Ameliyat sonrası nöroşirürji triajı için maliyet-duyarlı çok sınıflı makine öğrenimi çerçevesi (Neuro-TACTIC)

Hastalar ve hastaneler için neden önemli

Beyin tümörü ameliyatından sonra doktorlar, hastanın nerede iyileşmesi gerektiğine hızla karar vermek zorundadır: normal servis, yoğun bakım arası ünite veya yoğun bakım ünitesi. Herkesi yoğun bakıma göndermek en güvenli gibi görünse de son derece maliyetli olup sınırlı personeli zorlar. Çok az hastayı yoğun bakıma göndermekse ciddi sorunların erken uyarı işaretlerini kaçırabilir. Bu çalışma, hastanelerin hasta güvenliği ile kıt kaynaklar arasında şeffaf ve ayarlanabilir biçimde denge kurmasına yardımcı olmak için tasarlanmış bilgisayar tabanlı yeni bir araç olan Neuro-TACTIC’i tanıtıyor.

Doğru yatağı bulma zorluğu

Nöroşirürji hastaları kanama, beyin ödemi veya solunum problemleri gibi ani komplikasyonlara karşı hassastır. Bu nedenle birçok hastane ameliyat sonrası rutin olarak onları yoğun bakıma yerleştirmeyi varsayar; oysa yalnızca azınlık gerçekten bu düzeyde desteğe ihtiyaç duyar. Daha önceki tahmin araçları genellikle kararı basit bir evet-hayır seçeneği olarak ele aldı: yoğun bakım mı yoksa diğerleri mi. Ayrıca yoğun bakım yataklarının aşırı veya yetersiz kullanılmasının gerçek dünya sonuçlarını açıkça yansıtmadan soyut istatistiksel doğruluğu optimize ettiler.

Üç kademeli bakım merdiveni

Neuro-TACTIC sorunu üç seviyeli bir merdiven olarak yeniden çerçeveler: normal servis, yoğun bakım arası ünite ve yoğun bakım ünitesi. Araştırmacılar planlı beyin tümörü ameliyatı geçiren 1.072 yetişkinin kayıtlarını ve sonraki bir dönemden ek 81 hastayı incelediler. Her kişi için yaş, vücut kitle indeksi, önceden var olan hastalıklar, tümörün boyutu ve yeri ile ameliyatın süresi ve hastanın pozisyonu gibi operasyonla ilgili ayrıntılar dahil olmak üzere 27 bilgi toplandı. Ardından, sonrasında meydana gelen olaylar ve komplikasyonlara dayanarak her hastanın gerçekten hangi izlem düzeyine ihtiyaç duyduğunu tahmin etmek için bir makine öğrenimi modeli (güçlendirilmiş karar ağacı sistemi) eğitildi.

Yataklara ve kaçırılan sorunlara fiyat biçmek

Neuro-TACTIC’te merkezi bir fikir, güvenlik ile kaynakların nasıl değerlendirildiğini ifade etmeye izin veren ζ adında ayarlanabilir bir ayardır. Model iki görünmez puan tablosu kullanır: biri her bakım düzeyinin personel yoğunluğunu, maliyet yerine hemşire-hasta oranlarını temsilen açıklar; diğeri ise daha yüksek düzeyde bakıma ihtiyaç duyan bir hastanın çok düşük bir düzeye yerleştirilmesinin ne kadar zararlı olduğunu açıklar. Bu iki puan tablosu ζ kaydırıcısıyla harmanlanarak araç, personel zamanını tasarruf etmeyi veya kaçırılan komplikasyonları önlemeyi tercih edecek şekilde ayarlanabilir. ζ çok düşük ayarlandığında model neredeyse herkesi normal servise gönderir. ζ arttıkça daha fazla hasta önce yoğun bakım arası bakıma ve daha yüksek ayarlarda yoğun bakıma yönlendirilir. Önemli olarak, bu yumuşak davranış ana ve bağımsız hasta gruplarında benzer görünmüş; bu da kural setinin kırılgan değil, stabil olduğunu düşündürür.

Bilgisayarın risk hakkında öğrendikleri

Sistemi anlaşılabilir tutmak için ekip, model kararlarını en çok hangi hasta özelliklerinin etkilediğini inceledi. Önem ölçme yöntemleri arasında beş faktör tutarlı biçimde öne çıktı: ameliyatın süresi, tümörün boyutu, ameliyat sırasındaki hasta pozisyonu, vücut kitle indeksi ve yaş. Daha uzun ameliyatlar ve daha büyük tümörler tahminleri daha yüksek yoğunluklu izlem yönünde itme eğilimindeydi. Bu bulgular, daha önceki tıbbi çalışmalarla da uyumlu olup bu faktörleri ana risk göstergeleri olarak işaretlemiş ve modelin davranışına güvenilirlik kazandırır. Ancak bu ayrıntıların bazıları—özellikle ameliyatın kesin süresi—sadece işlemin sonunda bilindiğinden, mevcut sürüm hastanın ameliyat hemen sonrasında nereye gönderileceğine karar vermek için uygundur; günler öncesinden planlama için değil.

İleriye dönük anlamı

Neuro-TACTIC henüz tek başına bakım yönlendirmeye hazır değil, ama ameliyat sonrası yerleştirme için üç kademeli, ayarlanabilir bir yaklaşımın teknik olarak uygulanabilir olduğunu gösteriyor. Model düşük, orta ve yüksek riskli hastaları ayırmada orta düzeyde doğruluk sağlıyor ve güvenlik-vs-maliyet kaydırıcısı hareket ettirildiğinde tutarlı davranıyor. Hastalar ve hastaneler için uzun vadeli vaat, yerel personel seviyelerine ve risk toleransına göre uyarlanabilen bir karar desteği; yoğun bakım yataklarının en çok ihtiyacı olanlara gitmesini sağlarken diğerlerinin daha az yoğun servislerde güvenle iyileşmesine yardımcı olmasıdır. Bunun gerçekleşebilmesi için yazarlar, tıbbi faydaları ve kaynak tasarruflarını doğrulamak üzere daha büyük, çok merkezli çalışmaların ve gerçek dünya testlerinin gerekli olduğunu vurguluyorlar.

Atıf: Naser, P.V., Fischer, M., Peregrino, R.D. et al. A cost-sensitive multiclass machine learning framework for postoperative neurosurgical triage (Neuro-TACTIC). Sci Rep 16, 9847 (2026). https://doi.org/10.1038/s41598-026-45092-1

Anahtar kelimeler: nöroşirürji triajı, yoğun bakım ünitesi, ameliyat sonrası izlem, makine öğrenimi, sağlık kaynaklarının tahsisi