Yapılandırılmış veriler ve klinik metni entegre eden derin öğrenme modeli ile atriyal fibrilasyon nüksünü tahmin etme

Düzensiz kalp atımları olan kişiler için neden önemli

Atriyal fibrilasyon, yaygın bir kalp ritim bozukluğudur ve kateter ablasyon gibi normal ritmi geri kazandırmayı amaçlayan invaziv girişimlerden sonra bile sıklıkla tekrarlar. Hastalar ve hekimler sıkça şu soruyu sorar: Sorunun geri gelme olasılığı en yüksek olanlar kimler, kimler daha rahat edebilir? Bu çalışma, modern yapay zekânın hem sayısal verileri hem de tıbbi kayıtlardaki hekim notlarını inceleyerek atriyal fibrilasyonun nüks etme olasılığını daha doğru tahmin edebileceğini; bunun takip bakımını yönlendirmeye ve tekrar prosedürleri önlemeye yardımcı olabileceğini gösteriyor.

Sık tekrar eden zor bir ritim sorunu

Kateter ablasyon, anormal ritimleri tetikleyen veya sürdüren kalp içindeki küçük bölgeleri yakma veya dondurma yoluyla atriyal fibrilasyonu tedavi etmek için yaygın biçimde kullanılır. Buna rağmen hastaların %30–50’si bir yıl içinde düzensiz atımın geri gelmesini yaşar ve bazen ek bir işlem gerektirir. Mevcut risk skorları, genellikle kalp boşluğu boyutu ve atriyal fibrilasyon tipi gibi birkaç ölçüme dayanarak yalnızca kısmi bir tablo sunar. Genellikle girişimin nasıl yapıldığına, ekokardiyografide kalbin nasıl göründüğüne ve hasta durumunun genel nüanslarına dair zengin ayrıntıları—metin raporlarının içinde kalanları—göz ardı ederler. Sonuç olarak hekimler hâlâ kimlerin özellikle yakından izlenmesi veya ek önleyici tedaviye ihtiyaç duyduğunu belirlemekte zorlanıyor.

Rutin hastane verilerini daha akıllı bir tahmin aracına çevirme

Çin’deki araştırmacılar 2015–2024 yılları arasında beş hastanede atriyal fibrilasyon ablasyonu geçiren 2.508 hastanın bilgilerini topladı. Tipik hasta 65 yaşındaydı ve yaklaşık beşte biri neredeyse üç yıllık medyan takip süresinde nüks yaşadı. Araştırma ekibi her hasta için yaş, kan basıncı, kan test sonuçları, kalp boşluğu boyutu ve mevcut risk skorları gibi yapılandırılmış verilerin yanı sıra 24 saatlik holter özetleri, ekokardiyografi raporları ve elektrofizyologların yazdığı ayrıntılı işlem notları gibi yapılandırılmamış metinleri de topladı. Ardından çift dallı bir derin öğrenme modeli kurdular: bir dal sayısal ve kategorik verileri işlerken, diğer dal serbest metin raporlarını nicel özelliklere dönüştürmek için büyük dil modellerini kullandı ve bu özellikler sayısal verilerle birleştirildi.

Gelişmiş dil modelleri hekim notlarını nasıl okuyor

Sistemin metin dalı, başlangıçta büyük yazılı materyal koleksiyonları üzerinde eğitilmiş ve sonra tıbbi dile uyarlanmış dört modern büyük dil modeline dayanıyordu. Bu modeller, uzman terimleri ve kalıpları daha iyi kavrayabilmeleri için kimliksizleştirilmiş hastane raporlarında ince ayar yapıldı. Çalışma, hangi dil modelinin nüksü en iyi tahmin eden metin özelliklerini ürettiğini görmek için farklı modelleri karşılaştırdı. Öne çıkan performans MedGemma adlı, tıbbi içerik için özel olarak optimize edilmiş modeldi. Metin özellikleri yapılandırılmış veri dalıyla birleştirildiğinde, ortaya çıkan “MedGemma‑Fusion” modeli eğitim, doğrulama ve bağımsız test hastanelerinde alıcı çalıştırıcı eğrisi altındaki alanların 0,90’ın üzerinde olmasıyla dikkat çekici doğruluk gösterdi. Bu, modelin aritmiden korunacak hastaları ile korunamayacak hastaları güvenilir şekilde ayırt edebildiği anlamına geliyordu.

Yapay zekânın siyah kutusuna bakmak

Modelin gerçekte hangi girdileri kullanarak tahmin yaptığını anlamak için araştırmacılar her girdinin etkisini tahmin eden yorumlanabilirlik araçları uyguladılar. Yapılandırılmış verilerde, hastanın ne kadar süredir atriyal fibrilasyonlu olduğu, sol atriyumun boyutu ve ritmin aralıklı mı yoksa sürekli mi olduğuna dair tanıdık klinik faktörler en çok ağırlık taşıyordu. Metin tarafında ise ablasyon işlemlerine ilişkin tanımlar—pulmoner venlerin betimlenmesi ve elektriksel potansiyeller gibi—ön plana çıktı; bu, başarılı tedavide merkezi adımları yansıtıyordu. Ekokardiyografi raporlarındaki kalp hareketine ilişkin terimler de önemliydi; bu, atriyum hareketindeki değişikliklerin uzun süreli hasarı işaret ettiğini düşündüren bulguyla tutarlıydı. Buna karşın 24 saatlik holter özetlerinin katkısı görece azdı; muhtemelen aralıklı atriyal fibrilasyonu olan birçok hastanın kısa izlem pencerelerinde normal ritimler göstermesi nedeniyle.

Araştırma modelinden klinik kararlara

Ham doğruluğun ötesinde ekip aracı, sağkalım analizleri kullanarak kişileri yüksek ve düşük risk gruplarına ne kadar iyi ayırdığını test etti. MedGemma‑Fusion tarafından yüksek riskli olarak işaretlenen hastalar zaman içinde açıkça daha yüksek nüks oranlarına sahipti. Karar eğrisi analizi, birçok makul eşik değerinde modelin klinik kararlarda geleneksel skorlara veya tek ölçümlere dayanılmasından daha fazla net fayda sağlayacağını öne sürdü. Yine de yazarlar önemli uyarılara dikkat çekiyor: çalışma retrospektif, örneklem büyüklükleri—tek bir çalışma için büyük olsalar da—derin öğrenme açısından sınırlı ve raporlama stilleri hastaneler arasında farklılık gösterdi. Büyük dil modellerinin gelecekteki sürümleri ve diğer sağlık sistemlerinde daha geniş testler yapılmadan bu tür araçların rutinleşmesi zor. Buna rağmen bu çalışma, hasta dosyasındaki sıradan sayıları anlatı raporlarının içindeki nüansla birleştirmenin tahminleri nasıl keskinleştirebileceğini ve nihayetinde atriyal fibrilasyonu olan bireylerin takip ve tedavi yoğunluğunu kişiselleştirmeye yardımcı olabileceğini gösteriyor.

Atıf: Jia, S., Yin, Y., Guan, Y. et al. A deep learning model integrating structured data and clinical text for predicting atrial fibrillation recurrence. npj Digit. Med. 9, 253 (2026). https://doi.org/10.1038/s41746-026-02436-5

Anahtar kelimeler: atriyal fibrilasyon, kateter ablasyon, derin öğrenme, klinik metin madenciliği, risk tahmini