Akut koroner sendromda hastanede kalış süresini tahmin etmek için multimodal verilerle birleştirilmiş ince taneli bir transformer

Hastanede kalış süresinin önemi

Göğüs ağrısı veya kalp krizi nedeniyle hastaneye getirilen kişiler için ne kadar süre kalacakları meraktan daha fazlasıdır. Bu, bir yatağın ne kadar çabuk boşaltılacağını, diğer hastaların ne kadar erken kabul edilebileceğini, her vardiyada kaç hemşire gerektiğini ve hatta ailelerin karşılaşacağı maliyetleri etkiler. Bu çalışma, tıkalı koroner arterlerin neden olduğu tehlikeli kalp durumları olan akut koroner sendromlu hastalar için hastanede kalış süresini yalnızca tıbbi kayıtlara bakmakla kalmayıp aynı zamanda ayrıntılı kalp görüntülerini de doğrudan inceleyerek tahmin eden yeni bir yapay zeka sistemi sunuyor.

Tıkalı kalp arterlerinin içini görmek

Hekimler zaten kalbin kan damarlarını görmek ve akut koroner sendromları tetikleyebilecek daralmaları veya tıkanmaları tespit etmek için bilgisayarlı tomografi (BT) taramalarına güvenir. Bu damarlar uzun, dallanmış tüpler gibidir ve küçük hastalıklı segmentler her görüntünün yalnızca çok küçük bir bölümünü kaplayabilir. Geleneksel bilgisayar modelleri bu tür taramaları genellikle geniş ölçümlere indirger; bu da bir arterin nerede ve ne kadar şiddetli hasar gördüğünün ince ayrıntılarını gözden kaçırabilir. FRAME adlı yeni yaklaşım, BT görüntülerini çok daha dikkatli ele alır ve bir hastanın ne kadar hasta olduğunu—ve ne kadar süre hastane bakımı gerekebileceğini—gösteren damar şekillerindeki ince değişiklikleri yakalamayı amaçlar.

Bilgisayara damar şekillerini okutmak

Araştırmacılar önce bilgisayarın sağlıklı ve hastalıklı damarların nasıl göründüğünü insanın her görüntüyü etiketlemesine gerek kalmadan kendi kendine öğrenmesini sağlayan bir yöntem geliştirdiler. Her BT görüntüsünü lezyon bölgelerini asla silmeyen güvenli parlaklık ve şekil ayarlamalarıyla nazikçe değiştirdiler. Aynı taramanın orijinal ve değiştirilmiş versiyonlarını karşılaştırarak sistem, görüntü dönüştürüldüğünde hangi özelliklerin sabit kalması ve hangilerinin değişmesi gerektiğini öğrendi. Bu "kendinden denetimli" eğitim, modelin damarların eğrileri, darlıkları ve düzensiz duvarları gibi gerçek üç boyutlu desenlere odaklanmasına yardımcı oldu; gürültü veya alakasız arka plan yapılarından etkilenmemesini sağladı.

Küçük problem noktalarına yakın plan

Bu eğitimin ardından FRAME, her görüntüyü tek bir blok olarak ele almak yerine yeni BT taramalarını küçük döşemeler veya yamalar halinde analiz eder. Bir dikkat mekanizması her yamanın ağırlığını belirler ve hastalıkla daha ilişkili görünenleri vurgular; böylece daralmış, hasarlı damar bölgelerine yakın plan yapıp sağlıklı alanları geri planda bırakır. Paralel olarak sistem, yaş, kalp atış hızı, böbrek fonksiyonu, inflamasyon belirteçleri ve kan hücresi sayımları dahil olmak üzere elektronik tıbbi kayıttan gelen bilgileri işler. İnce taneli bir füzyon adımı daha sonra BT yamaları ile kayıt verilerinin birbirini etkilemesine izin verir; gemi hasarındaki desenleri laboratuvar testleri ve hayati bulgularla ilişkilendirmek için modern dil modellerinin arkasındakiyle aynı tür mimari olan bir Transformer kullanır.

Model sınandı

FRAME’in ne kadar iyi çalıştığını kontrol etmek için ekip, 2015 ile 2021 arasında Şanghay’daki büyük bir göğüs hastanesinde tedavi edilen 615 hastanın verilerine uyguladı. Her hastanın hem BT görüntüleri hem de ayrıntılı tıbbi kayıtları vardı ve hastanede kalış süresi kaydedilmişti. Araştırmacılar FRAME’i klasik makine öğrenmesi formüllerinden gelişmiş görüntü ağlarına ve multimodal modellere kadar uzanan 16 önde gelen alternatifle karşılaştırdı. Tüm hasta grubunda ve beş günden kısa ile iki haftadan uzun olmak üzere dört farklı hastanede kalış aralığında yeni sistem tutarlı biçimde en doğru tahminleri yaptı; ortalama hata yaklaşık bir gün ve tahmin edilen ile gerçek kalış süreleri arasında çok güçlü bir uyum vardı.

Modelin neye baktığını görmek

Ham doğruluk dışında ekip, FRAME’in görüntülerde nerelere "baktığını" ve hangi tıbbi kayıt özelliklerine dayandığını inceledi. Vurgulanan görüntü yamaları neredeyse her zaman gözle görülür lezyonları olan damar segmentleriyle örtüştü; bu, modelin radyologlar için lezyon sınırlarını otomatikleştirmeye yardımcı olabilecek klinik açıdan anlamlı desenleri öğrendiğini gösteriyor. Kayıt verileri arasında kalp atış hızı, böbrek fonksiyonu belirteçleri, ürik asit, inflamasyon proteinleri ve bazı kan hücresi oranları en fazla ağırlığı taşıdı—ve her biri hastaların hastanede kalış süresiyle açık bir istatistiksel bağlantı gösterdi. Bu, önceki klinik çalışmalarla uyumlu olup sistemin akıl yürütmesinin tıbben makul olduğunu hekimlere ek güven veriyor.

Hastalar ve hastaneler için anlamı

Basitçe ifade etmek gerekirse, çalışma zengin kalp görüntülerini dikkatle standart yatak başı ölçümleriyle birleştirmenin, akut koroner sendromlu hastaların hastanede kalış süresini mevcut araçlardan daha doğru biçimde tahmin etmeyi sağladığını gösteriyor. Hastalıklı damarların tam şekillerine ve en belirleyici laboratuvar sonuçlarına dikkat ederek FRAME, hastanelerin yatak ve personel planlamasına yardımcı olabilir, yüksek riskli hastaları daha erken işaretleyebilir ve yoğun hekimler için görüntü incelemesini hızlandırabilir. Yazarlar böyle sistemlerin günlük bakıma rehberlik etmeden önce daha büyük ve daha çeşitli veri kümelerine ihtiyaç duyulacağını belirtse de, bu çalışma daha akıllı ve verimli kalp acil durum yönetimine doğru umut verici bir adımı gösteriyor.

Atıf: You, L., Cen, X. & Wang, S. A fine-grained transformer combined with multimodal data for predicting hospital length of stay in acute coronary syndrome. Sci Rep 16, 11465 (2026). https://doi.org/10.1038/s41598-026-41279-8

Anahtar kelimeler: akut koroner sendrom, hastane kalış süresi, kardiyak BT görüntüleme, tıbbi yapay zeka, multimodal tahmin