Akut iskemik inmede fonksiyonel sonuçları öngörmek için makine öğrenimi: ülke çapında bir inme kayıt çalışmasından bulgular

İnme iyileşmesini öngörmenin önemi

İnme aniden ortaya çıkar ve aileler sık sık sorar: “Sevdiklerim tekrar yürüyebilecek, konuşabilecek ve bağımsız yaşayabilecek mi?” Hekimler sınırlı zaman ve bilgiyle acil tedavi kararları almak zorundadır, fakat iyileşmeyi doğru şekilde tahmin etmek genellikle zordur. Güney Kore genelindeki bir inme kayıt dizisinden gelen bu çalışma, makine öğrenimi olarak bilinen modern bilgisayar programlarının, hastanın taburcu olurken ne düzeyde işlevsel olacağını tahmin etmek için pek çok tıbbi veriyi nasıl birleştirebileceğini ve hangi tedavilerin daha iyi bir yaşam olasılığını artırdığını gösteriyor.

Ülke çapında bir inme bakım fotoğrafı

Araştırmacılar, Güney Kore’de yaklaşık 220 hastanede akut iskemik inme nedeniyle yatırılan 40.586 kişinin kayıtlarını inceledi. Ortalama hasta yaşı yaklaşık 69’du ve gelişte inme şiddeti genel olarak orta düzeydeydi. Araştırma ekibi yaş, cinsiyet, sigara kullanımı, kalp ritmi bozuklukları, eşlik eden diğer hastalıklar, hastanın hastaneye ve beyin görüntülemesine ulaşma hızı, uygulanan tedaviler (pıhtı çözücü ilaçlar, pıhtı çıkarma işlemleri, cerrahi ve rehabilitasyon gibi) ve hangi tür hastane birimine yatırıldıkları gibi zengin bir bilgi setinden yararlandı. Taburcu edildiğinde hastaların %63,6’sı doktorların “iyi fonksiyonel sonuç” dediği düzeye erişmişti; yani günlük aktivitelerde bağımsız veya yalnızca hafif derece engelli durumdaydılar.

Dengeyi değiştiren tedaviler

Bakımın birkaç yönü, taburcu olurken günlük işlevsellikte daha iyi sonuçlarla güçlü şekilde ilişkilendi. Doktorların tıkalı beyin arterine kateter ilerletip pıhtıyı fiziksel olarak çıkarma işlemi olan mekanik trombektomi yapılan hastalar, genellikle daha şiddetli inmeyle geldiysen de iyi fonksiyonla taburcu olma olasılığı iki kattan fazla artmıştı. Rehabilitasyon terapisi de güçlü bir yarar gösterdi: yatış sırasında hedefe yönelik rehabilitasyon alan hastaların olumlu sonuç alma olasılığı neredeyse üç kat arttı. Daha genç yaş ve gelişte daha hafif inme şiddeti daha iyi iyileşme ile; eşlik eden hastalık yükünün ağır olması ise daha kötü sonuçlarla ilişkilendirildi. İlginç bir şekilde, sigara içenler ve zamanında pıhtı çözücü ilaç verilen hastalar da genellikle daha iyi sonuçlara sahip görünüyordu; bu, diğer çalışmalarda gözlenen tartışmalı “sigara içicisi paradoksunu” andırıyor, ancak bu bulgu karmaşık biyolojik ve bakım kalıplarından etkilenmiş olabilir.

Bilgisayarlara iyileşmeyi öğretmek

Geleneksel tek beden herkese uyan tahmin skorlarının ötesine geçmek için ekip, taburcu olurken iyi fonksiyon gösterecek hastaları tahmin etmek üzere üç tür bilgisayar modeli eğitti: bir random forest modeli, bir destek vektör makineli modeli ve standart lojistik regresyon. Üçü de aynı rutin olarak toplanan klinik ve tedavi değişkenlerini kullandı. Birden çok karar ağacını birleştirip onların oylamasına dayanan random forest modeli en iyi performansı gösterdi; iyi ile kötü sonuçları ayırt etmede eğri altındaki alan (AUC) değeri 0,87 olarak bulundu. Diğer iki yöntem 0,80’e ulaştı. Bu, random forest modelinin inme şiddeti, yaş, zamanlama ve tedavilerin bireysel iyileşmeyi nasıl şekillendirdiği konusundaki ince, doğrusal olmayan desenleri yakalamada daha başarılı olduğunu gösteriyor.

Model için en önemli faktörler

Random forest’ın iç işleyişini inceleyerek araştırmacılar, hangi faktörlerin tahminlere en çok katkı sağladığını belirlediler. En önemli tek bilgi başlangıçtaki inme şiddeti skoru iken, bunu yakın takipte yaş izledi. Hastaların hastaneye ulaşma hızı ve beyin görüntülemesi de yüksek sırada yer aldı; bu, gecikmelerin iyi sonuç şansını sessizce azaltabileceğini vurgulayan tanıdık “zaman beyindir” mesajını pekiştiriyor. Genel sağlık durumuna dair ölçümler, pıhtı çözücü ilaç kullanımı, yutma sorunlarına dikkat edilmesi ve rehabilitasyonun yoğunluğu ek öngörü gücü kattı. Dikkat çekici olarak, bazı zamanlama ve yutmayla ilgili değişkenler makine öğrenimi modelinde çok etkili görünürken geleneksel istatistik analizlerinde o kadar belirgin değildi; bu, bilgisayarların standart yöntemlerin kaçırdığı karmaşık, eşik benzeri etkileri tespit ediyor olabileceğini düşündürüyor.

Hastalar ve hastaneler için ne anlama geliyor

Hastalar ve aileleri için çalışmanın mesajı umut verici ancak gerçekçi. İnme sonrası iyileşme hâlâ büyük ölçüde başlangıçtaki hasarın şiddetine ve kişinin daha önceki sağlık durumuna bağlı, ancak tedavi seçimleri ve hastane süreçleri de gerçek bir fark yaratıyor. Burada geliştirilen gibi makine öğrenimi modelleri, acil serviste sessiz ortaklar olarak yer alıp birçok veriyi hızla birleştirerek hekimlere muhtemel iyileşme konusunda daha net, kişiselleştirilmiş tahminler verebilir ve hızlı tedavi ile erken rehabilitasyonun faydalarını vurgulayabilir. Akıllıca kullanıldığında bu tür araçlar, konuşmaları yönlendirmeye, gerçekçi beklentiler oluşturmaya ve inme bakım sistemlerini güçlendiren politikalara destek olmaya yardımcı olabilir—nihayetinde daha fazla kişinin bağımsızlıklarını koruyarak hastaneden ayrılma şansını artırabilir.

Atıf: Ko, T., Lee, K., Kwon, Y.U. et al. Machine learning for predicting functional outcomes in acute ischemic stroke: insights from a nationwide stroke registry. Sci Rep 16, 5986 (2026). https://doi.org/10.1038/s41598-026-37159-w

Anahtar kelimeler: iskemik inme, makine öğrenimi, inme prognozu, rehabilitasyon, random forest modeli