Makine öğrenimi, sepsisin kötüleşme yollarını tahmin ediyor

Hastalar ve aileleri için bunun önemi

Sepsis, yoğun bakım ünitesinde sık görülen ve çoğu zaman ölümcül olabilen bir enfeksiyon komplikasyonudur; seyri hızlıca değişebilir. Aileler ve klinisyenler hangi hastaların toparlayacağını, hangilerinin yaşamı tehdit eden organ yetmezliğine doğru gittiğini kestirmekte zorlanır. Bu çalışma, bilgisayar algoritmalarının yatağa yakın verilerdeki örüntüleri okuyup hastalığın nereye gideceğini, açıkça belli olmadan saatler öncesinden tahmin edip daha erken ve hedefe yönelik müdahaleye olanak sağlayıp sağlamadığını araştırıyor.

Farklı iyileşme ve kötüleşme yolları

Araştırmacılar Çin’deki yoğun bakım ünitelerinde ve büyük ABD hastane veri tabanlarında tedavi gören yaklaşık 48.000 erişkin sepsis kaydını inceledi. Tekil anlık görüntüler yerine organ fonksiyon skorlarının ve hayati bulguların zaman içindeki değişimine baktılar. İstatistiksel araçlar kullanarak, hastaların yoğun bakıma geldikten sonra genel olarak üç geniş yolu izleme eğiliminde olduğunu buldular: hızlı iyileşme, yavaş iyileşme veya sürekli klinik kötüleşme. Bu yollar yalnızca etiket değildi; yaş, eşlik eden hastalıklar, organ hasarı ve sağkalım açısından belirgin farklılıkları yansıtıyordu. Kötüleşme yolundaki hastalar daha yaşlıydı, daha fazla kronik hastalığa sahipti ve artan organ yetmezliği skorları ile mekanik ventilatör ve kan basıncı ilaçlarına artan gereksinim gösteriyordu.

Vücudun ritmini izlemek

Ortalama değerlerin (ör. kan basıncı veya kalp hızı) ötesinde ekip, bu sinyallerin zaman içinde ne kadar değiştiğine odaklandı. Kalp hızındaki “oynaklık” olarak bilinen kalp hızı değişkenliğinin önemli ipuçları taşıdığını keşfettiler. Kalp hızı düzeni çok sabitleşen, doğal değişkenliği azalan hastaların, daha esnek bir ritmi koruyanlara göre 28 gün içinde ölme olasılığı yaş ve hastalık şiddeti hesaba katıldıktan sonra bile iki katından fazla çıktı. Kan basıncı ve solunum hızındaki dalgalanmalar için de benzer ancak daha küçük etkiler görüldü. Bu bulgular, sağlıklı bir vücudun zengin, uyum sağlayabilen ritimlere sahip olduğu ve bu karmaşıklığın kaybının geleneksel belirtiler ortaya çıkmadan önce yaklaşan bir çöküşün uyarısını verebileceği fikrini destekliyor.

Bilgisayarlara tehlikeyi erken fark ettirmeyi öğretmek

Bu örüntüleri pratik bir araca dönüştürmek için araştırmacılar, birkaç tahmin yöntemini birleştiren bir tür gelişmiş bilgisayar programı olan topluluk (ensemble) bir makine öğrenimi modeli kurdular. Model, yaş ve enfeksiyon tipi gibi temel bilgilerin yanı sıra hayati bulguların ve laboratuvar testlerinin trendleri, eğimleri ve değişkenliği gibi dinamik özellikleri de kullandı. Model bir hastanede eğitildi, sonra sonraki bir hasta grubunda ve iki büyük kamuya açık yoğun bakım veri tabanında doğrulandı. Farklı hastaneler, enfeksiyon tipleri ve yaş grupları arasında güçlü performans göstererek daha sonra kötüleşecek hastaları kötüleşmeyecek olanlardan doğru biçimde ayırt etti. Ortalama olarak kötüleşmeyi gerçekleşmeden yaklaşık 18 saat önce uyardı ve risk tahminleri gerçek sonuçlarla iyi eşleşti.

Gerçek dünya bakımına etkisi

Araştırma ekibi daha sonra modeli, hastaları tahmini yola göre düşük, orta ve yüksek risk gruplarına ayıran yatağa yakın bir karar destek sistemine entegre etti. Klinikler her seviyeye göre standartlaştırılmış müdahale planlarını uyguladı; örneğin kötüleşme olası görülenler için daha yakın izlem veya daha agresif tedavi gibi. Hastalar arasındaki farklılıklar düzeltilip karşılaştırıldığında, sistem yardımıyla bakılanlar yoğun bakımda ortalama yaklaşık iki gün daha az kaldı, mekanik ventilede kalma süreleri yaklaşık iki gün daha az oldu ve sistem kullanılmadan önce benzer şartlarda tedavi edilenlere kıyasla 28 gün içinde ölme olasılıkları %5,7 daha düşük bulundu. En büyük yarar, orta gruptaki “yavaş iyileşme” hastalarında görüldü; bu grup, erken müdahale ile kötüleşmeden uzaklaştırılmaya en çok uygun gibi görünüyordu.

İleriye dönük ne anlama geliyor

Bu çalışma, bir sepsis hastasının durumunun zaman içindeki değişimini ve özellikle kalp ve dolaşım ritimlerinin esnekliğini nasıl kaybettiğini izleyerek bilgisayarların kimlerin tehlikeye doğru sürüklendiğini tahmin etmesine yardımcı olabileceğini öne sürüyor. Açık yatak başı protokollerle birleştiğinde, böyle tahminlerin yoğun bakım süresinde kısalma, mekanik ventilatörde daha az süre ve daha az ölümle ilişkili olduğu gözlendi. Çalışma rastgele kontrollü denemelerle ve daha fazla sağlık sistemi ortamında test edilmeyi gerektirse de, akıllı ve şeffaf izleme araçlarının klinisyenlerin krizlere tepki vermekten ziyade bunları öngörerek önlem almasına yardımcı olacağı bir geleceğe işaret ediyor.

Atıf: Zhang, R., Long, F., Zhao, Z. et al. Machine learning predicts sepsis deterioration trajectories. npj Digit. Med. 9, 385 (2026). https://doi.org/10.1038/s41746-026-02565-x

Anahtar kelimeler: sepsis, makine öğrenimi, YOĞUN BAKIM izleme, kalp hızı değişkenliği, klinik kötüleşme