Kardiyovasküler girişim hastalık veritabanı kurulumu ve ameliyat sonrası mortalite riskinin tahmini üzerine çalışma

Bu hastalar ve aileleri için neden önemli

Kardiyovasküler girişimler hayat kurtarabilir, ancak özellikle yaşlı ve daha hasta olan bireyler için gerçek riskler de taşırlar. Bir müdahale sonrası en büyük sorulardan biri, “Benim ya da yakınımın ameliyattan sonraki aylarda ölme olasılığı nedir?” şeklindedir. Bu çalışma, hastane verilerinin dikkatle düzenlenmesi ve modern bir yapay zeka (YZ) modelinin doktorların bu riski daha doğru tahmin etmesine nasıl yardımcı olabileceğini gösteriyor; böylece hassas hastalar daha yakından izlenebilir ve sorunlar başlarken daha erken müdahale edilebilir.

Dağınık kayıtlardan eksiksiz bir hasta öyküsüne

Geleneksel olarak kalp hastalarına ait bilgiler birçok hastane sistemine dağılmış halde olur—laboratuvar raporları bir yerde, görüntülemeler başka bir yerde ve takip notları farklı bir yerde. Bu bilgilerin çoğu serbest metin halinde ve standartlaştırılmamış olduğundan bilgisayarların ve hatta doktorların tam resmi görmesini zorlaştırır. Araştırmacılar bunu, Çin’in Zhejiang Eyaleti’ndeki büyük bir hastanede kardiyovasküler girişimler için özel bir veritabanı kurarak ele aldı. Bir yıl boyunca minimal invaziv kalp prosedürü geçiren 728 hastadan ayrıntılı, yapılandırılmış veriler toplandı ve sonunda yatıştan ameliyattan sonraki altı aya kadar eksiksiz bilgiye sahip 638 olguya odaklanıldı. Bu “tam döngü” görünümü hastaların kim olduğunu, prosedür öncesi ve sırasındaki gelişmeleri ve sonrasında nasıl iyileştiklerini yakalar.

Kalp-risk veritabanına neler giriyor

Veritabanı, elektronik sağlık kayıtları, laboratuvar sistemleri, görüntüleme platformları ve takip klinikleri gibi birden çok hastane sisteminden bilgi çeker. Ekip verileri dört ana blokta topladı: temel hasta bilgileri ve tıbbi öykü; ameliyat öncesi yapılan test ve taramalar; prosedür sırasında gerçekte neler olduğu; ve hayati bulgular, kan testleri ve günlük yaşam yeteneği skorları gibi takip göstergeleri. Ardından veriyi temizlediler—çok sayıda eksik değere sahip alanları çıkardılar, küçük boşlukları mantıklı şekilde doldurdular ve sigara kullanımı, kanama gibi metin kategorilerini bilgisayarların analiz edebileceği sayısal kodlara dönüştürdüler. Ayrıca mevcut birden fazla hastalığı tek bir eşlik eden hastalık skorunda özetleyerek her hastanın genel hastalık yükünü yansıtmayı kolaylaştırdılar.

YZ modelini erken uyarı işaretlerini görmesi için eğitmek

Veriler düzenlendikten sonra araştırmacılar odaklı bir soru sordu: bu bilgiler ışığında, kimlerin prosedür sonrası altı ay içinde öleceğini tahmin edebilir miyiz? 638 hastadan yalnızca 41’i bu dönemde öldü; bu da tahmin problemini özellikle zorlaştırıyor—hayatta kalanlar çok daha fazla ve birçok model nadir ama kritik yüksek riskli vakaları gözden kaçırma eğiliminde oluyor. Ekip önce tam hasta yolculuğu boyunca en bilgilendirici 30 değişkeni seçmek için bir özellik seçimi yöntemi kullandı. Bunlar arasında yaş, vücut kitle indeksi, eşlik eden hastalık yükü, bazı kan testi sonuçları, aletlerin yerinde kalma süresi gibi operasyon detayları ve böbrek ve karaciğer fonksiyonu ile günlük yaşam becerileri gibi takip ölçümleri yer aldı.

Hız ve doğruluk için inşa edilmiş hibrit bir YZ motoru

Zamana bağlı bu veriyi analiz etmek için araştırmacılar iki YZ tekniğini birleştiren hibrit bir model tasarladı. İlki, uzun-kısa süreli bellek ağı olarak bilinen yöntem, labour değerlerin ameliyat öncesi ve sonrası nasıl değiştiği gibi zaman içindeki desenleri izlemede iyidir—ancak tek başına kullanıldığında yavaşlayabilir ve fazla uyum (overfitting) eğilimi gösterebilir. İkincisi, geniş öğrenme sistemi, derin ağlara özgü ağır ağırlık ayarlamaları olmadan özellikler arasında hızlı bağlantılar kurar. Tasarımlarında, hasta yaşam döngüsü verisi önce zaman farkındalıklı model bölümünden geçiyor, sonra fazla uyumu azaltmak için bir düzenleme adımına giriyor ve nihayet hızlıca son tahmini hesaplayan geniş öğrenme katmanına aktarılıyor. Bu yapı derin öğrenmenin güçlü yönlerini korurken zayıf yönlerini buduyor.

Sonuçların gerçek bakım için anlamı

Hibrit modellerini üç yaygın sinir ağı yaklaşımı ile karşılaştırdıklarında yeni tasarım açıkça en iyi performansı gösterdi. Hastaları yaklaşık %87 doğrulukla doğru sınıflandırdı ve özellikle altı ay içinde gerçekten ölenlerin %93’ünden fazlasını tespit etti—amaç yüksek riskli kişileri kaçırmamak olduğunda bu önemli bir avantaj. Günlük dilde ifade etmek gerekirse, hastane verilerini adanmış bir kalp müdahalesi veritabanında düzenleyip özel bir YZ modeliyle çalıştırarak doktorlar, prosedür sonrası ekstra dikkat gerektiren hastalar hakkında daha güvenilir erken uyarılar alabilir. Çalışma tek bir hastaneden geldiği ve diğer merkezlerde test edilmesi gerektiği için sınırlılıkları olsa da, daha akıllı veri kullanımı ve özel tahmin araçlarının kalp girişimlerini daha güvenli ve iyileşmeyi daha emniyetli hale getirmeye yardımcı olacağı bir geleceğe işaret ediyor.

Atıf: Qi, P., Hu, C., Li, Y. et al. Study on establishment of cardiovascular interventional disease database and prediction of postoperative mortality risk. Sci Rep 16, 12493 (2026). https://doi.org/10.1038/s41598-026-39788-7

Anahtar kelimeler: kardiyovasküler girişim, ameliyat sonrası risk, mortalite tahmini, tıbbi veritabanları, sağlık hizmetlerinde yapay zeka