Yoğun bakım kabulünde karbapenemaz üreten Enterobacterales kolonizasyonunun makine öğrenmesi ile erken öngörüsü

Hastanedeki gizli mikroplar neden önemli

Hastanedeki en ağır durumdaki birçok hasta, güçlü antibiyotiklerin ve invaziv cihazların sık kullanıldığı yoğun bakım ünitelerinde (YBÜ) tedavi edilir. Bu ortamda, bağırsak bakterilerinin tehlikeli bir grubu—karbapenemaz üreten Enterobacterales veya KPE—sessizce yerleşebilir. Bu mikropları taşıyan kişiler hasta hissetmeyebilir, ancak bunları başkalarına bulaştırabilir veya daha sonra tedavisi zor, yaşamı tehdit eden enfeksiyonlar geliştirebilirler. Bu çalışma pratik bir soruyu yanıtlıyor: bir kişi YBÜ’ye kabul edildiği anda, personel diğer hastaları daha iyi koruyabilsin diye kimin zaten KPE taşıyor olabileceğini öngörebilir miyiz?

YBÜ’de sessiz bir tehdit

KPE, diğer ilaçlar başarısız olduğunda kullanılan en güçlü antibiyotiklerden bazılarına—karbapenemlere—karşı direnç geliştirmiş bağırsak bakterileridir. Güney Kore’de son yıllarda KPE enfeksiyonları artış gösterdi ve bu küresel bir eğilimi yansıtıyor. YBÜ hastaları özellikle risk altındadır; çünkü genellikle daha uzun süre hastanede kalırlar, daha fazla işlem görürler ve diğer hastalara göre daha fazla antibiyotik alırlar. Hastaneler rektal sürüntü ile KPE’yi tespit edebiliyor, ancak sonuçlar zaman alıyor ve laboratuvar raporu gelene kadar her yeni YBÜ hastasını izolasyona almak gerçekçi değil. Yazarlar, YBÜ kabulünde tıbbi kayıtta zaten bulunan bilgileri kullanarak hangi hastaların KPE taşıyıcısı olma ihtimalinin yüksek olduğunu tahmin eden bir araç geliştirmeyi amaçladılar.

İpuçları için hastane kayıtlarının kazılması

Araştırmacılar, 2022–2023 yılları arasında büyük bir Güney Kore hastanesinde 4.915 erişkin YBÜ kabulünü incelediler. Bu hastaların tamamına YBÜ’ye varışın ardından 48 saat içinde rektal sürüntü alındı. Yaklaşık yüzde 9,2—453 kişi—KPE ile kolonize bulundu. Elektronik tıbbi kayıtlardan ekip, kabul sırasında mevcut olan yaş, yakın dönemde hastane ve uzun süreli bakımda kalma, önceki ameliyatlar, altta yatan hastalıklar, önceki antibiyotik kullanımı ve hastanın tüp veya kateterlere sahip olup olmadığı dahil olmak üzere 42 bilgi maddesi çekti. Bu değişkenleri kullanarak, KPE taşıyıcılarını taşıyıcı olmayanlardan en iyi ayıran yöntemi görmek için on farklı makine öğrenmesi yaklaşımını karşılaştırdılar.

Güçlü dışlama yeteneğine sahip basit bir model

En karmaşık algoritmayı tercih etmek yerine, çalışma gerçekte kullanım için nispeten basit bir yöntemin—lojistik regresyonun—en iyi dengeyi sunduğunu buldu. Seçilen bir risk eşik değeri ile model taşıyıcıların yaklaşık yüzde 73’ünü doğru şekilde belirledi ve öngörülen taşıyıcı olmayanların yüzde 96’sını gerçekten negatif olarak sınıflandırdı. Pratik anlamda, araç bir hastanın KPE taşıması olası değil dediğinde neredeyse her zaman doğrudur. Bu, sınırlı izolasyon odalarına gerçekten kimin ihtiyaç duyduğuna karar vermek zorunda olan enfeksiyon kontrol ekipleri için kritik öneme sahiptir. Diğer, daha sofistike modeller daha spesifik olsa da birçok gerçek taşıyıcıyı kaçırdı; bu da bu amaç için daha az güvenli hale getiriyor.

Kimler en çok risk altında?

Araç klinisyenler için anlaşılır tutmak amacıyla yazarlar 12 temel öngörücüye odaklandılar. Karaciğerden safra boşaltan bir tüp olan biliyer drenajın varlığı, KPE taşıyıcılığıyla en yüksek ilişkiyi gösteriyordu. Diğer güçlü işaretler arasında yakın dönemde uzun süreli bakım tesisinde kalma, nazogastrik beslenme tüpü veya santral venöz kateter varlığı, yakın zamanda steroid tedavisi, önceki çoklu antibiyotik kullanımı ve YBÜ’ye girmeden önce daha fazla hastanede kalınan gün sayısı yer aldı. Vancomisin‑dirençli Enterokoklar gibi başka dayanıklı bir mikropla önceki kolonizasyon veya enfeksiyon öyküsü de riski artırdı. Ekip, her bir faktörün hastanın riskini nasıl yukarı veya aşağı ittiğini gösteren SHAP (Shapley Additive Explanations) yöntemini kullandı, böylece bireysel tahminler gizemli bir “kara kutu” olmaktan çıktı.

Sayıdan başhekimlik kararı alımına

Çalışmayı veri kümesinin ötesinde kullanılabilir kılmak için ekip ücretsiz bir web tabanlı hesaplayıcı (www.cpepredictor.com) geliştirdi. Klinisyenler YBÜ kabulünde örneğin hastanın yakın zamanda belirli antibiyotikleri alıp almadığı veya belirli tüplere sahip olup olmadığı gibi 14 basit soruya yanıt girerek aracın KPE kolonizasyonu olasılığını anında görebilirler. Yazarlar modelin düşük riskli hastaları dışlamak için en iyi şekilde kullanılması gerektiğini, kişileri kesin olarak taşıyıcı ilan etmek için kullanılmaması gerektiğini vurguluyorlar. Pozitif bir sonuç erken izolasyon veya hızlı moleküler testleri tetiklemeli, standart laboratuvar kültürlerinin yerini almamalıdır. Çalışma tek bir hastanede gerçekleştirildiği ve başka yerlerde doğrulanması gerektiği halde, dikkatle tasarlanmış, yorumlanabilir makine öğrenmesi araçlarının hastanelerin enfeksiyon kontrol kaynaklarını en çok ihtiyaç duyulan yerlere yönlendirmesine yardımcı olabileceğini; son derece dirençli bakterilerin yayılmasını, zaten yoğun YBÜ’leri bunaltmadan azaltabileceğini gösteriyor.

Atıf: Kim, J.H., Yang, E., Lee, Y.W. et al. Early prediction of colonization by carbapenemase-producing enterobacterales at ICU admission using machine learning. Sci Rep 16, 6705 (2026). https://doi.org/10.1038/s41598-026-37927-8

Anahtar kelimeler: antibiyotik direnci, yoğun bakım ünitesi, enfeksiyon kontrolü, tıpta makine öğrenmesi, hastane kaynaklı enfeksiyonlar