, pratisyen hekimlerin (GP’lerin) bir hastanın nefes darlığının en muhtemel nedenlerini hızla belirlemesine yardımcı olarak tanıyı hızlandırmayı ve gereksiz testlerden kaçınmayı amaçladığını anlatıyor.

Birçok olası kökü olan yaygın bir semptom

Nefes darlığı, bazen kısa nefes veya dispne olarak adlandırılır, çok yaygın bir yakınmadır ve ciddi sonuçları olabilir. Nefes darlığı yaşayan kişilerde yaşam kalitesi genellikle düşer, anksiyete ve depresyon daha sık görülür ve hastaneye yatış ile erken ölüm riski artar. Özellikle astım ve kronik obstrüktif akciğer hastalığı (KOAH) gibi kronik akciğer hastalıkları ve kalp yetmezliği gibi kalp durumlarıyla ilişkilidir, ancak enfeksiyonlar, pıhtılar veya hatta kanser gibi nedenlere de bağlı olabilir. Bu kadar çok hastalığın tek bir semptomu paylaşması nedeniyle, pratisyen hekimler genellikle birçok test istemek ve hastaları farklı uzmanlara yönlendirmek zorunda kalır; bu da doğru tedavinin gecikmesine ve sağlık maliyetlerinin artmasına yol açabilir.

Rutin kayıtları öğrenen bir araca dönüştürmek

Araştırmacılar, 2002 ile 2024 arasında nefes darlığı nedeniyle GP’ye başvuran yaklaşık 136.000 yetişkini kapsayan, 50 birinci basamak uygulamasından gelen büyük bir Birleşik Krallık elektronik tıbbi kayıtlar veritabanına eriştiler. Bu kayıtlardan yaklaşık 385.000 ayrı nefes darlığı "epizodu" belirlediler ve mümkün olduğunda bunları astım, KOAH, kalp yetmezliği, akciğer kanseri, pnömoni ve akciğerdeki pıhtılar dahil olmak üzere nefes darlığına neden olduğu bilinen on temel tanıyla ilişkilendirdiler. Bunu adil yapmak için her epizod etrafında zaman pencereleri tanımladılar: pnömoni gibi hızlı ilerleyen bir sorun için ziyaretten önce ve sonra sadece birkaç haftaya baktılar, oysa akciğer kanseri gibi daha yavaş gelişen hastalıklar için aylar boyu her iki yana geniş zaman aralıkları kullandılar. Ayrıca her hasta hakkında yaş, cinsiyet, sigara içme durumu, öksürük veya hırıltı gibi semptomlar, mevcut ilaçlar ve geçmiş tanılar gibi 34 basit bilgi parçasını çıkardılar.

Akıllı ağ nasıl çalışır

Bu bilgileri kullanarak ekip Bayes ağı olarak adlandırılan bir istatistiksel model türü oluşturdu. Bu, her bir noktanın hastayla ilgili bir şeyi (örneğin "mevcut sigara içicisi" veya "KOAH öyküsü") veya nefes darlığının on olası nedeninden birini temsil ettiği, birbirine bağlı noktalar ağı olarak tasvir edilebilir. Noktalar arasındaki çizgiler bunların ne kadar güçlü ilişkilendiğini gösterir. Bir GP hastanın bilgilerini girdiğinde, ağ, veritabanındaki önceki tüm hastalardan öğrenilen örüntülere dayanarak her tanının olasılıklarını günceller. Ağın yapısı önce veriden öğrenildi ve ardından klinik olarak anlamlı olmasını ve imkânsız neden–etki ilişkilerine dayanmadığını sağlamak için akciğer ve kalp uzmanlarının girdileriyle rafine edildi.

Araç ne kadar iyi performans gösteriyor

Modeli test etmek için araştırmacılar geliştirme sırasında kullanılmayan nefes darlığı epizodlarının %30’unu ayırdılar. Ayrı tutulan bu grupta, aracın her durum için hasta olanlarla olmayanları ayırt etme yeteneği orta düzeyden mükemmele kadar değişiyordu. Örneğin performans skoru (ROC-AUC olarak bilinir) kalp yetmezliği için 0,94 ve astım için 0,90 idi; bu, bu durumlara sahip olanlar ile olmayanları çok nadiren karıştırdığı anlamına geliyor. Pnömoni dışı göğüs enfeksiyonları gibi daha zorlu tanılar için bile performans rastlantıdan daha iyiydi. Ek kontroller, modelin ürettiği olasılıkların veride gerçekte görülenlerle yakından eşleştiğini gösterdi. Beklendiği üzere, bir kişinin önceden sahip olduğu bir hastalık öyküsü genellikle yeni bir epizodun aynı durumdan kaynaklandığına dair en güçlü ipucu oldu.

Bu hastalar ve hekimler için ne anlama gelebilir

Yazarlar bu ağı zaten birinci basamak yazılımına entegre olan bir klinik karar destek sistemine dönüştürdüler ve Avustralya uygulamalarında bir denemede test ediyorlar. Araç performansını sürdürürse, birisi nefes darlığıyla geldiğinde hekimlerin hangi tanıların daha olası veya daha az olası olduğunu hızlıca görmesine yardımcı olabilir ve onları öncelikle en yol gösterici testlere yönlendirebilir. Bu, bir hekimin yargısını yerine koymaz ve her olası nedeni kapsayamaz, ancak yüzbinlerce benzer vakadan elde edilmiş kanıta dayalı bir "ikinci görüş" sağlayabilir. Günlük dilde, çalışma dikkatle analiz edilmiş elektronik kayıtların, nefes darlığının ilk korkutucu hissinden net bir tanı ve uygun tedaviye giden yolu kısaltmaya yardımcı olan sessiz bir arka plan danışmanına dönüştürülebileceğini öne sürüyor.

Atıf: Kabir, A., Devaux, A., Jenkins, C. et al. A Bayesian network for identifying causes of breathlessness using a national electronic medical records (EMR) database. Sci Rep 16, 4900 (2026). https://doi.org/10.1038/s41598-026-35250-w

Anahtar kelimeler: nefes darlığı, birinci basamak, Bayes ağı, elektronik tıbbi kayıtlar, tanısal karar desteği