Graf sinir ağı modeli kullanarak miyokard infarktüsü hastalarında komplikasyonlar ve mortalitenin tahmini

Kalp krizi sonrası sorunları erken tahmin etmenin önemi

Bir kalp krizinden kurtulmak yalnızca başlangıçtır. Kalp krizinin ilk birkaç günü içinde hastalarda ani olarak tehlikeli sorunlar ortaya çıkabilir; bunlar arasında ritim bozuklukları, akciğerlerde sıvı birikmesi veya hatta kalp duvarında yırtılma sayılabilir. Bu krizler genellikle az uyarı ile gelir, ancak sıklıkla kan testlerinde, kan basıncında veya ilaç kullanımında küçük değişiklikler önceden ortaya çıkar. Bu çalışma, gelişmiş bir yapay zekâ yönteminin, hangi hastaların sorun yaşamak üzere olduğunu gerçek zamanlı olarak hastane kayıtları arasından ayırt edip etmediğini araştırıyor; böylece hekimlerin çok geç olmadan müdahale etme şansı olabilir.

Hastane kaydını okumaya yeni bir yaklaşım

Mevcut kalp krizi tahmin araçlarının çoğu yatış sırasında kaydedilen birkaç sayıya bakar ve tek, keskin bir soruya yanıt arar: hasta ölecek mi? Bu araçlar hastanın durumunun saatler ve günler boyunca nasıl değiştiğini görmezden gelir ve her hastayı izole bir vaka olarak ele alır. Bu makalenin yazarları farklı bir yol izlediler. Her hastanın elektronik sağlık kaydını, ilk 72 saat içindeki yaş, geçmiş hastalıkları, laboratuvar testleri, EKG bulguları ve uygulanan tedavileri birleştiren zengin bir hikâye olarak ele alan bir model geliştirdiler. Model tek bir sonucu tahmin etmek yerine 12 farklı komplikasyonu ve taburculuk öncesi ölüm riskini öngörmeyi amaçlıyor.

Benzer hastaların “konuşmasına” izin vermek

Yaklaşımın özünde, benzer hastaların bilgi “paylaşmasına” izin veren bir yöntem olan graf sinir ağı bulunuyor. Her hasta bir ağda bir nokta olarak temsil ediliyor ve kayıtları birbirine benzeyen hastalar arasında bağlantılar kuruluyor. Model bu bağlantıları sabit tutmuyor; verideki desenin ne kadar yaygın veya nadir olduğuna bağlı olarak her hastanın kaç komşusu olacağını uyarlıyor. Bu, özellikle kalp duvarı yırtılması gibi nadir ama öldürücü problemlerde önem taşıyor; benzer geçmiş hastalardan gelen ek ipuçları risk tahminlerini iyileştirebilir.

Hızlı dalgalanmaları ve yavaş eğilimleri izlemek

Hastaları birbirine bağlamanın ötesinde model, durumlarının zaman içindeki değişimine de yakından dikkat ediyor. Bir dal, ilk üç gün içindeki sodyum düzeyleri veya hayati bulgular gibi kısa vadeli iniş çıkışlara odaklanıyor. Diğer bir dal ise bir laboratuvar değerinin istikrarlı şekilde yükselip düşmediği gibi daha yavaş eğilimleri inceliyor. Özel bir “attention” (dikkat) mekanizması bu iki görünümü hastanın mevcut gidişatının tek bir resmine nasıl karıştıracağını belirliyor. Bu birleşik portre, hastanın arka plan bilgileriyle birlikte hastalar ağına aktarılıyor ve her olası komplikasyon ile ölüm için ayrı risk puanları üretiliyor.

Sistemin performansı

Araştırmacılar modelini kalp krizi tedavisi gören 1.700 kişinin kayıtları üzerinde test etti ve aşırı uyumu önlemek için tekrarlı çapraz doğrulama kullandılar. Ortalama olarak modelin her bir komplikasyonu geliştirip geliştirmeyeceğini ayırt etme yeteneği orta seviyedeydi ve iki güçlü karşılaştırma yönteminden belirgin şekilde daha iyiydi. Özellikle hastane içi ölüm tahmininde başarılı oldu; geleneksel makine öğrenimi tekniklerine dayanan önceki çalışmalarla karşılaştırılabilecek bir performans seviyesi (AUC 0,88) elde etti. Sistem, veride öğrenilecek daha az örnek bulunan ve sinyalin zayıf olduğu nadir veya ince durumlarda daha zorlandı; bu da bazı komplikasyonlarda daha düşük puanlara ve doğru-yanlış alarmlar arasında ılımlı bir dengeye yol açtı.

Doktorlar için kara kutuyu açmak

Klinisyenlerin sisteme güvenmesini ve onu anlamasını kolaylaştırmak için yazarlar modelin en çok hangi faktörlere dayandığını araştırdılar. Yaş önemli bir risk belirleyicisi olarak öne çıktı; kan sodyum düzeyleri ve kanı sulandıran ilaçlar ile kalp atımını düzenleyen bazı ilaçlardaki örüntüler de etkili bulundu—bunlar mevcut tıbbi bilgilerle uyumlu bulgular. İç “attention haritalarını” inceleyerek modelin yüksek riskli hastalarda belirli günleri ve laboratuvar eğilimlerini nasıl vurguladığını gösterdiler; bu, uyarıları için görsel bir açıklama sunuyor. Aynı zamanda çalışma önemli sınırlamaları kabul ediyor: tüm veriler tek bir hastaneden geldi, bazı komplikasyonlar nadirdi ve ham EKG bulguları veya görüntüler değil sadece yapılandırılmış kayıt verileri kullanıldı.

Hastalar için anlamı

Basitçe söylemek gerekirse bu çalışma, bir yapay zekâ sisteminin bir kalp krizi hastasının ayrıntılı hastane kaydını tarayabileceğini, durumunun saat saat nasıl değiştiğini takip edebileceğini ve özellikle ölüm için olmak üzere çeşitli tehlikeli komplikasyonlara karşı erken uyarı verebileceğini gösteriyor. Araç mükemmel değil ve diğer hastanelerde test edilip daha nadir sorunlar için geliştirilmesi gerekiyor; yine de tek beden herkese uyan skorların ötesine geçerek kişiselleştirilmiş, sonuca özgü risk uyarılarına doğru ilerliyor. Güvenli bir şekilde iyileştirilip hastane sistemlerine entegre edildiğinde bu tür modeller, kritik ilk günlerde bakım ekiplerinin dikkatini ve koruyucu tedavileri en çok ihtiyaç duyan hastalara odaklamasına yardımcı olabilir.

Atıf: Guo, D., Zhang, Z., Zhou, D. et al. Predicting complications and mortality in myocardial infarction patients using a graph neural network model. Sci Rep 16, 5886 (2026). https://doi.org/10.1038/s41598-026-36798-3

Anahtar kelimeler: miyokard infarktüsü, komplikasyon tahmini, graf sinir ağı, elektronik sağlık kayıtları, mortalite riski