s-EASIX’in makine öğrenimi analizi: MIMIC-IV’deki sepsis hastalarında 30 günlük ölümün tahmini

Ağır enfeksiyon geçiren hastalar için neden önemli

Sepsis, enfeksiyona karşı hayatı tehdit eden bir yanıt olup her yıl dünya çapında milyonlarca insanı öldürür; genellikle yoğun bakım ünitesine (YBÜ) girişten günler içinde can kayıpları meydana gelir. Hekimler, standart laboratuvar testleri sadece hafif anormallikler gösterse bile hangi hastaların sessizce organ yetmezliğine doğru ilerlediğini tespit etmek için acil olarak daha iyi yöntemlere ihtiyaç duyar. Bu çalışma, tek bir anda değil zaman içinde izlenen basit bir kan temelli indeksi tanıtır ve bu indeksin değişim deseninin 30 gün içinde kimlerin ölme riskinin yüksek olduğunu öngörebileceğini gösterir. Modern veri bilimi ile rutin laboratuvar sonuçlarını birleştirerek, sepsis için daha erken ve daha kişiselleştirilmiş tedavilere işaret eder.

Günlük kan testlerinden elde edilen basit bir skor

Araştırma, basitleştirilmiş endotel aktivasyon ve stres indeksi olan s-EASIX etrafında yoğunlaşır. Bu indeks yalnızca iki rutin kan testi sonucunun kullanılmasıyla hesaplanır: hücre hasarı ve metabolik stres göstergesi olan laktat dehidrogenaz (LDH) ile kanın pıhtılaşmasına yardımcı küçük hücre parçacıkları olan trombositler. Bu iki değer birlikte, sepsis sırasında kan damarlarının iç yüzeyinin —endotelin— ne kadar hasar gördüğünü yansıtır. Bu yüzey bozulduğunda, vücudun en küçük damarları boyunca kan akımı bozulur, organlar şişer veya kanar ve ölüm riski keskin şekilde artar. Pahalı laboratuvar yöntemleri gerektiren birçok deneysel moleküldan farklı olarak, s-EASIX neredeyse her YBÜ hastası için hastanelerin zaten çalıştırdığı testlerden hesaplanabilir.

Skorun zaman içindeki iniş çıkışlarını izlemek

Yazarlar, s-EASIX’in YBÜ kabul günü ne olduğuna bakmak yerine hastalığın ilk ayı boyunca nasıl değiştiğini incelediler. Yoğun bakım kayıtlarının büyük ve açık MIMIC-IV veritabanını kullanarak, en az üç kez LDH ve trombosit ölçümü yapılmış 8.113 erişkin sepsis hastasını belirlediler. Zaman içinde benzer desenlere sahip hastaları gruplandıran istatistiksel bir teknikle, beş farklı s-EASIX “trajektorisini” ortaya çıkardılar: düşük-stabil grup, orta-stabil grup, yüksek fakat hızla düşen grup, orta düzeyde fakat sürekli yükselen grup ve yalnızca yavaş düşen çok yüksek bir grup. Bu desenler enfeksiyon, iltihap, damar hasarı ve vücudun iyileşme yeteneği arasındaki devam eden çekişmeyi yakaladı.

Hangi desenler tehlike işaretidir

Araştırmacılar bu beş deseni sağkalım ile ilişkilendirdiklerinde farklar çarpıcıydı. s-EASIX’i başlangıçta yüksek olup izleyen günlerde hızla düşen hastaların 30 günlük ölüm oranları, skorları boyunca düşük veya orta kalanlarla benzer bulundu. Buna karşılık, iki trajektori özellikle uğursuz çıktı: orta düzeyde başlayıp yükselmeye devam eden bir yol ve yalnızca hafifçe azalan çok yüksek bir yol. Yaş, hastalık şiddeti, organ destek tedavileri ve birçok diğer faktör kontrol edildikten sonra, bu iki grubun 30 gün içinde düşük-stabil gruba göre yaklaşık iki ila üç kat daha yüksek ölüm riski taşıdığı görüldü. Bu ilişki kadın ve erkekler arasında, mekanik ventilasyonu olan ve olmayan hastalar arasında ve kan sulandırıcı ilaç alıp almamalarından bağımsız olarak korundu. Bu “kötü” trajektorlere sahip daha genç erişkinler özellikle yüksek risk altındaydı; bu durum güçlü ama yanlış yönlendirilmiş bir bağışıklık yanıtının damarlarını ezebileceğini düşündürüyor.

Riskli desenleri görmek için makineleri eğitmek

Bilgisayarların s-EASIX trajektorilerini kullanarak tahmini daha da iyileştirip iyileştiremeyeceğini test etmek için ekip, trajektori sınıfını diğer klinik verilerle birleştiren birkaç makine öğrenimi modeli geliştirdi. Altı farklı yaklaşımı eğittiler ve değerlendirdiler; LightGBM adlı yöntemin en iyi performansı gösterdiğini buldular. Doğrulama grubundaki hastalarda bu model, kurtulanları kurtulamayanlardan yüksek doğruluk ve güvenilir kalibrasyonla ayırt etti; yani modelin tahmin ettiği olasılıklar gerçekleşenlerle yakın eşleşiyordu. Ayrı bir teknik olan SHAP analizi, bu “kara kutu”yu açmak ve hangi girdilerin modelin kararlarını yönlendirdiğini ortaya koymak için kullanıldı. s-EASIX trajektorisi, yaş ve genel organ yetmezliği puanı ile birlikte modelin kararlarını en çok etkileyen tekil özelliklerden biri olarak öne çıktı ve sepsis riskinin değerlendirilmesindeki merkezî rolünü vurguladı.

Yatak başında bakım için ne anlama geliyor

Uzman olmayanlar için mesaj şudur: basit bir kan temelli stres skorunun zaman içindeki hareketi tek bir okumadan daha güçlü bir hikâye anlatır. Sürekli yüksek ya da giderek yükselen bir s-EASIX, damarların devam eden bir saldırı altında olduğunu, mikrosirkülasyonun çöktüğünü ve organların çöküşe doğru ilerlediğini gösterir—bu, rutin yaşamsal belirtilerden çok önce belirgin olabilir. İlke olarak, bu trajektorinin izlenmesi YBÜ ekiplerinin yüksek riskli hastaları daha erken tanımlamasına, izleme ve tedavi yoğunluğunu kişiselleştirmesine ve pıhtılaşma ve damar sağlığını etkileyen tedavileri ayarlamasına yardımcı olabilir. Çalışma retrospektif ve tek bir hastane sisteminin verilerine dayandığı için dış doğrulamaya ihtiyaç duysa da, ham laboratuvar sayılarını sepsis için erken uyarı sistemine dönüştürebilecek umut verici ve kolay erişilebilir bir aracı öne çıkarır.

Atıf: Kong, Z., Liu, Y., Chen, H. et al. Machine learning analysis of s-EASIX for predicting 30-day mortality in sepsis patients from MIMIC-IV. Sci Rep 16, 8842 (2026). https://doi.org/10.1038/s41598-026-40400-1

Anahtar kelimeler: sepsis, endotel disfonksiyonu, risk öngörüsü, makine öğrenimi, yoğun bakım