Büyük bir sigara içmeyen sağlık tarama popülasyonunda obstrüktif hava yolu hastalığını tahmin etmek için yorumlanabilir makine öğrenmesi tabanlı karar ağacı modeli

Neden gizli akciğer sorunları önemlidir

Birçok insan ciddi akciğer hastalıklarının esas olarak uzun süre sigara içenleri tehdit ettiğini düşünüyor. Oysa sigara içmeyenler arasında da fark edilmeden ilerleyip belirgin hale gelene kadar sessizce solunum sorunları geliştiren şaşırtıcı sayıda kişi var. Bu çalışma pratik bir soruyu ele aldı: yaş, tansiyon ve yaygın kan testleri gibi rutin sağlık kontrolü verilerini kullanarak, nefes darlığı hissetmeden çok önce akciğerleri zaten zorluk yaşayan sigara içmeyen yetişkinleri işaretleyebilir miyiz? Araştırmacılar ayrıca tahminlerin doktorlar için gizemli bir kara kutu değil, anlaşılır olmasını istediler.

Rutin kontrollerde uyarı işaretleri aramak

Ekip, Tayvan’da yarım milyondan fazla yetişkini kapsayan büyük bir sağlık tarama programının kayıtlarını analiz etti. Bu geniş gruptan, fizik muayene, laboratuvar testleri ve akciğer fonksiyon testlerine ait eksiksiz verileri olan 81.055 sigara içmemiş kişiye odaklandılar. Akciğer fonksiyonu, bir kişinin bir saniyede dışarı verebildiği hava miktarının toplam nefese oranını karşılaştıran standart bir solunum testiyle ölçüldü. Bu oran belirli bir eşik değerin altına düştüğünde, astım ve kronik obstrüktif akciğer hastalığı (KOAH) gibi durumların ayırt edici özelliği olan hava yolu tıkanıklığını işaret eder.

Bilgisayarlara risk altındaki akciğerleri tanımayı öğretmek

Araştırmacılar tek bir bilgisayar yöntemiyle sınırlı kalmayıp, tıbbi tahmin çalışmalarında sıklıkla kullanılan altı iyi bilinen makine öğrenmesi yaklaşımını bir araya getirdiler. Bu yöntemler arasında karar ağaçları ve doğruluğu artırmak için büyük ağaç koleksiyonları oluşturan birkaç ilgili teknik vardı. Her yöntem, yaş, boy, kilo, kan basıncı, eğitim düzeyi ve rutin kan ölçümleri gibi 25 yaygın bilgi kullanarak normal solunum testi olanlarla hava yolu tıkanıklığı gösterenleri ayırt edecek şekilde eğitildi. Sonuçların güvenilir kalması için ekip veriyi tekrar tekrar eğitim ve test setlerine böldü, nadir pozitif vakaları daha yaygın negatiflerle dengeledi ve her modelin performansını kontrol etti.

En belirleyici özellikleri bulmak

Tüm altı bilgisayar modeli makul derecede iyi bir iş çıkardı ve hava yolu tıkanıklığı olanlarla olmayanları ayırmadaki başarılarına göre benzer puanlar elde ettiler. Ancak asıl amaç hangi sağlık muayenesi özelliklerinin en çok önemi olduğunu belirlemek ve bu bilgiyi doktorların takip edebileceği basit kurallara dönüştürmekti. Bunu yapmak için araştırmacılar her modeldeki her özelliğin önemini sıraladı, ardından bu sıralamaların ortalamasını aldılar. Yaş tüm yöntemlerde tutarlı şekilde en üstlere çıktı. Boy ve kilo gibi vücut yapısıyla ilgili ölçümler de önemli bulundu, ayrıca kan basıncı ve birkaç rutin laboratuvar testi öne çıktı. Bu testlerden biri olan laktat dehidrogenaz (LDH), vücuttaki doku stresinin geniş bir göstergesi olup, diğer kan testleri dikkate alındığında bile akciğer sağlığı hakkında faydalı bilgi taşıyormuş gibi göründü.

Karmaşık modellerden basit karar kurallarına

En güçlü öngörücüleri belirledikten sonra ekip, yalnızca en iyi %30 özellikleri kullanan tek, kolay okunur bir karar ağacı oluşturdu. Bu daha basit model, tüm 25 değişkeni kullanan modellerle neredeyse aynı düzeyde performans gösterdi, ancak klinisyenlerin görsel olarak inceleyebileceği bir yapıya sahipti. Ağaç yaş ile başlıyor, ardından boy, LDH seviyeleri, vücut ağırlığı ve eğitim düzeyi gibi faktörlere göre dallanıyor. Her dalı izlemek, hava yolu tıkanıklığı olasılığı daha yüksek veya daha düşük olan “yaprak” gruplarına götürüyor. Örneğin belirli bir yaştan büyük yetişkinler veya daha genç ama kısa boylu olup belirli laboratuvar desenlerine sahip kişiler, hava yolu tıkanıklığının daha yaygın olduğu grupları oluşturdu. Yazarlar, özellikle LDH gibi bazı belirteçlerin akciğerlere özgü olmadığını ve muhtemelen doğrudan akciğer hasarından ziyade genel sağlık durumunu yansıttığını vurguluyorlar.

Günlük sağlık kontrolleri için bunun anlamı

Çalışma, rutin sağlık muayenesi verilerini, tam solunum testleri veya uzmana sevk gibi daha yakın akciğer değerlendirmesi gerektirebilecek sigara içmeyenleri öne çıkaran yorumlanabilir bir kural setine dönüştürmenin mümkün olduğunu gösteriyor. Model, akciğer fonksiyon testlerinin yerini almak veya kesin tanı koymak için tasarlanmamış; bunun yerine doktorların aksi takdirde gözden kaçırabilecekleri risk altındaki bireyleri fark etmelerine yardımcı olan akıllı bir triyaj asistanı gibi işlev görmeyi amaçlıyor. Yaklaşım yaygın ölçümlere dayanıyor ve açık, adım adım karar yollarını vurguladığı için gerçek dünya tarama ortamlarına uyarlanabilir. Gelecek çalışmalar bu bulguları zaman içinde ve daha çeşitli popülasyonlarda doğrulamalı, ancak bu araştırma şeffaf yapay zekânın sessiz akciğer sorunlarının daha erken tespitini nasıl destekleyebileceğine dair umut verici bir örnek sunuyor.

Atıf: Chang, CY., Shen, HS., Kuo, YL. et al. Interpretable machine learning based decision tree model for predicting obstructive airway disease in a large non-smoking health screening population. Sci Rep 16, 12807 (2026). https://doi.org/10.1038/s41598-026-43633-2

Anahtar kelimeler: obstrüktif hava yolu hastalığı, sigara içmeyenlerin akciğer sağlığı, yorumlanabilir makine öğrenmesi, karar ağacı taraması, sağlık kontrol verileri