Kapanoplastiden sonra risk tahmini ve cerrahi karar desteği için nedensel ve yorumlanabilir bir makine öğrenmesi çerçevesi

Ameliyat risklerini tahmin etmenin önemi

Ciddi bir beyin yaralanması veya inme nedeniyle cerrahların hastanın hayatını kurtarmak için kafatasının bir kısmını geçici olarak çıkarması gerektiğinde, daha sonra açıklığı onarmak için ikinci bir ameliyat—kapanoplasti—gereklidir. Bu takip ameliyatı genellikle koruma ve görünümü geri kazandırsa da, enfeksiyon veya beyinin çevresinde sıvı birikmesi gibi komplikasyonlara karşı şaşırtıcı derecede yüksek bir risk taşır. Burada özetlenen çalışma pratik bir soru soruyor: hastane verileri ve modern bilgisayar teknikleri kullanılarak hangi hastaların en yüksek risk altında olduğunu öngörmek ve hatta ameliyatı daha güvenli hâle getirebilecek yaklaşımlar önermek mümkün mü?

Kafatasını kapatmak, ama tehlikesiz değil

Tehlikeli basıncı azaltmak için kafatasının bir bölümünün çıkarıldığı dekompresif kraniektomi sonrasında beyin savunmasız kalır. Kapanoplasti kafatasının şeklini geri getirir ve beyin fonksiyonları ile görünümde iyileşme sağlayarak iyileşmeyi ve özgüveni destekleyebilir. Yine de her dört hastadan birinden fazlasında sonrasında enfeksiyon, kanama, nöbetler veya hava ya da sıvı keseleri gibi sorunlar gelişir. Bu aksaklıklar hastanede kalış sürelerini uzatır, maliyetleri artırır ve zorlu kazanımları geri alabilir. Doktorlar önceki araştırmalardan bazı risk faktörlerini bilir, ancak şimdiye dek her bir hasta için komplikasyonları güvenilir biçimde tahmin edecek araçlardan yoksundular.

Bilgisayarlara tehlikeyi erken fark etmeyi öğretmek

Bu boşluğu kapatmak için araştırmacılar, Çin’deki üç büyük hastanede kaplanoplasti geçiren toplam 1.368 hastanın ayrıntılı kayıtlarını, neredeyse on yıllık bir dönemi kapsayacak şekilde topladılar. Ameliyat öncesinde veya sırasında zaten mevcut olacak bilgilere—örneğin hastanın bilinç düzeyi, kafatası defektinin boyutu, ilk ameliyattan geçen süre, enfeksiyon veya beyin çevresinde sıvı bulguları ve ameliyathanede yapılan teknik seçimler—odaklandılar. Bu verileri kullanarak, örneklerden desenleri öğrenen ve insan yazımı kurallara dayanmak yerine örüntüleri keşfeden 15 farklı makine öğrenmesi yöntemini eğittiler ve karşılaştırdılar.

Özenli bir özellik seçimi süreciyle ekip, birkaç istatistiksel yöntem arasında tutarlı biçimde en fazla bilgiyi taşıyan dokuz temel öngörücü belirledi. Daha sonra herhangi bir komplikasyon olasılığını tahmin eden modeller ile enfeksiyon, sıvı birikimi, nöbetler veya ikinci bir ameliyat gereksinimi gibi belirli sorunlar için ayrı modeller kurdular. Birçok karar ağacını birleştiren rastgele orman (random forest) modeli, doğruluk ve güvenilirlik arasında güçlü bir denge kurarak en iyi genel tahminci olarak öne çıktı.

Dijital risk skorları ne kadar iyi çalıştı

Araştırmacılar ana modellerini yalnızca orijinal hasta grubunda değil, başka bir hastanedeki hastalar ve farklı bir zaman diliminde tedavi edilen daha sonraki bir hasta grubunda da test ettiler. Tüm durumlarda model, yüksek riskli ve düşük riskli hastaları etkileyici performansla ayırt etti ve hastaları yüzde 93’ten fazla oranla doğru biçimde sıraladı. Model yaş grupları ve kadın-erkek açısından da tutarlı kaldı ve tahmin edilen olasılıklar gerçekleşen olaylarla yakın şekilde uyuştu. Bireysel komplikasyonlar için ayrı modeller de iyi performans gösterdi; ancak nöbetler veya belirli kanama türleri gibi nadir olaylarda daha az kesin oldular.

Tahminden ameliyatın kendisini değiştirmeye

Hastaları yalnızca yüksek veya düşük riskli olarak etiketlemenin ötesinde, ekip belirli cerrahi tercihlerin gerçekten bu riskleri değiştirebileceğini bilmek istedi. "Nedensel" makine öğrenmesi araçlarını kullanarak cerrahların kapanoplasti sırasında kontrol ettiği iki kararı incelediler: kan ve sıvıyı uzaklaştırmak için deri altında küçük negatif basınçlı bir dren yerleştirmek ve diğer yapay malzemeler yerine titanyum örgü plak kullanmak. Analizleri, hem drenin hem de titanyum örgünün özellikle birçok yaş ve cinsiyet grubunda genel olarak anlamlı biçimde daha az komplikasyonla ilişkili olduğunu gösterdi. Bazı durumlarda sanal "ya şöyle olsaydı" deneyleri, bu seçimlerden yalnızca birinin değiştirilmesinin model açısından yüksek riskli bir vakayı düşük riskli hale getirebileceğini gösterdi.

Karmaşık matematiği yatak başı yardımcısına dönüştürmek

İşlerini yoğun hastanelerde kullanılabilir kılmak için yazarlar modelleri ücretsiz bir web uygulamasına paketlediler. Klinikler birkaç hasta detayı ve ameliyat planını girerek anında hem genel hem de komplikasyona özgü risk tahminleri alabilir ve tahmini hangi faktörlerin yönlendirdiğine dair açıklamalar görebilir. Hastalar ve aileleri için bu, farklı cerrahi yaklaşımların artıları ve eksileri hakkında daha net konuşmalara yardımcı olabilir. Cerrahlar içinse bu, sezgilere dayanmak yerine veriyle desteklenen, bireyselleştirilmiş kararlara geçişin bir yolunu sunar. Diğer ülkelerde daha fazla test ve uzun dönem takip çalışmalarına hâlâ ihtiyaç olmasına rağmen, bu çerçeve dikkatle tasarlanmış makine öğrenmesi araçlarının hem cerrahi riskleri tahmin edebileceğini hem de beyin cerrahisini daha güvenli kılabilecek somut adımlara işaret edebileceğini gösteriyor.

Atıf: Li, W., Wang, B., Li, T. et al. A Causal and interpretable machine learning framework for postcranioplasty risk prediction and surgical decision support. npj Digit. Med. 9, 184 (2026). https://doi.org/10.1038/s41746-026-02370-6

Anahtar kelimeler: kapanoplasti, ameliyat sonrası komplikasyonlar, makine öğrenmesi, cerrahi karar desteği, titanyum örgü