CRRT hastalarında bireyselleştirilmiş meropenem dozlaması için makine öğrenmesi modelinin geliştirilmesi ve doğrulanması

Yoğun bakım hastaları için neden önemli

Yoğun bakımda hayatı tehdit eden enfeksiyonlar geliştiğinde hekimler sıklıkla güçlü antibiyotiklere ve hastayı yaşatmak için yapay böbrek makinelerine güvenir. Buna karşın sürekli diyaliz benzeri tedavi gören her hasta için doğru antibiyotik dozunu belirlemek şaşırtıcı derecede zordur. Bu çalışma, makine öğrenmesine dayanan bir aracın, hastanedeki en ağır hasta gruplarından bazıları için geniş spektrumlu antibiyotik meropenem’in daha güvenli ve daha etkili dozlarını seçmede hekimlere nasıl yardımcı olabileceğini gösteriyor.

Kırılgan böbreklerde dozlama ikilemi

Sepsis, vücudun tümünü etkileyen şiddetli bir enfeksiyondur ve sıklıkla böbreklere öyle zarar verir ki hastaların sürekli renal replasman tedavisine (CRRT) —yavaş, 7/24 süren bir diyaliz biçimi— ihtiyacı olur. Bu enfeksiyonların tedavisinde meropenem sıkça kullanılır, ancak kritik hastalıkta ilacın vücuttaki davranışı dramatik şekilde değişir. Sıvı kaymaları, organ yetmezliği ve CRRT cihazı ilacın ne kadar hızlı atıldığını etkiler. Yetersiz meropenem tedavi başarısızlığına ve antibiyotik direncine yol açarken; aşırı doz beyin ve böbrek toksisitesi gibi yan etki riskini artırır. Ortalama hasta verilerine dayalı geleneksel dozlama formülleri, fizyolojisi normalden çok uzak olan bireyler için sıkça hedefi ıskalar.

Sanal bir yoğun bakım popülasyonu kurmak

Böylesi kararsız hastalarda büyük, yüksek kalitede ilaç çalışmalarının nadir olması nedeniyle araştırmacılar önce mevcut bir meropenem farmakokinetik modelini kullanarak 48.000 simüle CRRT hastasından oluşan bir sanal popülasyon yarattılar. Her simüle hasta için yaş, vücut ağırlığı, böbrek fonksiyonu, CRRT ayarları, meropenem dozu, doz aralığı, infüzyon süresi ve enfeksiyona neden olan bakterinin zorluğu (minimum inhibitör konsantrasyon — MİK — olarak özetlendi) değiştirildi. Daha sonra her bir dozlama planının, meropenem düzeylerini tüm dozlama dönemi boyunca yeterince yüksek tutup tutmadığı hesaplandı — hem standart eşik (MİK üzerinde %100 zaman) hem de tedavi başarısızlığına ve dirence karşı daha iyi koruma sağladığı düşünülen çok sıkı eşik (MİK’in dört katı üzerinde %100 zaman) için.

Başarıyı tahmin etmek için makineleri eğitmek

Bu sanal hastaları kullanarak ekip, basit bir evet-hayır sorusunu yanıtlamak için çeşitli makine öğrenmesi modelleri eğitti: belirli bir hasta, belirli bir CRRT kurulumu ve dozlama planı ile istenen ilaç maruziyeti hedefi sağlanacak mı? Rastgele ormanlar, gradyan yükseltme ve karar ağaçları gibi algoritmalar, hasta özellikleri, CRRT klirensi, doz büyüklüğü, doz aralığı, infüzyon süresi ve MİK ile başarı olasılığı arasındaki desenleri öğrendi. Simüle edilmiş test verileri genelinde, çoğu model yüksek doğruluk gösterdi; pek çoğu sonuçları %95’in üzerinde doğru sınıflandırdı. Makine öğrenmesinin “kara kutusunu” açmak için araştırmacılar hangi girdilerin en çok etkilediğini sıralamakta SHAP (Shapley Additive Explanations) kullandılar. Bakteriyel MİK en güçlü tek belirleyici olarak öne çıktı; bunu meropenem’in ne sıklıkla ve ne miktarda verildiği ile hasta ve CRRT cihazının ilacı ne kadar verimli sildiği izledi.

Gerçek dünya testi ve başucu aracı

Bir sonraki adım bu modellerin gerçek hastalarda nasıl performans gösterdiğini görmekti. Yazarlar farklı CRRT sistemlerinde tedavi gören 78 kritik hasta verisini, dokuz yayımlanmış çalışmadan derlediler. Her hasta için geleneksel bir popülasyon modeli ayrıntılı ilaç konsantrasyon eğrilerini yeniden oluşturdu; bu eğriler, dozlamanın çeşitli olası MİK değerleri boyunca sıkı maruziyet hedeflerini sağlayıp sağlamadığının referans standardı olarak kullanıldı. Makine öğrenmesi modellerinden aynı sonuçları yalnızca hasta özellikleri, CRRT ayarları ve dozlama bilgisi kullanarak tahmin etmeleri istendiğinde, genel olarak geleneksel farmakokinetik yaklaşımdan daha iyi performans gösterdiler. Özellikle bir gradyan yükseltme modeli, her iki maruziyet hedefi için de yerleşik modeli geride bırakarak daha yüksek ayırt edicilik sağladı. En iyi performans gösteren bu model daha sonra Streamlit çerçevesi kullanılarak oluşturulmuş basit bir web uygulaması olan “MeroDose”a gömüldü.

Karmaşık veriden daha net seçimlere

Başucunda MeroDose aracı klinisyenlerin bir hastanın temel bilgilerini, böbrek fonksiyonunu, CRRT parametrelerini, önerilen meropenem dozu ve programını ve varsayılan bir MİK’i girmesine olanak tanır. Sistem, bu rejimin dozlama dönemi boyunca hem standart hem de çok sıkı hedeflerde ilacın düzeylerini yeterince yüksek tutma olasılığını anında tahmin eder. Kan düzeyi izlemenin veya klinik yargının yerini almasa da, tek tip bir doz yerine hasta-özgü bir başlangıç noktası sağlar. Çalışma, bu makine öğrenmesi destekli sistemin CRRT hastalarında başlangıç meropenem dozlarının seçilme şeklini anlamlı şekilde iyileştirebileceği sonucuna varıyor ve bu tür araçların daha iyi sonuçlara ve daha az dirençli enfeksiyona yol açıp açmadığını doğrulamak için ilerleyici (prospektif) çalışmaları çağırıyor.

Atıf: Li, D., Qiao, Z., Xiong, X. et al. Development and validation of a machine learning model for individualised meropenem dosing in CRRT patients. Sci Rep 16, 12398 (2026). https://doi.org/10.1038/s41598-026-43012-x

Anahtar kelimeler: sepsis, sürekli renal replasman tedavisi, meropenem dozlaması, tıpta makine öğrenmesi, klinik karar destek