Kafa içi supratentoriyal kanama sonrası kraniyotomi ile ilişkili trakeostomi ihtimalinin açıklanabilir makine öğrenmesi ile tahmini

Hastalar ve aileler için neden önemli

Beyinde kanamadan kaynaklanan ciddi bir inme geçiren kişiler sıklıkla acil beyin ameliyatı ve solunum desteği gerektirir. Doktorlar ve aileler için yatak başında verilen en zor kararlardan biri, hastanın daha uzun süre solunum desteğine ihtiyaç duyup duymayacağı ve bunun için boyunda açılan trakeostomi adı verilen deliğin gerekip gerekmediğidir. Bu çalışma, yapay zekânın açıklanabilir bir biçiminin, sadece birkaç rutin tıbbi ölçümü kullanarak bu riski erken dönemde tahmin edebileceğini ve bunu basit bir yatak başı aracına dönüştürebileceğini gösteriyor.

Ciddi beyin kanaması ve solunum desteği

Üst beyin bölgesindeki kanama, yani supratentoriyal intrakraniyal hemoraji, en tehlikeli inme türlerinden biridir. Çin ve diğer yerlerde bu hastaların çoğu, kanı uzaklaştırmak ve basıncı azaltmak için açık beyin cerrahisi geçirir. Ameliyattan sonra bile neredeyse yarısı uzun süreli solunum desteğine ihtiyaç duyar ve önemli bir kısmı ventilasyonu daha güvenli ve konforlu hale getirmek için trakeostomi olurlar. Bugüne dek doktorlar bu özel cerrahi grup için uyarlanmış olmaktan uzak genel inme skorlarına ve deneyime dayanmak zorundaydı; bu da ailelere net rehberlik vermeyi ve yoğun bakım kaynaklarını planlamayı zorlaştırıyordu.

Rutin veriyi tahmin aracına dönüştürmek

Araştırmacılar, bu tür beyin kanaması geçiren ve ardından ameliyat olan 924 yetişkinden iki hastaneden veri topladılar. İlk bakım gününde zaten toplanan temel bilgileri incelediler: yaş, Glasgow Koma Skalası ile bilinç düzeyi, beyin içindeki kan pıhtısının hacmi, ameliyat süresi ve vücudun asit–baz dengesini yansıtan serum bikarbonat gibi yaygın bir kan kimyası değeri. Adım adım değişken seçimi yaklaşımı kullanarak, bu beş faktörün hastanın daha sonra trakeostomi alıp almayacağı konusunda en yararlı bilgiyi taşıdığını buldular.

Açıklanabilir yapay zekâ modeli nasıl çalışıyor

Bu beş bilgiyle ekip üç farklı bilgisayar modeli eğitti: standart bir istatistiksel model, rastgele orman ve aşırı gradyan artırma (extreme gradient boosting) adı verilen daha gelişmiş ağaç tabanlı bir yöntem. Her modeli dikkatle ayarladılar ve asıl hastanenin verileri üzerinde çapraz doğrulama ile test edip sonra ikinci hastanedeki hastalarda performansı tekrar kontrol ettiler. Üç yöntem de yüksek riskli ile düşük riskli hastaları ayırt etmede iyiydi; ancak gradyan artırma modeli doğruluk ve tahmin güvenilirliği arasında en iyi dengeyi sundu ve sonuçlar bir doktorun yatak başında gerçekte nasıl kullanacağı göz önüne alındığında en büyük potansiyel klinik faydayı verdi.

Siyah kutuyu şeffaf hale getirmek

Tıpta yapay zekâ ile ilgili yaygın bir endişe, sistemin sebepsiz cevaplar veren bir siyah kutu gibi davranmasıdır. Bunu önlemek için araştırmacılar, her tahmini beş girdinin katkılarına ayıran SHAP adlı bir teknik kullandılar. Tüm grup genelinde, düşük bilinç skorları ve daha büyük beyin hematomları trakeostomi gerektirmede en güçlü etkenlerdi; bunları daha ileri yaş, daha uzun ameliyat süresi ve daha düşük bikarbonat seviyeleri izledi. Bireysel hastalar için araç, her faktörün kişisel riski yukarı veya aşağı nasıl etkilediğini gösteren basit çubuk benzeri bir görsel sunabiliyor; bu sayede klinisyenler ve aileler yalnızca bir sayı yerine sezgisel bir açıklama alıyor.

Araştırma modelinden yatak başı aracına

Çalışmalarını günlük pratikte kullanılabilir hâle getirmek için yazarlar ücretsiz bir web tabanlı hesaplayıcı geliştirdiler. Bir klinisyen hastanın yaşını, Glasgow Koma Skalası skorunu, hematom boyutunu, ameliyat süresini ve bikarbonat seviyesini girerek aracın hastanın trakeostomi ihtimali için tahmini bir olasılık ve görsel bir açıklama döndürmesini sağlayabilir. Çalışmanın sınırlamaları var—retrospektif olması, tek bir bölgeden gelmesi ve henüz hastanın daha uzun dönemdeki değişikliklerini içermemesi—ancak küçük ve şeffaf bir faktör setinin riski büyük ölçüde yakalayabileceğini gösteriyor.

Bakım kararları için ne anlama geliyor

Basitçe söylemek gerekirse, çalışma sadece beş rutin ölçümü kullanan açıklanabilir bir yapay zekâ modelinin, ciddi bir beyin kanaması nedeniyle ameliyat geçirmiş bir hastanın trakeostomi gerektirip gerektirmeyeceğine dair güvenilir bir erken tahmin sağlayabileceğini sonucuna varıyor. Bu tür bir araç tıbbi yargının yerini alamaz, ancak ailelerle daha bilgili konuşmalara destek olabilir, yoğun bakım ünitelerinde personel ve ekipman planlamasına yardımcı olabilir ve trakeostominin ne zaman yapılması gerektiğine dair gelecekteki çalışmalar için rehberlik edebilir. Diğer hastanelerde yapılacak ek testlerle, en hasta inme hastalarının standart bakımının bir parçası hâline gelebilir.

Atıf: Qiao, F., Xue, X., Yu, H. et al. Explainable machine learning prediction of tracheostomy after craniotomy for supratentorial intracerebral hemorrhage. Sci Rep 16, 11495 (2026). https://doi.org/10.1038/s41598-026-41953-x

Anahtar kelimeler: inme, trakeostomi, beyin cerrahisi, makine öğrenmesi, yoğun bakım