Akut cerrahi hastalarda ameliyat sonrası sepsisi tahmin etmek için bir makine öğrenimi modeli: çok merkezli, prospektif çalışma

Hastalar ve aileleri için bunun önemi

Sepsis, enfeksiyona karşı hayatı tehdit eden bir reaksiyondur ve özellikle yaşlı erişkinlerde acil ameliyat sonrası ortaya çıkabilir. Doktorlar, sepsis riskini erken yakalamanın hayat kurtarabileceğini bilir, ancak acil bir operasyon öncesindeki telaşta kimin en savunmasız olduğunu değerlendirmek zordur. Bu çalışma, makine öğrenimi olarak adlandırılan yapay zekanın bir dalının rutin hastane verilerini inceleyerek acil cerrahi geçiren yaşlı hastalarda ameliyat sonrası sepsisi geliştirme olasılığı yüksek olanları tespit edip etmeyeceğini araştırıyor; böylece ekiplerin harekete geçmesi için daha fazla zaman sağlanabilir.

Sepsis ve acil cerrahi sonrası tehlikeler

Sepsis, dünya çapında önde gelen ölüm nedenlerinden biridir; milyonlarca vaka ve birkaç milyon ölümle ilişkilidir. Acil cerrahi ekstra yük getirir: hastalar genellikle daha yaşlı, daha kırılgan ve opere olmadan önce zaten ciddi hastalığa sahip olabilir. Enfeksiyonlar işlem sonrası hızla gelişebilir veya kötüleşebilir ve belirtiler hasta aniden kötüleşene dek normal ameliyat sonrası iyileşme ile benzer görünebilir. Geleneksel kontrol listeleri ve skorlama sistemleri yardımcı olur, ancak bunlar özellikle acil operasyona ihtiyaç duyan yaşlılar için tasarlanmamıştır ve en yüksek risk altındakileri atlayabilirler.

Rutin hastane verilerini erken uyarı sinyallerine dönüştürmek

Araştırmacılar, 29 hastanedeki acil ameliyat geçiren 65 yaş ve üzeri hastaları içeren geniş bir İtalyan çalışmasından bilgi kullandı. Kayıtlı 150'den fazla öğeden yalnızca ameliyat öncesinde mevcut olan ayrıntılara odaklandılar: yaş, mevcut hastalıklar, fonksiyonel durum, hayati bulgular, temel kan testleri ve kırılganlık ölçümleri gibi. Hastaları, nefes alma hızı, kan basıncı ve zihinsel durum kullanarak tehlikeli enfeksiyonu gösteren yatak başı bir skor olan qSOFA'ya dayanarak sepsisli veya değil olarak etiketlediler. Toplamda 2563 hasta analiz edildi ve bunlardan 119'u ameliyat sonrası sepsis kriterlerini karşıladı.

Bilgisayar modelleri nasıl kuruldu ve test edildi

Ekip, lojistik regresyon, k-en yakın komşu, rastgele ormanlar ve gradyan artırılmış ağaçlar dahil olmak üzere birkaç makine öğrenimi modelini karşılaştırdı. Kendilerini yanıltmamak için iç içe çapraz doğrulama olarak bilinen katı iki katmanlı bir test yöntemi kullandılar: her çalıştırmada bazı hastaları test grubu olarak ayırdılar ve modelleri yalnızca kalan vakalar üzerinde ayarladılar. Ayrıca sepsisin nispeten nadir olma durumunu veriyi dikkatle dengeleyerek, küçük veri boşluklarını doldurarak ve ölçümleri standardize ederek ele aldılar. Performans, modelin genel olarak ne kadar doğru olduğuna dair doğruluk ve sepsisi ne sıklıkla doğru şekilde yakalayıp dışladığını gösteren duyarlılık ve özgüllük gibi tanıdık ölçütlerle değerlendirildi.

Modellerin sepsis riski hakkında ortaya koydukları

Tüm makine öğrenimi modelleri, kimsenin sepsis geliştirmeyeceğini varsayan basit stratejiyi açıkça geride bıraktı. Bireysel modeller arasında rastgele ormanlar ve gradyan artırılmış ağaçlar, sepsisi doğru şekilde işaretleme ile yanlış alarmları en aza indirme açısından en iyi dengeyi sundu; genel doğruluk %95’in üzerinde ve yüksek-risk ile düşük-risk hastaları ayırt etme konusunda güçlüydü. Araştırmacılar ayrıca dört ana modeli, tahminlerinden çoğunluk oyu alan tek bir toplu modele birleştirdiler. Bu birleşik yaklaşım çok yüksek doğruluğa, güçlü duyarlılığa ve bir hastayı düşük riskli ilan ettiğinde mükemmel güvenceye ulaştı; bu da daha sonra sepsis gelişen çok az kişinin erken uyarı sistemince kaçırıldığı anlamına geliyor.

Hastanede bunun anlamı ne olabilir

Gelecekteki çalışmalarda doğrulanırsa, bu tür bir ameliyat öncesi risk aracı cerrahi ekiplere veriye dayalı pratik bir kontrol listesi sağlayabilir. Yaşlı bir kişi ameliyata girmeden önce model, rutin bilgilerini sessizce tarayabilir ve kimlerin daha yakın izleme, daha erken antibiyotik ya da farklı ameliyat sonrası bakım gerektirebileceğini önerebilir. Bu, hastanın nerede iyileştirileceği—normal servis mi yoksa yoğun bakım benzeri daha yüksek yoğunluklu bir birim mi—konusunda kararları yönlendirebilir ve hastanelerin sınırlı personel ile kaynaklarını ciddi enfeksiyon geliştirme olasılığı en yüksek olanlara odaklamasına yardımcı olabilir. Çalışma modelin günlük kullanım için hazır olduğunu iddia etmiyor, ancak makine öğreniminin acil cerrahide zaten toplanan bilgileri anlamlı erken uyarılara dönüştürebileceğini gösteriyor.

Atıf: Fransvea, P., Liuzzi, P., Costa, G. et al. A machine learning model for post-operative sepsis prediction in acute surgical patients: a multi-centre, prospective study. Sci Rep 16, 15651 (2026). https://doi.org/10.1038/s41598-026-46040-9

Anahtar kelimeler: ameliyat sonrası sepsis, acil cerrahi, yaşlı hastalar, makine öğrenimi, risk tahmini