Acil tıbbi hizmet verilerinden güç alan makine öğrenimi modelleri, hastane öncesi ortamlarda inme triyajını geliştiriyor

Neden daha hızlı inme kararları önemli

Biri inme geçirirken her dakika önemlidir. Beyin hücreleri hızla ölür ve gecikme arttıkça yeniden yürüyebilme, konuşabilme ve bağımsız yaşayabilme olasılığı azalır. Yine de birçok inme vakası doktorlar tarafından değil, ambulanstaki paramedikler tarafından ilk kez görülür. Bu çalışma, geçmiş vakalardan öğrenen bilgisayarların acil tıbbi hizmetlerin (EMS) inmeleri daha erken tespit etmesine ve hastaları daha hızlı doğru hastaneye yönlendirmesine yardımcı olup olamayacağını araştırıyor—bu sayede beyin dokusu ve uzun vadeli yaşam kalitesi korunabilir.

Hastaneden önce neler olur

İnme hastası yolculuğu genellikle 112 çağrısıyla başlar. Dağıtım görevlileri ne tür yardım gönderileceğine karar verir ve EMS ekipleri hastayı evde ya da olay yerinde değerlendirir. Yaş ve kilo gibi temel bilgilerin yanı sıra kalp hızı, kan basıncı, solunum hızı, oksijen düzeyi ve bilinç düzeyi gibi hayati bulgular kaydedilir. Bu ölçümler çoğunlukla hastane hastayı görmeden önce alınır. Araştırmacılar basit bir soru sordu: bu erken ölçümler, bilgisayarların gerçek zamanlı olarak olası inmeleri işaretlemesi için yeterince güvenilir ve yeterince eksiksiz mi?

Çalışma nasıl yürütüldü

Araştırma ekibi, 2015–2020 yılları arasında Chicago yakınlarındaki büyük bir hastaneye götürülen 4.333 yetişkini kapsayan 8.221 ambulans taşımacılığına geriye dönük olarak baktı. Bu karşılaşmaların sadece yaklaşık yüzde 2’si doğrulanmış inme vakasıydı ve bunların neredeyse üçte ikisi yoğun bakım gerektiren ya da ventilatöre bağlanan şiddetli vakalardı. Araştırmacılar, EMS’nin yerde kaydettiği değerleri hastane personelinin hastane varışından kısa süre sonra ölçtükleri değerlerle karşılaştırdı. Kalp hızı, kan basıncı, kan şekeri, oksijen düzeyleri ve basit bir bilinç puanı çoğu hasta için mevcuttu ve genellikle hastane ölçümleriyle uyum gösteriyordu; bu da ambulans verilerinin hastaların gerçek durumunu iyi yansıttığını gösterdi.

Tehlikeyi tanıması için bilgisayarları eğitmek

Bu hastane öncesi sayıların yanı sıra 112 çağrısına dair temel ayrıntılar ve hastaların nereden alındığı bilgisi kullanılarak, araştırmacılar iki görevi çözmesi için çeşitli makine öğrenimi modelleri eğitti: inmeyi inmeyen vakalardan ayırt etmek ve şiddetli inmeleri diğer tüm vakalardan ayırt etmek. Rastgele ormanlar (random forests), XGBoost ve basit bir sinir ağı olmak üzere üç yaygın yaklaşım, modellerin adil biçimde değerlendirilmesi için ayrı veri kümelerinde test edildi. İnme vakaları nadir olduğundan modeller küçük sayıda inme vakasına ekstra dikkat verecek şekilde ayarlandı ve risk puanlarının gerçek dünya olasılıklarıyla mümkün olduğunca örtüşmesi için dikkatle doğrulandı.

Araçlar ne kadar iyi performans gösterdi

Tüm ambulans taşımalarının bütünü değerlendirildiğinde, herhangi bir inmeyi tespit etmede en iyi model XGBoost, şiddetli inmeleri işaretlemede ise en iyi model rastgele orman modeliydi. Bu araçlar, kimin inme geçirme olasılığının daha yüksek ya da daha düşük olduğunu sıralamada iyiydi ve makul bir eşik ayarlandığında mevcut EMS tarama yöntemlerinden daha fazla inmeyi yakalarken çoğu yanlış alarmı da önleyebiliyordu. Örneğin bir işletim noktasında inmeyi tespit eden model vakaların yaklaşık üçte ikisini doğru şekilde tanımlıyor ve inmeyen vakaların neredeyse dokuzda birini doğru şekilde dışlıyordu. En etkili sinyaller tanıdık klinik ipuçlarıydı: daha yüksek kan basıncı, bilinç değişiklikleri, anormal nabız, daha ileri yaş ve aniden güçsüzlük veya konuşma güçlüğü gibi inme benzeri sorunları çağrıştıran 112 çağrı kodları.

Bu hastalar için ne anlama gelebilir

İnme, tüm ambulans hastaları arasında nadir olduğundan iyi performans gösteren bir model bile bazı yanlış alarmlar üretecektir. Pratikte bu, "olası inme" olarak işaretlenen ve sonradan inme olmadığı anlaşılan bir dizi hasta olacağı anlamına gelir. Yazarlar, zaman kritik acil durumlarda bu takasın, uyarı insan yargısını yerine geçirmek yerine yalnızca daha hızlı bir değerlendirmeyi tetikliyorsa makul olabileceğini savunuyor. Sonuçları, makine öğrenimi araçlarının EMS’nin zaten topladığı veriler üzerinde ek bir çift göz görevi görebileceğini; paramedikleri ve hastaneleri, aksi takdirde gözden kaçabilecek yüksek riskli hastalara yönlendirebileceğini düşündürüyor.

Bu çalışmanın gideceği yön

Açıkça söylemek gerekirse, çalışma ambulans arkasında kaydedilen sayıların, kimin inme geçiriyor olabileceğini ve kimin ne kadar acil gelişmiş bakım gerektiğini belirlemeye yardımcı olacak akıllı bilgisayar araçlarını besleyebileceğini gösteriyor. Bu sistemler tek başına tanı koymak için tasarlanmamıştır; paramediklere ve acil hekimlere hastaları nereye gönderecekleri ve inme ekiplerini ne kadar hızla harekete geçirecekleri konusunda hızlı kararlar verirken destek olmak için tasarlanmıştır. Daha iyi veri paylaşımı, daha eksiksiz dokümantasyon ve farklı bölgelerde test edilmesiyle, bu tür araçlar daha fazla insanın doğru hastaneye daha erken ulaşmasına ve inmeyle ilişkili kalıcı hasarı azaltarak daha iyi iyileşmesine yardımcı olabilir.

Atıf: Saban, M., Hiura, G., de la Peña, P. et al. Machine learning models powered by emergency medical services data enhance stroke triage in prehospital settings. Sci Rep 16, 7139 (2026). https://doi.org/10.1038/s41598-026-37069-x

Anahtar kelimeler: inme triyajı, acil tıbbi hizmetler, makine öğrenimi, hastane öncesi bakım, tıpta yapay zeka