Sepsis verisi temsili için çok modlu gömme modeli

Ağır enfeksiyonlu hastalar için neden önemli

Sepsis, enfeksiyona karşı hızla ilerleyen ve sıklıkla öldürücü olabilen bir reaksiyondur; hekimler dağınık, eksik hastane verilerine dayanarak hayatî kararlar vermek zorundadır. Bu çalışma, hastanenin sepsis hastası hakkında bildiği her şeyi—laboratuvar testlerinden gelen sayılar ve doktorlar ile görüntüleme raporlarının serbest metinlerini—tek, zengin bir dijital portreye dönüştürmenin yeni bir yolunu sunuyor. Bu portre daha sonra biyolojik olarak anlamlı gruplara ayırmak ve küçük etiketli eğitim setleriyle bile kimin ölme riski en yüksek olduğunu tahmin etmek için yeniden kullanılabiliyor.

Karma hastane verilerinden daha akıllı bir sepsis resmi

Araştırmacılar, Guangdong Eyalet Geleneksel Çin Tıbbı Hastanesi ve şubelerindeki tedavi görmüş 19.526 sepsis hastasının kayıtlarını kullanarak Sepsis Veri Temsili Modeli ya da SepsisDRM’i inşa ettiler. Her hasta iki tür bilgi sağladı. Birincisi yaş, önceden var olan hastalıklar, organ yetmezliği skorları ve iltihaplanma, kan pıhtılaşması, karaciğer ve böbrek fonksiyonu ile kan lipitleri gibi 31 rutin laboratuvar ölçümü gibi yapılandırılmış girdilerdi. İkincisi ise mikrobiyoloji kültür sonuçları ve radyologların BT raporları gibi yapılandırılmamış metin kaynaklarıydı. Bu akışları ayrı işlemeyi tercih etmek yerine SepsisDRM tabloları sayılar için tasarlanmış bir sinir ağı ile, metinleri modern bir dil modeli ile işler ve ardından her hasta için her iki kaynağı ortak bir temsilde birleştirir.

Etiket olmadan öğrenerek gizli hasta tiplerini ortaya çıkarma

Büyük miktarda uzman etiketlemesine ihtiyaç duymamak için SepsisDRM, karşıt öğrenme (contrastive learning) adı verilen bir yaklaşım kullanır. Model aynı hasta kaydının biraz farklı “görünümlerini” üretir ve bu görünümleri içsel uzayında birbirine yaklaştırmayı; diğer hastalara ait kayıtları ise uzaklaştırmayı öğrenir. Eğitildikten sonra her hasta bu uzayda tek bir nokta olarak temsil edilir. Ekip daha sonra kümeleme uyguladı ve verinin yapısını en iyi şekilde yakalayan dört grubun olduğunu buldu: yüksek iltihaplanma grubu, düşük iltihaplanma grubu, ara grup ve çoklu organ yetmezliği grubu. Bu kümeler laboratuvar sonuçları, kronik hastalık yükü ve hastane içi ölüm oranları bakımından belirgin şekilde farklılık gösterdi; çoklu organ yetmezliği grubu en kötü sonucu verirken, düşük iltihaplanma grubu en iyi sonuçları gösterdi.

Dijital grupları gerçek tedavi yanıtlarıyla ilişkilendirmek

Yazarlar sadece tanımlama yapmakla kalmayıp bu veri odaklı grupların tedaviyi yönlendirip yönlendiremeyeceğini de incelediler. Çin’de sepsis ek tedavisi olarak yaygın kullanılan geleneksel Çin tıbbı kökenli bir enjeksiyon olan Xuebijing’in kullanımını ele aldılar. Tedavi edilen ve edilmemiş hastaları yaş, organ yetmezliği ve eşlik eden hastalıklar bakımından dikkatle eşleştirdikten sonra, her fenotip içerisinde ölüm oranlarını karşılaştırdılar. Genel sepsis popülasyonunda ve dört gruptan üçünün her birinde Xuebijing açık bir yarar göstermedi. Ancak yüksek iltihaplanma grubunda ilacı alan hastalar, benzer özellikte olup ilacı almayanlara göre hastanede ölme olasılığı açısından anlamlı derecede daha düşüktü; bu da bu tedavinin herkes için değil belirli bir biyolojik alt tip için daha faydalı olabileceğini düşündürüyor.

Az etiketli vakalarla 28 günlük sağkalımı tahmin etmek

SepsisDRM zaten her hastanın ayrıntılı bir portresini kodladığı için ekip, bu portrelerin üzerine basit bir sınıflandırıcı eğiterek bir kişinin yatıştan 28 gün sonra hayatta olup olmayacağını tahmin edebildi. Yalnızca küçük etiketli veri kümeleri kullanarak model yüksek doğruluk elde etti: aynı hastanenin geriye dönük ve ileriye dönük test setlerinde ROC eğrisi altındaki alanlar sırasıyla 0,83 ve 0,82; farklı uygulama ve dokümantasyon stillerine sahip dış bir hastanede ise 0,69. İleriye dönük bir kohortta doğrudan karşılaştırmada SepsisDRM, farklı kıdemdeki 11 insan hekimine göre daha duyarlı ve daha tutarlıydı; hastanede ölecek daha az hastayı kaçırırken aynı zamanda yüksek oranda doğru “güvende” sınıflandırmalar sağlamaya devam etti.

Sepsis bakımının geleceği için ne anlama geliyor

Basitçe ifade etmek gerekirse, bu çalışma laboratuvar sayıları ve serbest metin notlarından ortak olarak inşa edilmiş tek, yeniden kullanılabilir bir sepsis hasta temsilinin hem hastalığın anlamlı alt tiplerini ortaya çıkarabileceğini hem de doğru sonuç tahmin araçlarını destekleyebileceğini gösteriyor. SepsisDRM klinisyenlerin yerini almaz, ancak karar desteği olarak çalışabilir: yüksek riskli hastaları işaretleyerek, Xuebijing gibi belirli tedavilerden fayda görebilecekleri vurgulayarak ve bunu sınırlı etiketli verinin bulunduğu ortamlarda bile yaparak. Aynı strateji, hastanelerin yapılandırılmış ölçümler ile anlatı raporlarının karışımını topladığı diğer durumlara uyarlanabilir ve daha kesin, veri odaklı yoğun bakım yolunu açabilir.

Atıf: Liu, T., Li, Y., Chen, H. et al. A multimodal embedding model for sepsis data representation. npj Digit. Med. 9, 272 (2026). https://doi.org/10.1038/s41746-026-02446-3

Anahtar kelimeler: sepsis fenotipleri, çok modlu gömmeler, klinik öngörü, yoğun bakım yapay zekâsı, tedavi stratifikasyonu