Bağlanma kaçağı tahmini için kuantum makine öğrenmesi: bir klinik çalışma

Bu çalışma hastalar ve doktorlar için neden önemli

Anastomoz kaçağı, cerrahların hastanın bağırsağını yeniden bağlamasının ardından ortaya çıkabilen ve enfeksiyon, ek ameliyatlar veya hatta ölüme yol açabilen tehlikeli bir komplikasyondur. Bu çalışma zamanlı bir soruyu gündeme getiriyor: aynı küçük ama dikkatle toplanmış hastane verilerini kullanarak, yeni kuantum bilgisayar esinli araçlar bugün kullanılan istatistiksel ve makine öğrenmesi yöntemlerinden daha iyi şekilde hangi hastaların en fazla riske sahip olduğunu tespit etmeye hekimlere yardımcı olabilir mi?

Ciddi bir cerrahi komplikasyonu anlamak

Bağırsak parçası çıkarıldığında cerrahlar kalan uçları anastomoz adı verilen bir bağlantıyla birleştirir. Bu birleşme iyileşmezse bağırsak içerikleri karın boşluğuna sızabilir, iltihaplanma, sepsis ve uzun, riskli bir iyileşme sürecine yol açabilir. Çalışmanın yapıldığı hastanede kaçaklar hastaların yaklaşık yüzde 14’ünde meydana gelmiş ve ameliyatla ilişkili ölümlerin yüzde 40’a kadarına bağlanmıştır; bu nedenle tahminde yapılacak küçük gelişmeler bile hayat kurtarabilir. Önceki araştırmalar diyabet ve sigara içimi gibi risk faktörlerini vurgulamış ve belirli cerrahi tekniklerin ile izleme araçlarının kaçak riskini azaltabildiğini göstermiştir.

Araştırmacıların gerçek hastalarda ölçtükleri

Ekip 2015–2016 arasında kolorektal cerrahi geçiren 200 hastanın kayıtlarını inceledi; bunlardan 28’i kaçak geliştirmişti. Hastaya ait 76 bilgiden başladılar; bunlar cerrahi tercihleri ve tıbbi geçmişi kapsıyordu. Ayrıntılı istatistiksel testler ve cerrahlarla tartışmalar yoluyla bunu klinik olarak anlamlı daha küçük bir faktör setine daralttılar. Dört faktör öne çıktı: basıncı azaltmak için yumuşak rektal tüp (NoCoil) kullanılıp kullanılmadığı, bağırsakları besleyen kritik bir arterin (ACSP) korunup korunmadığı, hastanın diyabet (DM) sahibi olup olmadığı ve sigara içip içmediği. Bu faktörleri kullanarak, gerçek hastane koşullarını taklit etmek için değişmemiş, doğal olarak dengesiz veri setinde hem geleneksel öngörücü modelleri hem de kuantum sinir ağı modellerini kurdular.

Kuantum esintili modellerin nasıl inşa edilip test edildiği

Kuantum sinir ağları, salt klasik kod yerine kuantum devrelerinde çalışan makine öğrenmesi modelleridir. Bu çalışmada bunlar klasik bir bilgisayarda simüle edildi, ancak rastgele kapı hataları ve sınırlı ölçüm hassasiyeti gibi gerçekçi kuantum donanımı gürültüleri eklendi. Hasta bilgileri önce kuantum durumlarına kodlandı ve sonra küçük bir kuantum devresini taklit eden eğitilebilir katmanlardan geçirildi. Araştırmacılar iki ana devre tasarımını test etti ve bunları bazıları gradyan kullanan bazıları ise evrimsel tarzda arama yapan çeşitli optimizasyon stratejileriyle birleştirerek, hangi kombinasyonların gürültülü koşullar altında veriden en iyi şekilde öğrendiğini incelediler.

Kuantum ve klasik tahminlerin karşılaştırılması

Ana karşılaştırma, klinik bir önceliği yansıtacak şekilde seçilen yüzde 83 duyarlılık düzeyinde yapıldı: kaçak geliştirecek hastaları kaçırmamak, bu durum daha fazla yanlış alarma katlanmayı gerektirse bile. Bu duyarlılık sabit tutulduğunda, özellikle EfficientSU2 devresini BFGS optimizatörü ile veya RealAmplitudes devresini CMA-ES ile kullanan bazı kuantum sinir ağı ayarları özgüllükte yüzde 66’ya ve negatif öngörü değerinde yüzde 96’ya kadar ulaştı. Lojistik regresyon ve ayarlanmış çok katmanlı algılayıcı dahil klasik modeller aynı duyarlılıkta ancak yaklaşık yüzde 44 özgüllük ve yüzde 94 negatif öngörü değeri ile sınırlı kaldı. Bu, kuantum tabanlı modellerin aynı gerçek kaçak oranını yakalamaya devam ederken daha az yanlış pozitif ürettiği anlamına geliyor.

Güçlü yanlar, sınırlamalar ve sonraki adımlar

Kuantum sinir ağları yüksek riskli ile düşük riskli hastalar arasında daha temiz bir ayrım yapmada daha başarılı olsa da, klasik modeller olasılık kalibrasyonunda daha iyiydi: onların tahmin ettiği risk yüzdeleri gözlenen sonuçlarla daha tutarlı eşleşiyordu. Bu durum, farklı tedavi planlarını tartarken örneğin ince taneli risk puanlaması için klasik yaklaşımları daha uygun kılar. Çalışma ayrıca sınırlı örnek büyüklüğü ve tek merkez verisi ile sınırlıdır; bu da herhangi bir modelin yeni hastalarda olduğundan daha iyi görünmesine yol açabilir. Yazarlar, böyle araçların rutin bakımda güvenilir hale gelmeden önce daha büyük, çok merkezli çalışmalar ve gerçek kuantum donanımı üzerinde denemeler gerektiğini vurguluyorlar.

Bunu sade bir dille söylemek gerekirse

Günlük dille ifade edilirse, bu çalışma kuantum tarzı makine öğrenmesinin en azından simülasyonda, doktorların tehlikeli bir bağırsak ameliyatı komplikasyonu için tarama yapmasına yardımcı olabileceğini ve standart yöntemlere kıyasla daha az yanlış alarm üretebileceğini gösteriyor. Bununla birlikte, geleneksel modeller hâlâ daha güvenilir risk yüzdeleri sunuyor. Şimdilik kuantum sinir ağları erken uyarı için ek bir güvenlik ağı olarak umut verici görünüyor, ancak doğrudan tedavi kararlarını yönlendirebilmeleri için daha büyük hasta gruplarında doğrulanmalı ve açık, iyi kalibre edilmiş risk tahminleri ile birleştirilmelidir.

Atıf: Novák, V., Zelinka, I., Přibylová, L. et al. Quantum machine learning for predicting anastomotic leak: a clinical study. Sci Rep 16, 15518 (2026). https://doi.org/10.1038/s41598-026-44402-x

Anahtar kelimeler: anastomoz kaçağı, kuantum makine öğrenmesi, kolorektal cerrahi, klinik risk tahmini, tıbbi yapay zeka