SNOMED-CT kullanarak klinik notlarla otomatik kalp yetmezliği tanısı için baştan sona işleyen boru hattı

Hekim notlarının daha akıllıca okunması neden önemli

Kalp yetmezliği yaygın, ölümcül ve sıklıkla çok geç teşhis ediliyor. Oysa bir hastaya dair erken uyarı bilgilerinin çoğu düzenli onay kutuları veya laboratuvar tabloları yerine doktorların serbest metinli notlarının içinde gömülü oluyor. Bu çalışma, yapay zekânın o dağınık notları—Almanca olarak yazılmış—ve rutin hastane verilerini her hasta için yapılandırılmış bir görünüme nasıl dönüştürebileceğini ve ardından doktorlara kimin kalp yetmezliği olup olmadığını belirlemede nasıl yardımcı olabileceğini gösteriyor.

Dağınık kelimelerden düzenli bilgilere

Doktor notları zengin ama kaotiktir: kısaltmalar, koda geçirilmiş ifadeler ve aynı şeyin farklı biçimlerde yazılması gibi özellikler içerir. Yazarlar, hamilik ve hamilik olmayan olmak üzere 846 hastanın ham notları ile standart elektronik sağlık kayıt (EHR) verilerinden başlayan uçtan uca bir dijital boru hattı kurdular. Önce sistem, çevresindeki cümleye dayanarak kısaltmaları otomatik olarak açar; böylece “HT” gibi kısa bir kod, örneğin “baş travması” değil, doğru biçimde “hipertansiyon” olarak yorumlanır. Bunu, her bir kısaltma için el ile etiketlenmiş eğitim verilerine dayanmak yerine büyük dil modelleri ve örnek cümleler kullanan “sıfır atışlı” (zero-shot) bir yaklaşımla yapar.

Dil bariyerini aşmak ve tıbbi bir haritaya bağlamak

Birçok mevcut araç ve referans terminoloji İngilizce ağırlıklı olduğundan, sonraki adım Almanca klinik notları İngilizceye çevirmektir. Çeviri sonrasında boru hattı tıbben anlamlı ifade parçacıklarını arar ve bunları hastalıklar, bulgular ve işlemlerden oluşan hiyerarşik bir “harita” olan SNOMED‑CT içindeki kavramlara ve geniş UMLS terminolojisine bağlar. Sistemin yalnızca tam eşleşen dizelere bakmak yerine anlamsal benzerliği kullandığına dikkat edin: hem not parçalarını hem de tüm aday kavram açıklamalarını sayısal bir uzaya gömerek en yakın eşleşmeleri getirir. İki aşamalı bir süreç—önce cömert aday toplama, sonra daha sıkı filtreleme ve bağlam örneklerinin kullanımı—yüksek kapsama ile doğruluğu dengeler ve zaman içinde gerçek veri ve klinisyen geri bildirimleriyle iyileştirilebilir.

Boru hattını teste sokmak

Araştırmacılar her ana adımı titizlikle değerlendirdiler. Yaygın kullanılan İngilizce test kümelerinde, kısaltma açılımı %96,1’e kadar toplam doğruluk elde etti; bu, önceki yöntemlerle boy ölçüşen veya onları geçen bir performanstı. Varlık-bağlama (entity-linking) yaklaşımları, yerleşik MedCAT araç setiyle karşılaştırılabilir puanlar aldı ve Alman kayıtlar üzerindeki bağlantıları gözden geçiren üç kardiyologun yaptığı anket, bunların yaklaşık dörtte üçünü tam eşleşme olarak değerlendirdi. Son olarak, ekip standartlaştırılmış SNOMED‑CT kavramlarını yapılandırılmış EHR bilgileri (yaş, laboratuvar değerleri, tanılar gibi) ile birleştirip, hastaları dört gruba ayırmak üzere bir destek vektör makinesi sınıflandırıcısı eğitti: kalp yetmezliği yok ve üç ana kalp yetmezliği alt türü. En iyi versiyon, yaklaşık %65,3 F1 skoru elde ederek, Almanca tıbbi BERT modelinin ince‑ayarlı güçlü bir sinirsel tabanlı yöntemine yaklaşık olarak eşit performans gösterdi.

Sistem hangi konularda başarılı—ve nerede zorlanıyor

Sınıflandırıcı özellikle kalp yetmezliği olmayan hastaları (yaklaşık %86 doğruluk) ve belirgin şekilde azalmış pompalama fonksiyonuna sahip hastaları tanımada iyiydi. Hafifçe azalmış fonksiyona sahip “ara” grupta ise daha zayıf kaldı; bu grup insan hekimler için de zordur ve klinik olarak sıkça diğer formlarla örtüşür. Yazarların yaklaşımının birkaç avantajı vardır: eğitim verilerinin kıt olduğu durumlarda bile çalışabilir, tahminler açık tıbbi kavramlara bağlandığı için kara kutu sinirsel metin modellerinden daha şeffaftır ve Alman notlarını uluslararası standartlarla birlikte çalışabilir hâle getirmeye yardımcı olur. Aynı zamanda çalışma, benzer kavramlar arasındaki zaman zaman oluşan yanlış eşlemeler, semptom şiddeti gibi nüansları yakalamadaki zorluk ve taburcu özetlerinin zaten geç evreye ait ipuçları içerebileceği —dolayısıyla görevin gerçek erken tespitten daha kolay görünmesine yol açabilecek— olasılığı gibi kalan zorlukları vurguluyor.

Bu hastalar ve hekimler için ne anlama geliyor

Basitçe söylemek gerekirse, bu çalışma bilgisayarların karmaşık klinik notları, gelişmiş sinirsel ağlara kıyasla benzer düzeyde yardımcı olacak şekilde okuyup düzenlemeyi öğrenebildiğini; aynı zamanda daha yorumlanabilir olduklarını ve yeni hastanelere ve dillere uyarlamanın daha kolay olduğunu gösteriyor. Yapısız metni paylaşılan bir tıbbi harita üzerinde standartlaştırılmış yapı taşlarına çevirerek, boru hattı risk altındaki hastaları daha erken işaretleyebilecek, kaçırılan veya geciken tanıları önlemeye yardımcı olabilecek ve daha kişiselleştirilmiş bakımı destekleyebilecek karar destek araçlarının yolunu açıyor—önce kalp yetmezliği için ve nihayetinde birçok diğer hastalık için.

Atıf: Tang, FS.KB., Verket, M., Müller-Wieland, D. et al. End-to-end pipeline for automated heart failure diagnosis with clinical notes using SNOMED-CT. Sci Rep 16, 12751 (2026). https://doi.org/10.1038/s41598-026-48771-1

Anahtar kelimeler: kalp yetmezliği tanısı, klinik notlar, SNOMED CT, tıbbi metin madenciliği, klinik karar destek