Yaşlılarda şiddetli akut böbrek yetmezliği vakalarında 90 günlük ölüm riskinin tahmininde XGBoost ve lojistik regresyonun uygulanması

Bu araştırma aileler ve hastalar için neden önemli

Akut böbrek yetmezliği, genellikle yoğun bakımda yatan yaşlılarda görülen ani bir böbrek fonksiyon kaybıdır. Ağır bir hastalığı hayati tehlike yaratan bir krize dönüştürebilir ve hangi hastaların takip eden haftalarda ölme riski en yüksek olduğunu aileler ve doktorlar için kestirmek zor olabilir. Bu çalışma basit ama önemli bir soruyu soruyor: modern veri‑odaklı araçlar, şiddetli böbrek yetmezliği olan yaşlı hastaların önümüzdeki üç ay içinde en çok kimlerin tehlikede olduğunu doktorların daha doğru belirlemesine yardımcı olabilir mi, böylece bakım onlara göre daha iyi uyarlanabilir mi?

Kimler incelendi ve ekip ne yapmayı amaçladı

Araştırmacılar Boston’daki bir yoğun bakıma 2008–2019 yılları arasında kabul edilen ve şiddetli akut böbrek yetmezliği geliştiren 60 yaş üstü 7.500 kişinin kayıtlarını analiz etti. Bu hastaların yaklaşık 1.150’si 90 gün içinde hayatını kaybetti; bu da bu durumun yaşlılarda ne kadar ölümcül olabildiğini gösteriyor. Bu büyük gerçek dünya hastane verisi havuzunu kullanarak ekip, yaş, kan basıncı, idrar çıkışı ve hastalık şiddeti skorları gibi yatak başı bilgilerini üç ay sonra hayatta olacak kişiyi tahmin etmeye dönüştürmenin iki yolunu karşılaştırdı.

Veriyi "okumanın" iki farklı yolu

Birinci yöntem olan lojistik regresyon, tıp araştırmalarında uzun süredir kullanılan bir istatistiksel araçtır. Risk faktörleri ile sonuçlar arasındaki doğru‑çizgi ilişkilerini arar ve doktorların her bir faktörün —örneğin yaş veya kan basıncı— riski nasıl artırıp azaltacağını kolayca görmesini sağladığı için değerlidir. İkinci yöntem XGBoost ise daha yeni bir makine öğrenimi ailesine aittir. Tek bir düz çizgi yerine, birlikte veri içindeki karmaşık, kıvrımlı desenleri yakalayabilen çok sayıda küçük karar ağacı inşa eder—örneğin riskin yalnızca birkaç faktör bir araya geldiğinde keskin biçimde yükseldiği durumlar. Bu yüzden XGBoost teoride aynı hastane bilgilerinden daha fazla öngörü gücü çıkarabilir, ancak ilk bakışta yorumlamak daha zordur.

Modellerin risk hakkında buldukları

Her iki yaklaşım da aynı titizlikle temizlenmiş verilere beslendi ve aşırı uyumu önlemek için katı, tekrarlı çapraz doğrulamalarla test edildi. Birkaç özellik tutarlı şekilde 90 günlük ölümle güçlü ilişkili olarak öne çıktı. Bunlar arasında hastanın yoğun bakım girişindeki hastalık şiddeti (APSIII adı verilen bir skorla yakalanmış), düşük idrar üretimi, ileri yaş, düşük kan oksijen düzeyleri ve kan basıncını yükselten ilaçlara (vasopressörler) ihtiyaç sayılabilir. Diğer organlara yayılmış ileri evre kanser de ölüm olasılığını büyük ölçüde artırdı. Birlikte bu faktörler, vücudu aynı anda birkaç cephede zorlanan daha savunmasız hastaların bir tablosunu çiziyor.

Hangi tahmin yöntemi daha iyi çıktı

İki model baş‑a‑başa karşılaştırıldığında, her ikisi de hayatta kalacak hastaları hayatta kalamayacaklardan ayırmada iyi performans gösterdi. Ancak XGBoost biraz daha iyi performans sergiledi: eğrinin altındaki alan (AUC) adı verilen standart bir doğruluk ölçüsünde 0,851 puan alırken, lojistik regresyon 0,838 puan aldı. Karar eğrisi analizi—tedaviyi yoğunlaştırmak gibi gerçek hayattaki seçimler için bir modelin ne kadar faydalı olduğunu değerlendiren bir yöntem—XGBoost’un daha geniş bir klinik senaryo aralığında daha yüksek net fayda sunduğunu gösterdi. Ayrıca genel olarak daha küçük tahmin hataları üretti. Bu karmaşık modeli yatak başında daha anlaşılır kılmak için ekip, bireysel bir hasta için her bir faktörün tahmini riski nasıl yukarı veya aşağı ittiğini gösteren bir “parçalanma” (breakdown) grafiği oluşturdu.

Bu bakım için ne anlama gelebilir

Hekim olmayan biri için alınacak mesaj şu: bilgisayarlar artık doktorların ani böbrek yetmezliği olan hangi yaşlı yoğun bakım hastalarının üç ay içinde ölme riski en yüksek olduğunu makul bir doğrulukla tahmin etmesine yardımcı olabilir. Bu çalışmada yeni makine öğrenimi yöntemi geleneksel yönteme göre özellikle pek çok sağlık faktörünün karmaşık etkileşimler içinde olduğu durumlarda üstünlük sağladı. Yine de her iki araç da idrar çıkışı, yaş, hastalık şiddeti, kan basıncı ve ileri evre kanser varlığı gibi hastanelerin zaten topladığı bilgilere dayanıyor ve klinik yargının yerine geçmek değil, onu desteklemek üzere tasarlandı. Farklı hastanelerde daha fazla test edilirse, bu tür modeller prognoz hakkında zamanında konuşmaları yönlendirebilir, yoğun bakım kaynaklarını önceliklendirmeye yardımcı olabilir ve böbrekleri ve genel sağlığı en kırılgan olan hastalar için daha yakın izleme ve kişiselleştirilmiş tedavi teşvik edebilir.

Atıf: Zeng, J., Zhu, Y., Ye, F. et al. ‌Application of XGBoost and logistic regression in predicting 90 days mortality for elderly severe acute renal failure patients. Sci Rep 16, 7077 (2026). https://doi.org/10.1038/s41598-026-37828-w

Anahtar kelimeler: akut böbrek yetmezliği, yaşlı yoğun bakım hastaları, ölüm tahmini, tıpta makine öğrenimi, lojistik regresyon ve XGBoost karşılaştırması