Mortalite tahmini için bütünleyici multimodal hibrit veri füzyonu

Daha akıllı YBÜ tahminleri neden önemli

Yoğun bakım ünitesinde birinin böbrekleri ani olarak iflas ettiğinde, doktorlar kimlerin ölüm riski en yüksek olduğunu ve kimlerin en agresif bakıma ihtiyaç duyduğunu hızla belirlemek zorundadır. Bugün bu kararlar deneyime ve hasta verilerinin sınırlı bir diliminden oluşturulmuş skorlarla veriliyor. Bu çalışma, sonuçları büyük olan basit bir soruyu soruyor: Yapay zekâyı kalp sinyalleri, laboratuvar testleri ve doktor notları gibi hastanedeki farklı veri türlerine aynı anda bakmasına izin verirsek—akut böbrek hasarlı bir hastanın gerçekten tehlikede olduğuna daha doğru şekilde işaret edebilir mi?

Hastayı birçok açıdan görmek

Akut böbrek hasarı (AKH) yaygın ve ölümcüldür; yaşam boyu yaklaşık her on kişiden birini etkiler ve yılda on binlerce ölüme katkıda bulunur. Klinikler zaten birçok bilgi akışını değerlendirir—hayati bulgular, kan testleri, elektrokardiyogram (EKG) bantları ve uzun anlatı niteliğindeki notlar—kimin düzelip kimin kötüleştiğini yorumlamak için. Ancak bilgisayar araçlarının çoğu, laboratuvar değerleri veya tek bir skor sistemi gibi bu akışlardan yalnızca birini kullanır. Bu, yalnızca diyalogu dinleyerek veya sessiz izleyerek karmaşık bir filmi anlamaya çalışmaya benzer. Araştırmacılar, modern YBÜ’lerde toplanan üç ana bilgi türünü birleştirerek adeta tüm filmi izleyebilecek bir yapay zekâ sistemi geliştirmeyi amaçladılar.

Düzensiz hastane verilerini ortak bir dile çevirmek

Araştırma ekibi, bir Amerikan öğretim hastanesinden büyük, herkese açık hastane veritabanlarından yararlandı. MIMIC-IV veri setindeki yapılandırılmış kayıtlar; hayati bulgular, laboratuvar sonuçları, işlemler, tanılar ve demografik bilgiler üzerine milyonlarca giriş sağladı. EKG verileri kalbin elektriksel aktivitesinin ayrıntılı anlık görüntülerini ekledi. Doktor notlarındaki metinler belirtiler, tedaviler ve klinik izlenimler hakkında zengin tanımlamalar sundu. Her veri türü ağır temizlik gerektirdi: laboratuvar ve izleme verilerindeki gürültü ve aykırı değerlerin çıkarılması, ham EKG sinyallerinin filtrelenmesi ve normalleştirilmesi, notlardaki başlıklar ve kimlik bilgilerinin kaldırılması ve bunların modern sohbet botlarında kullanılanlara benzer bir dil modeline beslenmeden önce işlenmesi gibi. Tablo halinde olan değerler için yazarlar on binlerce olası ölçümü 500 özellikle bilgi taşıyan özelliğe indirgediler; bunlar böbrek fonksiyonu, karaciğer enzimleri, kan basıncı, solunum durumu ve nörolojik skorlar gibi klinikte tanıdık temalar altında gruplanmıştı.

Birden çok veri akışını yapay zekâ ile harmanlamak

Çalışmanın merkezinde bu çok farklı girdilerin nasıl füzyon edildiği yer alıyor. Araştırmacılar üç stratejiyi karşılaştırdı. “Erken füzyon”da tüm girdiler sayısal vektörlere dönüştürüldü, hemen birleştirildi ve görüntü tanıma modellerinden esinlenen derin bir sinir ağına verildi. “Geç füzyon”da her veri türü önce kendi uzmanlaşmış ağına—tablo verilerine, EKG’ye, metne ayrı ayrı uyarlanmış ağlara—girdi ve ancak onlardan sonra çıktılar birleştirildi. “Hibrit” yaklaşımlarında tabular (tablo) ve EKG yolları daha erken bir noktada birleştirilirken, metinsel notlar daha sonraki bir aşamada eklendi. Dikkat (attention) mekanizmaları—her girdi parçasının en bilgilendirici kısımlarına odaklanmayı öğrenen yazılım bileşenleri—ağların hangi modaliteden gelen sinyallerin hayatta kalma tahmini için en önemli olduğunu belirlemesine yardımcı oldu.

Model ölüm riskini ne kadar iyi tahmin etti?

Yazarlar önce aynı anda yalnızca bir veri türünü kullanan daha basit modelleri test ettiler. Bu tek kaynaklı modeller makul performans gösterdi, ancak her biri önemli vakaları kaçırdı: örneğin metin tabanlı modeller daha sonra ölecek hastaları sıklıkla yakalayamadı, EKG tabanlı modeller ise nasıl eğitildiklerine bağlı olarak büyük değişkenlik gösterdi. Üç veri kaynağı birleştirildiğinde performans açıkça iyileşti. En iyi hibrit füzyon modeli, alıcı işletim eğrisi altında kalan alan (AUC) yaklaşık 0,96 ve AKH’li yoğun bakım hastalarının hastanede kalış sırasında ölüp ölmeyeceğini tahmin etmede %93’ün üzerinde bir doğruluk elde etti. Bu, tipik olarak AUC değerleri 0,90’ın altında raporlanan önceki çalışmalardan önemli ölçüde yüksekti. İstatistiksel testler, hibrit stratejinin en istikrarlı ve dengeli sonuçları sunduğunu; diğer füzyon yöntemleriyle kıyaslandığında hem kaçan ölümleri hem de gereksiz alarmları azalttığını gösterdi.

Sözler, sınırlamalar ve hastalar için anlamı

Uzman olmayan biri için temel mesaj açık: Bir hastanın durumunun birçok yönüne aynı anda bakan yapay zekâ araçları, yalnızca tek bir veri akışına odaklanan araçlardan daha güvenilir biçimde tehlikeyi öngörebilir. Yoğun bakımda AKH’li hastalar için bu, daha erken uyarılar, daha hedeflenmiş tedaviler ve sınırlı YBÜ kaynaklarının daha iyi kullanımı anlamına gelebilir. Ancak yazarlar, çalışmalarının yalnızca tek bir hastane sisteminden alınan verilere ve klinisyenlerin yorumlamasını zorlaştıran karmaşık “kara kutu” modellere dayandığını vurguluyor. Böyle araçların gerekçelerini açıklamaya, tüm testler mevcut olmadığında eksik verilerle başa çıkmaya ve algoritmaların farklı hasta gruplarına adil davranıp davranmadığını kontrol etmeye yönelik gelecekteki çalışmalara çağrı yapıyorlar. Bu sınırlamalara rağmen çalışma, sayıları, dalga formlarını ve metinleri örerek bilgisayarlara kritik durumda olan hastaları daha insan-insanlı bir bütüncül görüşle değerlendirme imkânı sunduğunu—ve potansiyel olarak hayat kurtarmaya yardımcı olabileceğini—gösteriyor.

Atıf: Abuhamad, H., Zainudin, S. & Abu Bakar, A. Integrative multimodal hybrid data fusion for mortality prediction. Sci Rep 16, 5803 (2026). https://doi.org/10.1038/s41598-026-36296-6

Anahtar kelimeler: akut böbrek hasarı, yoğun bakım, multimodal makine öğrenimi, mortalite tahmini, klinik karar desteği