Advers olayların nedenselliğini otomatikleştirmeye yönelik kNN tabanlı bir makine öğrenmesi yaklaşımı

İlaç kullanan kişiler için neden önemli

Yeni bir ilaç piyasaya çıktığında hikâyesi yeni başlar. Milyonlarca insan ilacı gerçek dünyada kullanacak ve bazıları, ilacın neden olup olmadığı belirsiz sağlık sorunları yaşayacaktır. Hangi reaksiyonların gerçekten ilaçla ilişkili olduğunu ayırt etmek hasta güvenliği için hayati önemdedir; ancak bugün bu iş yavaş, karmaşık ve büyük ölçüde elle yürütülmektedir. Bu çalışma, basit ama güçlü bir yapay zeka biçiminin uzmanların bu güvenlik raporlarını hastaları koruyan insan yargısını ortadan kaldırmadan daha hızlı ve tutarlı biçimde gözden geçirmelerine nasıl yardımcı olabileceğini araştırıyor.

Güvenlik hikâyeleri nasıl veriye dönüşüyor

İlaç şirketleri ve düzenleyiciler, ilaçlarla gerçek kişilerin deneyimlerinin yapılandırılmış özetleri olan bireysel vaka güvenlik raporlarına güvenir. Her rapor, örneğin baş ağrısı veya karaciğer problemi gibi neyin yanlış gittiğini, durumu ne kadar ciddi olduğunu, hangi diğer ilaçların ve hastalıkların mevcut olduğunu ve orijinal değerlendiricinin ilaca bağlantı hakkındaki görüşünü içerebilir. Altı piyasaya sürülmüş ilaç için 800.000’den fazla böyle raporda, şirketin tıbbi değerlendiricileri her advers olayın ilaca bağlı olup olmadığına, bağlı olmadığına veya eksik ya da çelişkili bilgiler nedeniyle değerlendirilemez olduğuna zaten karar vermişti. Araştırmacılar bu zengin tarihî kaydı, yeni vakalarda insan kararlarını taklit etmeyi öğrenmesi için bir bilgisayar modeli eğitme materyali olarak kullandı.

Benzer vakaları tespit etmeyi bilgisayara öğretmek

Siyah kutu bir sistem kurmak yerine ekip, “en yakın komşular” adı verilen özellikle şeffaf bir yöntemi seçti. Fikir sezgiseldir: iki vaka çok benziyorsa, muhtemelen ilacın olaya neden olup olmadığı konusunda aynı sonuca sahiptir. Benzerliği yakalamak için araştırmacılar her advers olayı yedi parçalı bir profil olarak temsil ettiler; bunlar olaya ait tıbbi terim, ilacın kesilip yeniden başlatıldığında ne olduğu, sorunun o ilaç için beklenip beklenmediği, bildirici görüşü, alınan diğer ilaçlar, tıbbi öykü ve olayın ciddiyetidir. Ardından bu yedi boyutlu uzayda herhangi iki vakanın ne kadar yakın olduğunu ölçtüler ve nedensellik açısından en çok önem taşıyan özelliklere, örneğin tam olay tanımına ve tedavideki değişikliklere daha fazla ağırlık verdiler.

Yakınlıktan üçlü bir karara

Yeni bir rapor geldiğinde model, tarihî verilerde en benzer on vakayı arar. Sonra bu komşuların nasıl sınıflandırıldığını kontrol eder ve onların oylarını üç geniş sonuç arasında saydırır: muhtemelen ilaca bağlı, ilaca bağlı değil veya muhtemel değil, ve değerlendirilemez. Bu üçlü gruplaşma klinik nüans ile güvenilir performans arasında bir denge kurar. Daha önce görülmemiş 250.000’den fazla vaka üzerinde test edildiğinde model, ilaca bağlı olduğu düşünülen vakalar ve değerlendirilemez olarak yargılanan vakalar için insan değerlendiricilerle yakın uyum gösterdi; hata oranları düşüktü ve doğruluk ile kapsayıcılığı birleştiren güçlü puanlar elde edildi. Daha az sayıda olan açıkça ilaca bağlı olmayan vakalarla ilgili performansta daha fazla zorlandı; bu, makine öğrenmesi sistemlerinin bir örnek türü nispeten nadir olduğunda yaşadığı güçlüğü yansıtır.

“Söylenemez” sisini azaltmak

Gerçek dünyadaki güvenlik çalışmalarında pratik bir sorun, bilgiler yetersiz veya belirsiz olduğunda “değerlendirilemez” etiketinin her şeye uygulanabilecek bir kategori haline gelmesidir; bu da gerçek güvenlik desenlerini görmeki zorlaştırır. Araştırmacılar modele bu etiketi atama konusunda daha temkinli davranmasını sağlayan bir ayar aracı eklediler. Model benzer vakalar arasında basit çoğunluğu kazandığında otomatik olarak “değerlendirilemez” demek yerine, artık bu seçimi desteklemek için daha yüksek bir komşu yüzdesi gerektiriyor. Bu eşiği yükselterek ekip, modelin bir vakayı değerlendirilemez olarak nitelendirme sıklığını keskin şekilde azaltabildi ve diğer iki kategori için performansı iyileştirebildi; en zor değerlendirilen vakalarda ise bazı artan uyuşmazlıklara katlanıldı. Web tabanlı bir pano, tıbbi değerlendiricilerin ürüne göre bu eşiği ayarlamasına, sonuçların dengesinin anında nasıl kaydığını görmesine ve model ile insanın anlaşamadığı vakalara odaklanmasına olanak tanır.

Geleceğin ilaç güvenliği için anlamı

Tıbbi değerlendiricilerin değerlendirilemez olarak etiketlediği yakın tarihli bir örnek grubunda sistem, sonucun farklı olduğu yüzlerce vakayı öne çıkardı. Kıdemli değerlendiriciler bunları yeniden incelediklerinde modelle üçte ikiden fazla oranda aynı görüşte olduklarını belirlediler; bu, böyle araçların gözden kaçmış desenleri işaretleyebileceğini ve uzmanların yerini almadan kalite denetimini destekleyebileceğini gösteriyor. Çalışma, açık ve benzerlik temelli bir yaklaşımın yapay zekayı ilaç güvenliğine açıklanabilir, ayarlanabilir ve tıbbi uygulamayla uyumlu şekilde sokabileceğini gösteriyor. Daha fazla veri biriktikçe ve güncel dil teknolojileriyle metin anlatımları eklendikçe, bu tür sistemler ortaya çıkan risklerin daha erken fark edilmesine yardımcı olabilir; nihai kararların sorumluluğunu ise klinisyenlerin elinde tutarak.

Atıf: Ren, J., Carroll, H., McCarthy, K. et al. A kNN based machine learning approach to automating causality assessment of adverse events. Sci Rep 16, 9140 (2026). https://doi.org/10.1038/s41598-026-40267-2

Anahtar kelimeler: farmakovijilans, ilaç kaynaklı olumsuz olaylar, nedensellik değerlendirmesi, makine öğrenmesi, en yakın komşular (k nearest neighbors)