Klinik rehberli modeller mi yoksa temel modeller mi? elektronik sağlık kayıtlarından servikal spondilotik miyelopatiyi tahmin etmek

Bu omurga sorununun daha erken fark edilmesi neden önemli

Servikal spondilotik miyelopati (SSM) uzun bir adlandırma olabilir, ancak birçok yaşlı erişkin için omurilik üzerinde sessiz bir tehdit oluşturur. İlk belirtisi sakarlık, sürünen bir yürüyüş veya tuvalet sorunları şeklinde başlayabilir ve zamanla ciddi sakatlığa ya da felce ilerleyebilir. Bulgular ince ve artrit ya da karpal tünel sendromu gibi daha yaygın sorunlara benzediği için doktorlar sıklıkla yıllarca atlayabilir. Bu çalışma zamanlı bir soruyu gündeme getiriyor: elektronik sağlık kayıtlarına gömülü kalıplar, kişileri resmi teşhisten yıllar önce SSM riski açısından işaretleyebilir mi ve bu iş için hangi tür yapay zeka (YZ) daha uygundur?

Grileşen nüfusta gizli bir durum

SSM, yaşa bağlı aşınma ve yıpranma boyun omurga kanalını daralttığında ve omuriliğe baskı uyguladığında ortaya çıkar. Hastalık yaşlı erişkinlerde yaygındır; boyun görüntülemeleri 60 yaş üstü kişilerin yaklaşık üçte birinde omurilik sıkışmasını gösterir ve bunların önemli bir kısmı semptom geliştirecektir. Buna rağmen çalışmalar, hastaların genellikle ilk belirtiler ile doğru tanı arasında iki ila altı yıl beklediğini; cerrahi veya diğer müdahalelerin kalıcı hasarı önleyebileceği kritik zamanların kaybedildiğini öne sürüyor. Nüfuslar yaşlanırken ve birinci basamak hekimleri yoğun klinikler ve omurga bozukluklarına sınırlı maruz kalma ile mücadele ederken, SSM’yi erken yakalamak için ölçeklenebilir yöntemlere olan ihtiyaç artıyor.

Sağlık kayıtlarını erken uyarı sistemine dönüştürmek

Modern elektronik sağlık kayıtları (ESK) tanılar, laboratuvar testleri, işlemler ve klinik ziyaretlerin ayrıntılı bir izini yakalar. Araştırmacılar, bu izde uzman görüntülemeler istenmeden çok önce tekrarlayan düşmeler, sinir testleri veya fizik tedavi gibi erken SSM işaretlerine dair ipuçları olabileceğini düşündüler. Yaklaşık 2 milyon hastanın verilerini iki büyük ABD veri kümesinden derlediler: ulusal bir sigorta tazminat veritabanı ve bölgesel bir sağlık sistemi kayıtları. Bu veri kümeleri içinde sonunda SSM tanısı alan on binlerce kişiyi belirleyip, almayan benzer hastalarla eşleştirerek, yapay zekanın 6 ila 30 aylık farklı öngörü pencerelerinde kimlerin daha sonra SSM tanısı alacağını tahmin edip edemeyeceğini test etmek için büyük ölçekli bir test ortamı oluşturdu.

Büyük genel amaçlı YZ ile sade, klinik rehberli araçlar

Takım, ESK verilerini işleyen birkaç makine öğrenimi modelini karşılaştırdı. Bir uçta büyük "temel modeller"—milyonlarca hasta kaydı üzerinde genel sağlık verisi kalıplarını öğrenmek üzere eğitilmiş güçlü, transformer tabanlı sistemler—vardı. Diğer uçta ise omurga uzmanları tarafından SSM ile yüksek derecede ilişkili olduğu seçilmiş 497 tanı, işlem ve ilaç kodundan oluşan özlü bir listeden oluşturulmuş daha küçük modeller yer aldı. Araştırmacılar performansı nadir hastalıklar için uygun istatistiklerle ölçerek, her bir modelin farklı tahmin pencerelerinde daha sonra SSM geliştirecek hastaları belirlemede rastgele tahminden ne kadar daha iyi olduğunu değerlendirdiler.

Evdeki doğruluk, yoldaki güvenilirlik

Modeller aynı büyük, çeşitli sigorta veri kümesi içinde eğitilip test edildiğinde, en büyük temel model genellikle en iyi performansı gösterdi ve bilgi içermeyen bir sınıflandırıcıya kıyasla yaklaşık altı ila yedi kat daha yüksek doğruluk elde etti. Ancak modeller bağımsız sağlık sistemi üzerinde değerlendirildiğinde tablo değişti. Orada daha basit, klinik rehberli modeller genellikle karmaşık transformer’lardan daha iyi performans gösterdi ve bazı durumlarda hangi hastaların yakında SSM tanısı alacağını tahmin etmede rastgele şansa kıyasla 13 kat daha iyi performans elde ettiler. Ters bir deney—tek sağlık sistemi üzerinde eğitip ulusal veri kümesi üzerinde test etmek—benzer bir hikâye anlattı: daha küçük, klinik odaklı modeller kurumlar arasında daha iyi taşınma eğilimindeydi. Alt grup analizleri ayrıca tüm modellerin daha sık sağlık hizmeti gören hastalarda en iyi çalıştığını ortaya koydu; bu da daha nadiren doktora başvuranlar için adalet sorularını gündeme getiriyor.

Bu hastalar ve hekimler için ne anlama geliyor

Bulgular, YZ’nin SSM için yüksek riskli kişileri teşhisten iki buçuk yıla kadar önce işaretlemeye yardımcı olabileceğini; klinisyenleri daha erken nörolojik muayeneler ve omurga görüntülemelerine yönlendirebileceğini öne sürüyor. Ancak çalışma aynı zamanda bir ödünleşmeyi vurguluyor: büyük, sofistike YZ modelleri eğitildikleri veride üstün olabilirken, klinik uzmanlığa dayanan daha küçük, dikkatle tasarlanmış modeller yeni hastanelere ve hasta popülasyonlarına taşındığında daha güvenilir olabilir. Hastalar için çıkarım umut verici ama nüanslı: rutin sağlık verilerinin akıllı kullanımı SSM ile uzun süren tanı serüvenini kısaltabilir, ancak başarı yalnızca güçlü algoritmalara değil aynı zamanda düşünülmüş model tasarımına, çeşitli ortamlarda dikkatli teste ve erken tespit faydalarının geniş biçimde paylaşılması için eşitlik gözetimine bağlı olacak.

Atıf: Yakdan, S., Warner, B., Ghogawala, Z. et al. Clinically-guided models or foundation models? predicting cervical spondylotic myelopathy from electronic health records. npj Digit. Med. 9, 153 (2026). https://doi.org/10.1038/s41746-026-02337-7

Anahtar kelimeler: servikal spondilotik miyelopati, elektronik sağlık kayıtları, makine öğrenimi, temel modeller, erken tanı