Yatan hastalarda hemşire kayıtlarına dayalı denetimli makine öğrenmesi modelleri ile yatak yarası riskinin erken tahmini

Modern Hastanelerde Yatak Yaralarının Önemi Neden Sürüyor?

Basınç yaraları—genellikle yatak yarası diye anılır—eski moda bir sorun gibi görünse de, hastane bakımında hâlâ ciddi ve maliyetli bir komplikasyondur. Çok hasta olan veya kolay hareket edemeyen kişilerde hızla gelişebilir, ağrıya, enfeksiyona ve daha uzun yatış sürelerine yol açar. Bu çalışma, hemşirelerin kabulün ilk saatlerinde zaten topladığı bilgilerin modern bilgisayar teknikleriyle birleştirilerek hangi hastaların bu yaraları geliştirme olasılığının yüksek olduğunu tespit edip etmeyeceğini araştırıyor; böylece hasar oluşmadan önce müdahale edilebilsin.

Hareketsiz Yatmanın Gizli Tehlikeleri

Basınç yarası, deri ve daha derindeki dokuların yatak ya da sandalyeye karşı kemiklere sıkıştırılması sonucu çok uzun süre baskıya maruz kalmasıyla oluşur. Yoğun bakım veya acil serviste olduğu gibi serbestçe hareket edemeyen hastalarda, yatan yetişkinlerin onda birinden fazlasında bu yaralar gelişir. Ağrı ve enfeksiyon riskinin ötesinde, bu yaralar ağır bir ekonomik yük getirir—sadece Amerika Birleşik Devletleri’nde yıllık onlarca milyar dolara varan maliyetlere neden olurlar. Yaygın kullanılan Braden Ölçeği gibi geleneksel kontrol listeleri hemşirelerin riski tahmin etmesine yardımcı olur, ancak inkontinans, obezite veya karmaşık tıbbi sorunlar gibi tehlikenin belirgin olmadığı hastaları kaçırabilirler.

Rutin Hemşire Notlarını Erken Uyarı Sinyalleri Olarak Kullanmak

Araştırmacılar, hastanın hastaneye kabulü sonrası ilk sekiz saat içinde hemşirelerin rutin olarak topladığı temel bilgiler kullanılarak basınç yaralarının tahmin edilip edilemeyeceğini sordular. Şili’nin Santiago kentindeki büyük bir kamu hastanesinde, acil servis ve cerrahiden yoğun bakıma kadar çeşitli servislerden 446 hastanın verileri toplandı. Hemşireler yaş, boy, kilo, hastanın kabul edildiği servis, bakımda bağımlılık düzeyi, inkontinans varlığı ve özel yataklar, pozisyon değişiklikleri veya fiziksel kısıtlamaların kullanılıp kullanılmadığı gibi basit bilgileri kaydetti. Var olan yaralar varışta dikkatle ayrıldı; böylece çalışma yalnızca hastanede gelişen yaralara odaklandı.

Bilgisayarlara Yüksek Riskli Hastaları Öğretmek

Bu kayıtlardan ekip birkaç “denetimli” makine öğrenmesi modeli—örneklerden desen öğrenen bilgisayar programları—olusturdu. Karar ağaçları, lojistik regresyon, destek vektör makineleri, ekstrim gradyan artırma ve birçok basit karar ağacını güçlü bir tahmin edici haline getiren popüler bir yöntem olan Random Forest dahil olmak üzere beş farklı yaklaşım test ettiler. Modelleri eğitmeden önce ham hemşire notlarını temizlediler ve düzenlediler, eksik değerleri kabul görmüş istatistiksel yöntemlerle doldurdular ve en bilgilendirici 13 özelliği seçtiler. Ardından veriler, her modelin basınç yarası gelişen ve gelişmeyen hastaları ne kadar iyi ayırt edebildiğini değerlendirmek için tekrar tekrar eğitim ve test gruplarına ayrıldı.

Verilere Göre En Çok Kim Risk Altında?

Çalışmadaki hastaların yaklaşık %19’u hastanede edinilmiş basınç yarası geliştirdi. Analiz, bazı erken hemşire gözlemlerinin özellikle belirleyici olduğunu gösterdi. Daha yüksek genel risk skorları, daha büyük vücut ağırlığı ve boyu, hemşire bakımına yüksek bağımlılık ve yetişkin tıbbi-cerrahi ile yoğun bakım gibi belirli servislere kabul edilme daha fazla yarayla ilişkilendirildi. İnkontinansın—özellikle dışkı ya da karışık inkontinansın—varlığı, fiziksel kısıtlamalar ve önceden özel anti-basınç yataklarının kullanılmış olması da daha yüksek riseti işaret etti. Test edilen bilgisayar modelleri arasında Random Forest yöntemi en iyi performansı gösterdi: yüksek ve düşük riskli hastaları beş vakadan dörtten fazlasında doğru ayırdı ve yüksek kesinlik elde etti; yani bir hastayı yüksek riskli olarak işaretlediğinde genellikle doğruydu.

Bilgisayar Skorlarından Yatak Başı Bakımına

Sistemi yoğun servislerde pratik hale getirmek için araştırmacılar her olası vakayı yakalamaktan çok kesinliği öne çıkaracak şekilde ayarladılar. Bu, yanlış alarmların sayısını azaltır, böylece hemşireler önleyici kaynakları—sık pozisyon değiştirme, dikkatli cilt kontrolleri ve özel yataklar gibi—en çok fayda sağlayacak hastalara yoğunlaştırabilir. Bu yaklaşım bazı risk altındaki hastaların işaretlenmeyebileceği anlamına gelse de, yazarlar güvenilir uyarıların günlük uygulamada daha fazla güvenilip kullanılma olasılığının yüksek olduğunu savunuyor. Modelin klinik yargının yerine geçmek değil, desteklemek için tasarlandığını vurguluyorlar.

Bu Hastalar ve Hastaneler İçin Ne Anlama Geliyor?

Düz bir ifadeyle, çalışma hastanelerin kabulün ilk saatlerinde zaten topladıkları bilgileri yatak yaraları için dijital bir “erken uyarı sistemi”ne dönüştürebileceğini gösteriyor. Sadece 13 temel hemşire gözlemi ve iyi eğitilmiş bir bilgisayar modeliyle, personel basınç yarası geliştirme olasılığı yüksek küçük bir hasta grubunu belirleyip ciddi hasar oluşmadan önce müdahale edebilir. Araç başka hastanelerde ve sağlık sistemlerinde test edilmeye devam etse de, rutin yatak başı notlarını daha akıllı ve zamanında korumaya dönüştürmenin umut verici bir yolunu sunuyor.

Atıf: Barriga-Gallegos, F., Ríos-Vásquez, G., Tapia, G.M. et al. Early prediction of pressure injury risk in hospitalized patients using supervised machine learning models based on nursing records. Sci Rep 16, 6502 (2026). https://doi.org/10.1038/s41598-026-35709-w

Anahtar kelimeler: basınç yaraları, yatak yarası önleme, hemşire kayıtları, hastanelerde makine öğrenmesi, hasta risk tahmini