Makine öğrenimi modelleri ve özellik seçimi kullanarak akut pankreatitte enfekte pankreatik nekrozun tahmini

Hastalar ve aileleri için bunun önemi

Pankreasta şiddetli iltihap nöbetleri, organın bazı bölgelerinin ölmesi ve enfekte olması durumunda aniden hayati tehlike oluşturabilir. Doktorlar bu riski iyi bilir, ancak hâlâ hastalığın ilk günlerinde hangi hastaların bu komplikasyona doğru gideceğini tespit etmekte zorlanıyor. Bu çalışma, rutin hastane verileriyle eğitilmiş dikkatle tasarlanmış bilgisayar modellerinin, doktorların bu riski daha erken ve daha doğru tahmin etmelerine yardımcı olabileceğini, böylece enfeksiyon yerleşmeden önce tedaviyi yönlendirebileceğini gösteriyor.

Yaygın bir acildeki gizli tehlike

Akut pankreatit, dünya çapında en sık görülen sindirim acillerinden biridir. Birçok hasta destekleyici bakım ile iyileşir, ancak önemli bir kısmında pankreasın içinde ve çevresinde sıvı toplanmaları ve ölü doku alanları gibi ciddi sorunlar gelişir. Bu ölü alanlar enfekte olduğunda — enfekte pankreatik nekroz adı verilen durum — organ yetmezliği, uzun hastanede kalış ve ölüm riski keskin biçimde yükselir. Enfeksiyon genellikle hastaneye kabulden günler sonra ortaya çıktığı için klinisyenler, ilk saatler ve günlerde elde edilebilecek bilgilerle yüksek riskli hastaları erken tanımanın yollarını arıyorlar.

Eski skor tabloları vs yeni akıllı araçlar

Hastaneler, bir pankreatit hastasının ne kadar hasta olduğunu değerlendirmek için APACHE II, BISAP ve BT tabanlı şiddet indeksleri gibi çeşitli skor tabloları kullanıyor. Bu araçlar hayati bulguları, laboratuvar testlerini ve görüntüleme bulgularını tek bir sayıda birleştirir. Yararlı olmakla birlikte, bu skorlar özel olarak enfekte nekrozu tahmin edecek şekilde tasarlanmamıştır ve genellikle sonradan kötüleşen hastaları kaçırır. Buna karşılık modern makine öğrenimi, aynı anda çok daha fazla değişkeni süzebilir ve insan yapımı skorların gözden kaçırdığı ince kalıpları ve etkileşimleri yakalayabilir. Önceki araştırmalar bu teknikleri genel hastalık şiddeti için uygulamış, ancak nadiren nekrotik dokunun enfeksiyonuna odaklanmış, çoğunlukla ayrı hasta gruplarında sıkı sınama veya modellerin nasıl tahmin yaptığını açıklayan net yöntemlerden yoksun kalmıştır.

Veriye dayalı erken uyarı sistemi inşa etmek

Yazarlar, 2017–2023 arasında büyük bir Çin hastanesine akut pankreatit nedeniyle başvuran ve ilk epizod olan 728 erişkinin kayıtlarını analiz etti; erken görüntüleme veya kan testleri olmayan ve diğer karmaşık durumları bulunan hastalar çalışma dışı bırakıldı. Kan sayımları, inflamasyon ve pıhtılaşma belirteçleri ve klinik skorlar dahil olmak üzere ölçümlerin çoğu kabulün ilk 24 saati içinde ve enfekte nekroz tanısından önce toplandı. Araştırmacılar, birkaç ağaç tabanlı yöntem, bir sinir ağı ve geleneksel lineer yaklaşımlar dahil olmak üzere altı farklı tahmin modeli eğittiler. Fazla uyumdan kaçınmak için her modelin verinin bir diliminde tekrar tekrar eğitilip başka bir dilimde test edildiği katı bir çapraz doğrulama kullandılar ve yalnızca en bilgilendirici özellikleri otomatik olarak seçtiler. Ardından her modelin en iyi sürümlerini dondurdular ve bunları 2022–2023’te yatırılan, tamamen ayrı bir sonraki 166 hasta grubunda değerlendirdiler.

Bilgisayar enfeksiyon riskinden ne öğrendi

Modeller genelinde ağaç tabanlı yaklaşımlar — özellikle random forest — enfekte nekroz gelişecek hastaları tahmin etmede en güçlü ve en güvenilir sonuçları verdi. En iyi random forest modeli, yaygın kullanılan APACHE II skorunu açıkça geride bırakarak yüksek ve düşük riskli hastaları daha yüksek doğrulukla ve daha iyi kalibre edilmiş risk olasılıklarıyla ayırt etti. “Kara kutuyu” açmak için ekip, her hastanın tahminini belirli giriş özelliklerine atayan SHAP adlı bir teknik kullandı. Bu analiz fibrinojen, D-dimer, interlökin-6 ve C-reaktif protein gibi bazı pıhtılaşma ve inflamasyon kan belirteçlerini ve aynı zamanda APACHE II skorunu güçlü uyarı işaretleri olarak öne çıkardı. Buna karşılık daha yüksek lenfosit sayıları ve daha iyi kan yoğunluğu ile böbrek belirteçleri koruyucu görünüyordu. Bu desenler, şiddetli inflamasyon, bozulmuş kan akımı ve zayıflamış bağışıklığın hasarlı pankreatik dokuda enfeksiyona zemin hazırladığına dair mevcut tıbbi bilgilerle uyumluydu.

Araştırma aracından yatak başı desteğine

Çalışma, hastanelerin zaten topladığı laboratuvar testleri ve klinik bilgilerle kurulmuş, yorumlanabilir bir random forest modelinin enfekte pankreatik nekroz için erken bir uyarı aracı olarak hizmet edebileceğini öne sürüyor. Böyle bir sistem klinik kararı ikame etmez, ancak daha yakından izleme, tekrarlayan görüntüleme, yoğun bakım yönlendirmesi veya antibiyotik ve girişimlerin daha dikkatli kullanımı ile yarar görebilecek hastaları işaretleyebilir. Çalışma tek bir başvuru merkezinden geldiği ve geçmiş verilere dayandığı için, çok merkezli ve farklı hasta popülasyonlarında doğrulanması ve ince ayar yapılması gerekiyor. Gelecekteki çalışmalar başarılı olursa, bu tür şeffaf, veriye dayalı risk hesaplayıcılar akut pankreatit nedeniyle yatırılan hastaların günlük bakımının bir parçası haline gelerek doktorların en yüksek riskli durumda daha erken ve daha isabetli hareket etmesine yardımcı olabilir.

Atıf: Xin, L., Yixuan, D., Bohan, H. et al. Predicting infected pancreatic necrosis in acute pancreatitis using machine learning models and feature selection. Sci Rep 16, 11338 (2026). https://doi.org/10.1038/s41598-026-38410-0

Anahtar kelimeler: akut pankreatit, enfekte pankreatik nekroz, makine öğrenimi, klinik risk tahmini, random forest