Açıklanabilir makine öğrenimi ile Çinli orta yaşlı ve yaşlı yetişkinlerde uzun vadeli kardiyovasküler hastalık riskinin tahmini: web tabanlı risk hesaplayıcılı 9 yıllık uzunlamasına kohort çalışması

Neden kalp riski tahmini önemli

Kardiyovasküler hastalık artık Çin’de en önde gelen ölüm nedenidir, özellikle orta ve ileri yaştaki kişiler arasında. Ancak doktorların birinin gelecekteki kalp ve felç riskini tahmin etmek için kullandığı araçların çoğu Batılı popülasyonlar üzerine kuruludur ve Çinli yetişkinlere iyi uymamaktadır. Bu çalışma, modern yapay zeka yöntemlerinin 45 yaş ve üzeri Çinli yetişkinlere özgü, uzun vadeli risk tahminlerinde daha doğru ama hâlâ anlaşılır sonuçlar sunup sunamayacağını sorguladı.

Yaşlanan kalplere ülke çapında bakış

Araştırmacılar, çoğu eyaletteki on binlerce toplum içi yetişkini izleyen büyük ve devam eden bir anket olan Çin Sağlık ve Emeklilik Boylamsal Çalışması verilerinden yararlandı. Bu kaynaktan, 2011’de çalışmaya girdiğinde kardiyovasküler hastalığı olmayan en az 45 yaşındaki 8.080 kişiyi seçtiler. Bu katılımcılar dokuz yıl boyunca yeni kalp hastalığı ve felç vakaları açısından izlendi. Ekip, yaş, bölge, geçmiş hastalıklar, ruh hali semptomları, uyku alışkanlıkları, vücut ölçümleri ve kan test sonuçları dahil olmak üzere kliniklerde kolayca toplanabilen 77 bilgiden başladı. Standart istatistiksel kontroller kullanarak bunu pratikte ölçülebilen ve ilerideki kardiyovasküler olaylarla güçlü ilişki gösteren 11 ana faktöre daralttılar.

Bilgisayarlara desenleri öğretmek

Sonraki adımda araştırmacılar, geleneksel lojistik regresyondan rastgele ormanlar, gradyan artırma ve sinir ağları gibi daha esnek yaklaşımlara kadar on farklı bilgisayar tabanlı tahmin yöntemini test etti. Katılımcıları, her modeli oluşturmak için kullanılan bir eğitim grubuna ve modellerin yeni kişilerde nasıl çalıştığını test etmek için ayrı bir doğrulama grubuna ayırdılar. Performans, her yöntemin kardiyovasküler hastalık geliştirene ile hastalığı olmayanları ne kadar doğru ayırdığı, tahmin edilen risklerin gerçek olay oranlarıyla ne kadar uyumlu olduğu ve tahminlerin kimlerin ek önleme çabaları alması gerektiğine ilişkin gerçek dünya kararlarında ne kadar kullanışlı olacağı üzerinden değerlendirildi.

Hangi günlük faktörler en çok etkiledi

Rastgele orman yöntemi öne çıktı; güçlü doğruluk sağladı ve yüksek risklileri yakalama ile yanlış alarmlardan kaçınma arasında en iyi dengeyi sundu. Bu yöntemin iç işleyişini açmak için ekip, her bir risk faktörüne nihai tahmine katkı atayan SHAP adlı bir açıklama tekniği kullandı. Bu analiz, bel çevresinin en etkili tek faktör olduğunu gösterdi: bel çevresine her ek santimetre dokuz yıllık riski gözle görülür şekilde artırıyor ve bu popülasyonda abdominal yağın önemini vurguluyor. Yüksek trigliserid düzeyleri, daha ileri yaş ve hipertansiyon öyküsü de riskin başlıca itici güçleri arasındaydı; koruyucu HDL kolesterolün daha yüksek düzeyleri ise daha düşük riskle ilişkiliydi. İlginç şekilde, ruh hali ve uyku örüntüleri bağımsız bilgi taşıyordu: daha yüksek depresyon skorları ve ya çok az ya da çok fazla gece uykusu, geleneksel tıbbi faktörler hesaba katıldıktan sonra bile riski yukarı çekiyordu.

Araştırma modelinden günlük araca

Tüm 11 öngörücünün birinci basamak bakımda rutin olarak bulunması nedeniyle ekip, en iyi performans gösteren modeli basit bir web tabanlı hesaplayıcıya dönüştürdü. Kullanıcılar yaş, bölge, seçilmiş tıbbi geçmiş maddeleri, bel çevresi, iki yaygın kan yağı ölçümü, depresyon skoru ve olağan uyku süresini giriyor. Araç daha sonra o kişinin önümüzdeki dokuz yılda kardiyovasküler hastalık geliştirme olasılığına ilişkin bir tahmin veriyor. Yazarlar, bu hesaplayıcının profesyonel yargıyı desteklemek için tasarlandığını, yerine geçmemesi gerektiğini ve tam klinik değerlendirme, yerel kaynaklar ve hasta tercihleri ile birlikte kullanılmasının uygun olduğunu vurguluyorlar.

Hastalar ve doktorlar için bunun anlamı

Çalışma, dikkatle tasarlanmış ve açıklanan makine öğreniminin orta yaşlı ve daha yaşlı Çinli yetişkinler için geleneksel formüllerden daha doğru uzun vadeli kalp ve felç riski tahminleri sağlayabileceğini gösteriyor. Ayrıca bel çevresinde olanların, kan yağlarında ve günlük uyku ile ruh halinde yaşananların gelecek kardiyovasküler sağlık için önem taşıdığını vurguluyor. Bu bulguları ücretsiz bir çevrimiçi hesaplayıcıya paketleyerek çalışma, toplum kliniklerine ve bireylere daha yüksek riskli kişileri daha erken tespit etme ve uyarlanmış önleme stratejileri yönlendirme konusunda düşük maliyetli bir yol sunuyor; nihai kararları ise klinisyenlerin ellerinde bırakıyor.

Atıf: Zhu, XY., Li, W., Pan, XY. et al. Explainable machine learning for long-term cardiovascular disease risk prediction in Chinese middle-aged and older adults: a 9-year longitudinal cohort study with web-based risk calculator. Sci Rep 16, 14998 (2026). https://doi.org/10.1038/s41598-026-45297-4

Anahtar kelimeler: kardiyovasküler hastalık, makine öğrenimi, risk tahmini, bel çevresi, Çinli yetişkinler