Konservatif tedavi sırasında fekalit ilişkili apandisitlerde apendiks perforasyonunu tahmin etmek için makine öğrenimi modelleri oluşturma ve doğrulama: 20 algoritmalı çok merkezli retrospektif analiz

Karın ağrısı çeken kişiler için neden önemli

Apandisit acil cerrahi nedenleri arasında en sık görülenlerden biridir, ancak günümüzde birçok hasta öncelikle hemen ameliyat yerine antibiyotikle tedavi edilir. Apandiksinde dışkıdan sert, taş benzeri tıkaç (fekalit) bulunan hastalar için bu tercih riskli olabilir çünkü apandiksin delinme olasılığı daha yüksektir. Bu çalışma, o kararı vermek zorunda kalan her hasta ve hekim için kritik bir soruyu gündeme getiriyor: Erken dönemde, kimlerin ilaçla izlenebileceğini ve kimlerin gerçek bir perforasyon tehlikesi altında olduğunu güvenle söyleyebilir miyiz?

Tıkalı apandiksin zorluğu

Hekimler yıllardır, bir fekalitin apandiksin dar kanalını tıkadığında apandisitin farklı davrandığını biliyor. Tıkanma basıncı artırır, kan akışını bozar ve enfeksiyonu körükler; bunların tümü antibiyotik hızlı başlansa bile organın yırtılma riskini yükseltir. Buna karşın sıradan yatakbaşı skor sistemleri tüm hastalar için geliştirildi; özellikle fekalitli hastalar için oluşturulmadılar ve bu daha yüksek riskli grupta perforasyonu iyi tahmin etmiyorlar. Bu belirsizlik, klinisyenleri ya gereğinden fazla operasyon yapmaya (kendi riskleri ve maliyetleriyle) ya da çok fazla beklemeye ve yırtılmış bir apandiksle karşılaşmaya zorlayabiliyor.

Hastane verilerindeki örüntüleri kullanmak

Araştırmacılar 2018–2023 döneminde dört büyük hastanede acil ameliyat uygulanmadan konservatif tedavi gören 1.247 yetişkinin kayıtlarını topladı. Yaklaşık her yedi hastadan biri üç gün içinde perforasyon yaşadı. Her hasta için ekip, rutin bakımın parçası olan basit bilgileri topladı: yaş, yaşamsal bulgular, inflamasyonu gösteren kan testleri ve apandiks ile fekalitin BT ölçümleri. Ardından bu özelliklerle kimin apandiksinin yırtılıp yırtılmayacağını ilişkilendiren örüntüleri yakalamak üzere 20 farklı bilgisayar algoritması eğitildi ve modelleri adilçe test etmek için verinin bir kısmı ayrıldı.

Kazanan risk tahmin aracı

Tüm yaklaşımlar arasında birçok karar ağacını birleştiren yöntemler ailesi, yani gradient boosting en iyi performansı gösterdi. Bir özellik seçimi adımından sonra, nihai araç fekalit boyutu, C-reaktif protein ve beyaz kan hücresi düzeyleri ile BT'de apandiksin kalınlık ve genişliği gibi sekiz kolay erişilebilir bilgiye dayandı. Ana test grubunda model yüksek ve düşük riskli hastaları mükemmele yakın bir doğruluk ölçüsüyle (AUC yaklaşık 0,89) doğru şekilde ayırdı. En çarpıcı olanı, model bir kişiyi düşük riskli olarak değerlendirdiğinde, o kişinin perforasyon yaşamayacağı konusunda %96'dan fazla doğruluk sağlamasıydı; bu da konservatif tedavinin sürdürülmesi için güçlü bir güvence sundu.

Sayıları belirgin risk gruplarına dönüştürmek

Araç yatakbaşında pratik olsun diye, ekip ham olasılık skorlarını üç basit kademeye çevirdi. Tahmini risk %30'un altında olan hastalar düşük riskli olarak etiketlendi ve gerçek perforasyon oranları yalnızca %3,8 idi. %30–60 arası olanlar orta riskli kabul edildi; bunların yaklaşık dörtte biri perforasyon geçirdi. %60'ın üzerindekiler yüksek riskliydi ve bunların yediden fazlası perforasyonla sonuçlandı. Önerilen eylemler bu merdivene göre: düşük risk grubunda rutin izlem, orta grupta daha sık gözlem ve tekrarlayan testler, en yüksek risklilerde ise erken veya acil cerrahi. Modelin oluşturulmasında kullanılmayan beşinci bir hastaneden edinilen 225 hastalık ayrı bir set benzer bir performans gösterdi; bu da yöntemin orijinal merkezlerin ötesinde işe yarayabileceğini düşündürüyor.

Hastalar ve hekimler için anlamı

Günlük ifadeyle, bu çalışma sıradan laboratuvar testleri ve BT bulguları ile eğitilmiş bir bilgisayarın, fekalitli apandiks hastalarında yalnızca antibiyotikle devam edilirse gerçek tehlike altında olanları hekimlere çok daha net şekilde erken uyarabileceğini gösteriyor. Araç kusursuz olmasa da, özellikle izlenmesi ve ameliyata hızla yönlendirilmemesi güvenli olan kişileri belirlemede güçlü. Farklı hastanelerde ve gerçek zamanlı uygulamalarda daha fazla testle, bu tür modeller daha kişiselleştirilmiş kararlara destek vererek birçok hastanın gereksiz cerrahiden kaçınmasına yardımcı olurken en yüksek riske sahip olanların apandiks yırtılmadan önce zamanında opere edilmesini sağlayabilir.

Atıf: Zhu, Y., Feng, J., Liu, R. et al. Building and validating machine learning models to predict appendiceal perforation during conservative treatment of fecalith-associated appendicitis: a 20-algorithm multicenter retrospective analysis. Sci Rep 16, 11728 (2026). https://doi.org/10.1038/s41598-026-47372-2

Anahtar kelimeler: apandisit, makine öğrenimi, risk tahmini, konservatif tedavi, gradient boosting