ROTEM ölçümlerinden makine öğrenmesi tabanlı trombosit yoğunluğu tahmini

Trombositler üzerinde hızlı kontroller neden önemli

Bir kişi ameliyat sırasında veya yoğun bakımda kanama yaşadığında, doktorların kanın pıhtılaşmasına yardımcı olmak için trombosit nakli yapıp yapmamaya hızlıca karar vermesi gerekir. Standart laboratuvar testleri trombositleri doğru sayabilir, ancak genellikle bir saat veya daha fazla sürebilir ve acil kararları geciktirir. Bir pıhtının nasıl oluştuğunu gerçek zamanlı izleyen yatak başı cihazları çok daha hızlıdır, ancak doğrudan kandaki trombosit sayısını göstermezler. Bu çalışma, bilgisayar modellerinin bu hızlı yatak başı ölçümlerini tehlikeli derecede düşük trombosit seviyeleri hakkında güvenilir bilgiye dönüştürüp dönüştüremeyeceğini araştırıyor.

Pıhtılaşmaya gerçek zamanlı kısa bir bakış

Rotasyonel tromboelastometri (ROTEM) gibi modern yatak başı testler, bir kan örneğinin pıhtılaşmasının ilk kıvılcımdan başlayıp pıhtının sertleştiği ve daha sonra bozulduğu aşamaya kadar nasıl geliştiğini izler. Bu testler, pıhtının ne kadar güçlü ve stabil hale geldiğini yansıtan eğriler ve sayılar sağlar, ancak gerçek trombosit sayısını vermez. Önceki araştırmalar bazı ROTEM değerlerinin trombosit seviyeleriyle ilişkili olduğunu göstermiş olsa da, tek bir ROTEM değerine dayanan basit formüller tedaviyi yönlendirecek kadar iyi trombosit sayılarını tahmin edemedi. Yazarlar, birden çok ROTEM özelliğini aynı anda ele alan daha gelişmiş bilgisayar tekniklerinin daha iyi olup olamayacağını sordular.

Hastane verilerinden bilgisayar modelleri oluşturmak

Araştırma ekibi, 2014 ile 2023 arasında dört üniversite hastanesinden cerrahi veya yoğun bakım hastalarından alınmış 2.333 çift kan testi topladı. Her olgu için üç saat içinde alınmış tam bir ROTEM ölçüm seti ve laboratuvar trombosit sayısı vardı. Verileri dikkatle temizledikten ve eksik değerleri doldurduktan sonra 29 ROTEM ile ilişkili değişkeni birkaç makine öğrenmesi yöntemine verdiler. Bazı modeller tam trombosit yoğunluğunu tahmin etmeye çalışırken, diğerleri daha basit sorularla uğraştı: trombosit sayısı litre başına 100 milyarın altında mı, yoksa 50 milyarın altında mı — cerrahi ve kritik kanamalarda yaygın olarak güvenlik eşiği olarak kullanılan seviyeler.

Modeller trombositleri ne kadar iyi sayabildi

Tam trombosit sayısını tahmin etmeleri istendiğinde, tüm makine öğrenmesi modelleri tek bir ROTEM tabanlı değere dayanan eski tek satırlık formüllerden daha iyi performans gösterdi. En iyi yaklaşım, birkaç yöntemi birleştiren istiflenmiş (stacked) bir toplu modeldi, ancak bunun doğruluğu yine de orta düzeyde kaldı. Tahminleri gerçek trombosit sayısından ortalama olarak yaklaşık 40 milyar trombosit/litre kadar farklıydı; yazarlar bunun bireysel hastalar için güvenle dozlama yapmaya yeterince kesin olmadığını değerlendiriyor. Tahmin edilen ve gerçek sayıları karşılaştıran grafikler ile önyargı ve dağılımın istatistiksel kontrolleri, modellerin geniş eğilimleri yakalasa da bireysel olgular için sıklıkla sapma gösterdiğini doğruladı.

Tehlikeli derecede düşük seviyeleri saptamak daha iyi işliyor

Modeller, daha basit ve klinik açıdan kritik bir görevde çok daha iyi performans gösterdi: belirgin derecede düşük trombosit sayısı olan hastaları işaretlemek. Litre başına 100 milyarın altındaki sayıları tespit etmede, rastgele orman (random forest) ve toplu modeller, test kalitesinin yaygın bir ölçütü olan eğri altındaki alan (AUC) için yüksek değerlere ulaştı. Özellikle düşük trombositleri ekarte etmede güçlüydüler; “güvenli” bir sonucun gerçekten hastanın eşik değerin üzerinde olduğu anlamına gelme olasılığı çok yüksekti. Performans, litre başına 50 milyarın altındaki sayıları tespit etmede daha da güçlendi ve burada yine toplu model öne çıktı. Bu sonuçlar farklı doğruluk değerlendirme yollarında da geçerliydi ve tek bir ROTEM türetilmiş değere güvenmekten açıkça üstündü.

Yatak başında bunun anlamı ne olabilir

Yazarlar, mevcut makine öğrenmesi modellerinin henüz laboratuvar trombosit sayımının yerini alacak kadar doğru olmadığını; çünkü bireysel hastalar için tam sayım tahminlerinin çok geniş değiştiğini sonuçlandırıyorlar. Bununla birlikte, aynı modeller trombositlerin kritik güvenlik kesmelerinin altına düşüp düşmediği konusunda evet/hayır sorusuna çok iyi yanıt veriyor. Acil kanama durumlarında, böyle hızlı yatak başı rehberlik doktorların laboratuvar sonuçlarını beklerken trombosit naklini güvenle ertelemelerine veya önlemek için yardımcı olabilir; bu da bakım gecikmelerini ve gereksiz kan ürünü maruziyetini azaltır.

Atıf: Brooks, R., Noitz, M., Mahečić, T.T. et al. Machine learning based prediction of platelet concentration from ROTEM measurements. Sci Rep 16, 15854 (2026). https://doi.org/10.1038/s41598-026-45743-3

Anahtar kelimeler: trombosit sayısı, trombositopeni, ROTEM, makine öğrenmesi, trombosit nakli