Elektronik sağlık kaydı temel modelleri kullanarak antibiyotik ilişkili kutanöz advers ilaç reaksiyonlarının tahmini

Neden ilaç döküntülerini tahmin etmek önemli

Bir ilacı aldıktan sonra döküntü çıkan herkes bunun ne kadar ürkütücü olabileceğini bilir. Çoğu kez bu deri reaksiyonları hafiftir ve kendi kendine geçer. Ancak nadir durumlarda geniş cilt yüzeylerini etkileyen ve yoğun bakım gerektirebilen hayati tehlike oluşturan tablolara dönüşebilirler. Antibiyotikler bu reaksiyonlarla en sık ilişkilendirilen ilaçlar arasındadır, fakat doktorların hangi hastaların önceden daha yüksek risk taşıdığını güvenilir şekilde bilmenin bir yolu yok. Bu çalışma, rutin hastane kayıtlarında gizlenmiş desenlerin bir hastanın antibiyotiğe bağlı bir deri reaksiyonu geliştirip geliştirmeyeceğini olası olarak önceden tahmin edip edemeyeceğini araştırıyor.

İlaç kaynaklı deri reaksiyonları

Deri sorunları ilaçların en yaygın görülen gözlemlenebilir yan etkileridir. Kaşıntılı kırmızı lekelerden ölümcül olabilen Stevens–Johnson sendromu ve toksik epidermal nekroliz gibi tehlikeli bozukluklara kadar uzanırlar. Özellikle penisilinler ve benzeri yaygın kullanılan antibiyotik türleri tetikleyiciler arasındadır. Bu ağır reaksiyonlar nadir olsa da, herhangi bir ciddi ilaç reaksiyonu hastanede yatış süresini uzatabilir, maliyetleri artırabilir ve en kötü vakalarda ölüme yol açabilir. Bu yüke rağmen, özellikle antibiyotiklerle ilişkili kutanöz advers ilaç reaksiyonlarını öngörmek için bütün hastalara uygulanabilecek standart bir tarama testi yoktur.

Hastane kayıtlarını ipuçlarına dönüştürmek

Modern hastaneler tanılar, kan test sonuçları, reçete edilen ilaçlar ve prosedürler gibi yıllar içinde toplanmış büyük miktarda bilgiyi elektronik sağlık kayıtlarında saklar. Bu çalışmada araştırmacılar, bu uzun tıbbi kod dizilerini bir belgedeki metin satırları gibi ele aldı. Dil teknolojisinden ödünç alınan “temel modelleri” kullandılar—büyük veri kümelerinden genel desenleri öğrenen ve sonra belirli görevler için ince ayar yapılabilen sistemler. Ekip, en az üç gün yatan ve antibiyotik alan üç büyük Kore hastanesindeki 800.000’den fazla yetişkin hastanın kayıtlarını analiz etti. Deri reaksiyonlarını güvenilir şekilde tespit etmek için yalnızca tanı kodlarına dayanmadılar; hem hemşirelik notlarını hem de döküntü veya ürtiker gibi gözlemleri kaydeden yapılandırılmış hemşirelik ifadelerini de taradılar.

Tahmin modelinin kurulumu ve test edilmesi

Araştırmacılar, klasik makine öğrenmesi yöntemleri (örneğin rastgele ormanlar) ile derin öğrenme ağları ve sağlık kayıtları için üç farklı temel model gibi çeşitli yaklaşımları karşılaştırdı. Her hasta için modellere, en son antibiyotik reçetesi anında kısa süre içinde bir deri reaksiyonunun olup olmayacağı soruldu. Tüm yöntemler arasında hastanelerde kullanılan ortak veri formatına özgü uyarlamalar içeren CDM-BERT adlı model en iyi performansı gösterdi. Eğitildiği hastanede gelecekteki döküntü vakalarını vakalar olmayanlardan çok yüksek doğrulukla ayırt etti ve verileri biraz farklı görünen iki diğer hastaneye, ek ayar yapmadan uygulandığında da güçlü performansını korudu.

Modelin risk hakkında öğrendikleri

Modelin rastgele gürültüye değil tıbben anlamlı bilgilere dikkat edip etmediğini kontrol etmek için ekip, kaydın hangi bölümlerinin kararları en çok etkilediğini inceledi. Kanser, kronik böbrek hastalığı ve kronik karaciğer hastalığı gibi ilaç reaksiyonlarıyla ilişkili olduğu bilinen durumlara ve antibiyotikler ile antikonvülzanlar gibi belirli ilaç kategorilerine daha yüksek önem atandı. İlginç bir şekilde, ilaç kodlarının eğitim sitesindekiyle uyuşmadığı bir hastanede model, laboratuvar sonuçlarına ve hastalık geçmişine daha fazla dayanarak hâlâ iyi sonuç verdi; bu da farklı veri ortamlarına uyum sağlayabildiğini gösteriyor. Araştırmacılar ayrıca reaksiyonları “anlık” (dozdan kısa süre sonra ortaya çıkan) ve “gecikmiş” (uzun süreli maruziyetten sonra görülen) şeklinde ayırdı. Model, geleneksel testlerle öngörülmesi şu an en zor olan gecikmiş reaksiyonları tahmin ederken daha emin ve istikrarlıydı.

Sınırlamalar, zorluklar ve sonraki adımlar

Modelin performansı umut verici olsa da, henüz hangi spesifik antibiyotiğin sorumlu olduğunu belirleyemiyor ve acil uzman müdahalesi gerektiren nadir fakat yıkıcı ağır deri reaksiyonlarını hafif döküntülerden ayıramıyor. Çalışma ayrıca tek bir ülkeden hastaneleri içeriyordu ve ilaç kodlama sistemlerindeki farklılıklar ile serbest metin hemşirelik raporlarında kural tabanlı aramalar kullanma gereği gibi teknik pürüzler vardı. Dahası, modelin içsel “dikkat” desenlerini basit klinik kurallara çevirmek zor olmaya devam ediyor ve yaklaşım esas olarak göreceli olarak hafif cilt problemlerine odaklandı, ağır reaksiyonların tüm yelpazesine değil.

Hastalar ve klinisyenler için anlamı

Bu çalışma, rutin hastane verilerini hemşirelik gözlemleriyle dikkatli biçimde birleştirerek gelişmiş bilgisayar modellerinin, güvenilir laboratuvar testlerinin olmadığı yavaş başlangıçlı reaksiyonlar da dahil olmak üzere bir hastanın antibiyotik ilişkili deri reaksiyonu geliştirme riskini tahmin edebileceğini gösteriyor. Pratikte böyle bir araç, doktorların daha yüksek riskli hastaları daha yakından izleme, alternatif ilaç seçenekleri değerlendirme veya daha dikkatli dozlama için işaretlemesine yardımcı olabilir; bu arada çoğu hastaya standart bakım verilmeye devam edebilir. Çalışma, günlük tıbbi uygulamanın “dijital artık”ını ciddi ilaç reaksiyonlarını ciltte görünmeden önce yakalayan bir güvenlik ağına dönüştürme yolunda bir adımı işaret ediyor ve potansiyel olarak zararı ortaya çıkmadan önce önleyebilir.

Atıf: Kim, J., Kim, K., Yun, JE. et al. Prediction of antibiotic-associated cutaneous adverse drug reactions using electronic health record foundation models. npj Digit. Med. 9, 311 (2026). https://doi.org/10.1038/s41746-026-02503-x

Anahtar kelimeler: antibiyotik yan etkileri, ilaç kaynaklı deri döküntüsü, elektronik sağlık kayıtları, tıbbi yapay zeka tahmini, advers ilaç reaksiyonları