Atrial fibrilasyonu yeni tanı konmuş hastalarda inme riskini tahmin etmek için yorumlanabilir makine öğrenmesi modelleri

Neden inme riskinin tahmin edilmesi önemli

Atrial fibrilasyon, yaygın bir kalp ritmi sorunu, inme geçirme olasılığını büyük ölçüde artırır. Hekimler şu anda kimlerin kan sulandırıcı ilaç alması gerektiğine karar vermek için basit puan tabanlı bir skora dayanıyor; ancak bu skor sıklıkla yüksek riskli hastaları gözden kaçırıyor ve bazı düşük riskli kişileri tedavi gerektiren olarak etiketleyebiliyor. Bu çalışma, daha akıllı ama yine de anlaşılır bilgisayar modellerinin, her klinikte zaten bulunan bilgilerle —yaş, mevcut hastalıklar ve yaygın ilaç kullanımı— kısa vadeli inme riskini daha iyi tahmin edip edemeyeceğini araştırıyor.

Ciddi sonuçları olan yaygın bir kalp sorunu

Atrial fibrilasyon dünya çapında on milyonlarca insanı etkiler ve sakat bırakan ve ölümcül inmelerin önde gelen nedenlerinden biridir. Modern kan sulandırıcı ilaçlarla bile, özellikle ritim probleminin tanısından sonraki ilk yıl içinde birçok hasta risk altında kalır. Bugün en çok kullanılan araç olan CHA₂DS₂‑VASc skoru, yaş, yüksek tansiyon ve önceki inme gibi faktörler için puan verir. Basit olsa da, bir kişinin tıbbi geçmişindeki daha ince örüntüleri yakalayamaz ve zaman içinde kimlerin inme geçireceğini tahmin etmede genellikle yalnızca orta düzeyde performans gösterir.

Daha akıllı ama kullanımı basit risk araçları geliştirmek

Araştırmacılar, yeni tanı almış atriyal fibrilasyonu olan Tayvan’daki büyük bir hastaneden 9.500’den fazla yetişkinin elektronik sağlık kayıtlarını kullandılar. Modellerini ayrıca iki ayrı hastane şubesinde 2.500’den fazla ek hastada test ettiler. Karmaşık laboratuvar testlerine veya görüntülemeye dayanmak yerine girdileri kasıtlı olarak yaş, diyabet ve yüksek tansiyon gibi kronik hastalıklar ve kan sulandırıcılar, ritim ilaçları ve diyabet ilaçları gibi yaygın ilaçların yakın zamanlı kullanımıyla sınırladılar. Bu temel bilgilerle iki tür bilgisayar modeli kurdular: şeffaf, ağırlıklı bir kontrol listesi gibi davranan geleneksel lojistik regresyon modeli ve karmaşık, doğrusal olmayan ilişkileri yakalayabilen daha esnek bir extreme gradient boosting modeli. Her iki model de tanıdan sonraki bir yıl içinde inme geçirme olasılığına ilişkin kişiselleştirilmiş bir olasılık verecek şekilde tasarlandı.

Doğruluk, adalet ve gerçek dünya faydasını test etmek

Yeni modeller standart skorla karşılaştırıldığında, hastaları inme geçirecekler ve geçirmeyecekler olarak ayırmada çok daha başarılıydı. Hem orijinal hem de dış hastane gruplarında makine öğrenmesi modelleri yüksek ve düşük riskli hastaları yaklaşık %90 doğrulukla ayırt ederken, standart skorun doğruluğu yaklaşık üçte ikiye yakındı. Yeni araçlar ayrıca gözlemlenen inme oranlarıyla çok daha yakından eşleşen risk tahminleri üretti; bu, güvenilir karar verme için önemli bir özelliktir. Önemli olarak, araştırmacılar kadınlar ve erkekler arasında performansı ayrı ayrı incelediklerinde anlamlı bir fark bulmadılar; bu da modellerin cinsiyetlerden birini haksızca öne çıkarmadığını gösteriyor; oysa eski skor otomatik olarak kadınlığa bir puan ekliyordu.

Tahminlerden daha iyi tedavi kararlarına

Bu geliştirilen tahminlerin bakımı değiştirip değiştirmeyeceğini görmek için ekip, inmeleri önlemenin faydalarını gereksiz tedavinin zararlarıyla tartan karar eğrisi analizini kullandı. Geniş bir tedavi eşik aralığında her iki model de standart skora göre önemli ölçüde daha fazla fayda sundu; gereksiz antikoagülan kullanımını artırmadan her 1.000 hasta başına 100’den fazla ek gerçek yüksek riskli hastayı tanımladı. Üç ila beş yıllık takip süresince, yeni modeller tarafından yüksek riskli olarak etiketlenen hastalar modern kan sulandırıcıları aldıklarında açık fayda gördüler: bunların inme oranları, bu ilaçları almayan benzer yüksek riskli hastalara göre daha düşüktü; düşük riskli olarak sınıflandırılanlar ise belirgin bir fayda göstermedi. Buna karşılık, eski skorla yüksek ya da düşük riskli olarak tanımlanan gruplar bazen kafa karıştırıcı ya da tersine dönmüş desenler gösterdi; bu da yanlış sınıflamaya işaret ediyor. Araştırmacılar ayrıca görsel açıklama teknikleri kullanarak önceki inme, yaş veya belirli ritim ilaçlarının kullanımı gibi özel faktörlerin bir bireyin risk tahminini nasıl yukarı veya aşağı ittiğini gösterdiler; bu da modellerin gerekçesini klinisyenler için daha şeffaf hale getirdi.

Bu hastalar ve hekimler için ne anlama geliyor

Bu çalışma, atriyal fibrilasyon tanısı konduğunda zaten mevcut olan bilgiler kullanılarak doğru ve anlaşılır inme risk araçları geliştirmenin mümkün olduğunu gösteriyor. Kısa vadeli inme riskini gerçekten yüksek olanları daha iyi belirleyerek, bu modeller hekimlerin en çok ihtiyaç duyanlara kan sulandırıcıları daha güvenle reçete etmesine yardımcı olurken, daha düşük riskli kişilerde gereksiz tedaviden kaçınmayı sağlayabilir. Diğer ülkeler ve sağlık sistemlerinde daha fazla test yapılması gerekse de, bu çalışma günlük klinik kararların her hastaya özgü inme koruması sağlayan sezgisel, veri odaklı araçlarla yönlendirildiği bir geleceğe işaret ediyor.

Atıf: Lin, J.CW., Chang, CM., Pan, HY. et al. Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation. npj Digit. Med. 9, 289 (2026). https://doi.org/10.1038/s41746-026-02470-3

Anahtar kelimeler: atriyal fibrilasyon, inme tahmini, makine öğrenmesi, risk sınıflandırması, antikoagülan tedavi