Çok görevli öğrenmeye dayalı, çok kurumsal kohort verileri kullanılarak antibiyotik direncinin erken tahmin modeli

Günlük sağlık bakımı için neden önemli

Antibiyotik direnci, bir zamanlar tedavi edilebilen enfeksiyonları sessizce hayati tehlike oluşturan hastalıklara dönüştürüyor. Doktorlar sıklıkla hangi ilacın etkili olduğunu gösteren laboratuvar sonuçlarını beklemeden antibiyotik seçmek zorunda kalıyor; bu gecikme birkaç gün sürebiliyor. Bu çalışma, hastane kayıtları üzerinde eğitilmiş bilgisayar modellerinin, hangi antibiyotiklerin muhtemelen etkisiz kalacağı konusunda doktorlara erken uyarı sağlayıp sağlayamayacağını araştırıyor; böylece hastaları korumaya ve dirençli bakterilerin yayılmasını yavaşlatmaya yardımcı olabilir.

Antibiyotikler baskı altında

Modern tıp, rutin cerrahiden kanser bakımına kadar pek çok alanda antibiyotiklere büyük ölçüde dayanıyor. Ancak bakteriler hızla evrimleşiyor ve yeni antibiyotikler, eski olanların etkinliğini yitirmesinden daha yavaş ortaya çıkıyor. Bu çalışmanın yapıldığı Güney Kore’de, hastanelerde yazılan antibiyotik reçetelerinin üçte birine kadarının uygunsuz olduğu değerlendiriliyor. Bir mikroorganizmanın dirençli olup olmadığını gösteren kültür testleri genellikle üç ila beş gün sürüyor ve doktorları karanlıkta tedavi etmeye zorluyor. Araştırmacılar, hastanın hastaneye yatışının erken döneminde mevcut olan bilgilerle dokuz ana antibiyotik grubuna karşı direnci tahmin etmeyi amaçladılar.

Hastane verilerini erken uyarılara dönüştürmek

Ekip, on yılı aşkın sürede üç büyük Kore hastanesinde yatan 59.551 yetişkin hastanın elektronik tıbbi kayıtlarını analiz etti. Bu kayıtlar yaş, hayati bulgular, yatış süresi, önceki antibiyotik kullanımı ve kritik olarak hangi antibiyotiklerin daha önce başarısız olduğunu gösteren geçmiş kültür sonuçlarını içeriyordu. Dokuz ayrı model—her antibiyotik grubu için birer tane—eğitmek yerine, ilişkili birden çok tahmin görevini aynı anda öğrenebilen çok görevli öğrenme adlı bir strateji kullandılar. İki versiyon test edildi: her görev için ayrı çıktılara dallanan paylaşılan bir çekirdek içeren (sıkı paylaşım) ve görevlerin daha gevşek bağlı olduğu (gevşek paylaşım) bir yaklaşım.

Eksik laboratuvar sonuçları sorununu çözmek

Gerçek hastane verileri karmaşıktır: her hastaya her antibiyotik için test yapılmaz. Önceki çalışmalar genellikle kısmi etiketli olguları dışarı atarak veri setlerini küçültmüş ve farklı ilaçlara yayılan desenleri göz ardı etmiştir. Burada araştırmacılar, modelin öğrenme kuralını, eğitim hatasını hesaplarken eksik laboratuvar sonuçlarını basitçe atlayacak şekilde yeniden yazdı. Bu, bazı antibiyotik sonuçları eksik olsa bile neredeyse tüm hastaların analizde tutulmasına olanak sağladı. Özellikle sıkı paylaşım modeli bu düzenden fayda gördü; çünkü ortak direnç sinyallerini öğrenirken her ilaç grubu için tahminlerini ince ayar yapabiliyordu.

Modeller ne kadar iyi performans gösterdi?

Daha önce görmedikleri hastanelerin verileri üzerinde test edildiğinde, çok görevli modeller genel olarak lojistik regresyon ve standart boosting algoritmaları gibi daha geleneksel yöntemlerden daha iyi performans gösterdi. Ortalama olarak, dokuz antibiyotik sınıfı boyunca doğruluk ve kararlılık açısından en iyi dengeyi sıkı paylaşım modeli sundu ve özellikle aminoglikozitler gibi veri en az olan ilaç gruplarında güçlüydü. Tahminleri hangi özelliklerin yönlendirdiğini açıklayan ayrı bir analiz, bir hastanın daha önce bir antibiyotiğe karşı gösterdiği direncin en önemli tek faktör olduğunu; bunu ilgili ilaçlarda direncin veya kullanımın, ayrıca yaş ve yatış süresinin takip ettiğini ortaya koydu. Alt grup analizleri, belirli bir antibiyotik için geçmiş kültür sonuçları mevcut olduğunda sıkı paylaşımın en iyi sonucu verdiğini; geçmiş yoksa gevşek paylaşımın daha iyi olduğunu gösterdi.

Bu hastalar ve klinisyenler için ne anlama geliyor

Çalışma, hastane kayıtlarının akıllıca kullanılmasının birkaç ana ilaç ailesi için antibiyotik direncine dair erken, makul ölçüde güvenilir tahminler sağlayabileceğini öne sürüyor. Tahmin doğruluğundaki küçük iyileşmeler bile büyük hasta gruplarına uygulandığında, doktorların daha dar spektrumlu, hedefe yönelik antibiyotikleri daha erken seçmesine ve geniş kapsamlı ilaçlardan daha emin adımlarla geri çekilmesine yardımcı olabilir. Bu da komplikasyonları azaltabilir, hastanede yatış sürelerini kısaltabilir ve direncin yayılmasını yavaşlatabilir. Yazarlar, modellerinin özellikle geçmiş kültür verileri olmadığında hâlâ gerçek dünyada test ve iyileştirme gerektirdiği konusunda temkinli davranıyor, ancak çok görevli öğrenmenin kusurlu tıbbi verileri daha iyi kullanmak ve antibiyotik kullanımını daha dikkatli desteklemek için umut verici bir yol sunduğunu savunuyorlar.

Atıf: Kim, Y., Jeong, I., Park, JH. et al. Multi task learning based early prediction model for antibiotic resistance using multi institutional cohort data. Sci Rep 16, 11891 (2026). https://doi.org/10.1038/s41598-026-41185-z

Anahtar kelimeler: antibiyotik direnci, klinik karar desteği, elektronik sağlık kayıtları, makine öğrenimi, çok görevli öğrenme