Makine öğrenmesi kullanarak kardiyovasküler hastalarda düşme riskini tahmin etmek için bir web platformu geliştirilmesi

Kalp hastalarının ayakta kalmasının neden önemi var

Kalp ve damar sorunlarıyla yaşayan milyonlarca orta yaşlı ve yaşlı yetişkin için evde yaşanacak basit bir tökezleme, bir dizi sağlık krizini tetikleyebilir. Ciddi bir düşme kırıklara, hastaneye yatışlara ve zaten kırılgan olan kalpler için önemli bir gerilemeye yol açabilir. Bu çalışma, modern bilgisayar tekniklerinin doktorların kazadan çok önce hangi kardiyovasküler hastaların düşme olasılığının en yüksek olduğunu saptamasına yardımcı olup olamayacağını ve böylece erken müdahale ile onları daha güvende ve daha bağımsız tutup tutamayacağını sorguladı.

Kalp sorunları ile düşmeler arasındaki bağlantı

Düşmeler, dünya genelinde yaşlılarda kazara yaralanma ve ölümün önde gelen nedenlerinden biridir ve aileler ile sağlık sistemleri için ağır duygusal ve mali yükler getirir. Aynı zamanda, nüfus yaşlandıkça kardiyovasküler hastalıklar daha yaygın hale geliyor ve birçok kalp hastası özellikle savunmasız. Belirti belirginleşmeden önce bile ince kalp sorunları kan basıncını, dengeyi ve dayanıklılığı bozabilir. Kardiyovasküler hastalığı olan kişiler düştüğünde, komplikasyon yaşama, ameliyat gereksinimi ve iyileşme sürecinde daha yüksek risklerle karşılaşma olasılıkları artar. Bu nedenle bu grupta düşme riskinin öngörülmesi halk sağlığı için acil bir konudur.

Büyük sağlık anketlerini bir risk aracına dönüştürmek

Araştırmacılar, sağlık, yaşam tarzı ve sosyal faktörleri zaman içinde izleyen 45 yaş ve üstü Çinli yetişkinleri kapsayan büyük ulusal çalışmadan yararlandı. Bu zengin veri setinden kardiyovasküler hastalığı olan ve iki yıl boyunca düşme bildirip bildirmedikleri izlenen 1.784 kişiyi belirlediler. Yaş, eğitim, uyku kalitesi ve ruh hali gibi değişkenlerden böbrek hastalığı ve romatizma gibi tıbbi durumlara; ağrı, önceki düşmeler ve kuvvet ile bilişsel yeti ölçümlerine kadar 40 potansiyel öngörücüyü incelediler. Titiz veri temizliği, eksik değerlerin ele alınması ve düşenlerle düşmeyenlerin dengelenmesi, gelişmiş analiz için bilgileri hazırlamaya yardımcı oldu.

Akıllı modellerin öğrendikleri

Takım, yalnızca geleneksel istatistiksel formüllere güvenmek yerine verideki karmaşık desenleri ortaya çıkarabilen altı farklı makine öğrenmesi yöntemini test etti. LASSO adı verilen bir teknik, çok sayıda değişkeni en bilgilendirici dokuz taneye indirmeye yardımcı oldu. Bunlar yaş, eğitim düzeyi, uyku kalitesi, böbrek hastalığı, romatizma, ağrı, yaşam memnuniyeti, depresyon ve önceki düşme öyküsüydü. Altı model arasında Light Gradient Boosting Machine olarak bilinen yöntem, hem orijinal grupta hem de dış doğrulama için kullanılan önceki anket dalgasında en doğru tahminleri verdi. Makine öğrenmesinin “kara kutusunu” açmak için ekip, her faktörün bir kişinin riskini ne kadar artırıp azaltığını gösteren bir açıklama aracı kullandı.

Hissettiğiniz ve değiştirebileceğiniz risk faktörleri

Açıklama sonuçları, daha ileri yaş ve önceki düşmenin en güçlü uyarı işaretleri olduğunu; böbrek hastalığı, romatizmal problemler, ağrı ve depresyonun da düşme olasılığını artırdığını vurguladı. Öte yandan, daha fazla eğitim yılı, daha iyi uyku ve yaşamdan daha fazla memnuniyet hissetmek düşmelere karşı koruyucu eğilim gösteriyordu. Özellikle iyi sayılabilecek ancak tam olarak iyi olmayan uyku kalitesine sahip kişiler özellikle yüksek riskte olabilir; muhtemelen ince denge veya dikkat sorunlarından etkilenirken yine de aktif kalmaya devam ettikleri için. Bu faktörlerin birçoğu klinik ziyarette veya bir toplum taramasında kolayca sorulabileceği için model, yoğun çalışan sağlık personeli için pratik hale geliyor.

Tahminden basit bir web aracına

Teoriyi aşmak için yazarlar, en iyi performans gösteren modellerini kullanışlı bir web platformuna dönüştürdüler. Bir klinisyen veya sağlık çalışanı, hastanın yaşı, eğitimi, uyku kalitesi, ruh hali, ağrı durumu, böbrek ve romatizmal hastalık durumu, yaşam memnuniyeti ve önceki düşme öyküsünü girerek önümüzdeki iki yıl içinde düşme olasılığının tahmini bir oranını alabilir. Araç tıbbi hükmün yerini almasa da, güçlendirme egzersizleri, ev güvenlik kontrolleri, ruh hali tedavisi veya daha sık izlemeye en çok ihtiyaç duyabilecek kardiyovasküler hastaları işaretlemenin yapılandırılmış bir yolunu sunar.

Günlük yaşam için bunun anlamı

Bu çalışma, mevcut anket verilerinin ve makine öğrenmesinin akıllıca kullanımı ile hangi kardiyovasküler hastaların düşme olasılığının en yüksek olduğunu belirlemenin mümkün olduğunu gösteriyor. Küçük, anlaşılır bir faktör setine odaklanarak model gerçek dünya kliniklerinde kullanılabilirliğini korurken verideki karmaşık desenleri de yakalıyor. Düşünerek uygulandığında, bu tür araçlar daha kişiselleştirilmiş önleme planlarını destekleyebilir, tehlikeli düşmeleri azaltabilir ve kalp hastalarının yaşlandıkça ayakta kalmalarına ve yaşam kalitelerini korumalarına yardımcı olabilir.

Atıf: Dong, J., Yang, X., Zhang, Z. et al. Development of a web platform for predicting fall risk in cardiovascular patients using machine learning. Sci Rep 16, 15665 (2026). https://doi.org/10.1038/s41598-026-43482-z

Anahtar kelimeler: kardiyovasküler hastalık, düşme riski, makine öğrenmesi, yaşlı yetişkinler, risk tahmini