Sağlık durumuna göre gruplandırılan hastalar üzerine eğitim verilen nöral ağ; hastaların ölüm oranlarını daha iyi tahmin edebilir.
Hastaların geniş bir sağlık koşuluna sahip olduğu yoğun bakım ünitelerinde; teftiş, ağır bir şekilde klinik yargıya dayanır. Yoğun Bakım Ünitesi personeli; hastaların tedavi edilemedikleri takdirde, ölme riskiyle karşı karşıya olup olmadıklarını belirlemek için, kan çalışmaları ve hayati belirtileri kontrol etme gibi çok sayıda fizyolojik test yaptırırlar.
Son yıllarda, yoğun bakım hastalarının kaldıkları süre boyunca çeşitli sağlık faktörlerine bağlı olarak hastaların ölüm oranlarının tahmin edilmesine yardımcı olmak için çok sayıda model geliştirildi. Bununla birlikte, bu modellerin performans açısından sakıncaları oluştu. Yaygın kullanılan “küresel” bir model türü; büyük hasta popülasyonunda eğitilmektedir. Bunlar ortalama olarak iyi çalışabilir, ancak bazı hasta alt gruplarında yetersizdir. Öte yandan, başka bir model türü; farklı alt popülasyonları (örneğin, benzer koşullar, hasta yaşları veya hastane departmanları tarafından gruplandırılanlar…) analiz eder. Ancak bu işlem için de çoğu zaman, eğitim ve test için sınırlı verilere sahiptir.
Bilgi Keşfi ve Veri Madenciliği Konferansı’nda sunulan bir makalede, MIT araştırmacıları dünyanın en iyisi olarak işlev gören bir makine öğrenme modelini tanıttılar: Model ile; özellikle hasta alt popülasyonları üzerinde çalışıldı, aynı zamanda daha iyi olması için tüm alt popülasyonlara ait verileri/tahminleri de paylaşıldı. Bunu yaparken model, küresel ve diğer modellerle karşılaştırıldığında; yoğun bakımda ilk iki gün boyunca bir hastanın ölüm riskini daha iyi tahmin edebilir.
Model; daha önce kabul edilmiş yoğun bakım hastalarının elektronik sağlık kayıtlarında fizyolojik verileri ilk kez çalıştırdı. Bazıları ise kaldıkları süre boyunca; ne yazık ki hayatını kaybetti. Bunu yaparken; düşük kalp hızı, yüksek tansiyon ve çeşitli laboratuvar test sonuçları gibi, yüksek ölümcül belirleyicileri (yüksek glukoz seviyeleri ve beyaz kan hücresi sayımı) ilk birkaç gün içinde öğrenir. Bu şekilde hastaları sağlık durumlarına göre alt gruplara ayırır. Yeni bir hasta verildiğinde, model; hastanın ilk 24 saatindeki fizyolojik verilerine bakabilir. Hasta alt popülasyonlarını analiz ederek, öğrendiklerini kullanır; böylece yeni hastanın daha sonraki 48 saat içinde ölme olasılığını daha iyi tahmin edebilir.
Tüm bunlara ek olarak, araştırmacılar; modeli belirli alt popülasyonlarla değerlendirmenin (test etme ve doğrulama), aynı zamanda, hasta alt popülasyonları arasında mortaliteyi (ölüm ihtimali) tahmin etmede küresel modellerin performans eşitsizliklerini vurgular. Bu, spesifik hastalarla daha doğru şekilde çalışabilen modeller geliştirmek için önemli bilgilerdir.
Bilgisayar Bilimleri ve Yapay Zeka Laboratuvarı’nda (CSAIL) Yüksek Lisans Öğrencisi Harini Suresh: “Yoğun Bakım Ünitesi çok yüksek bant genişliğindedir ve birçok hasta vardır. Hastaların aslında risk altında olduğu ve daha fazla acil müdahaleye ihtiyacı olduğu zamanın çok iyi anlaşılması önemlidir.”
Çoklu Görev ve Hasta Alt Grupları
Çalışmanın önemli bir yeniliği de, eğitim sırasında; modelin, hastaların genel sağlık ve ölüm riskleri yönlerini ele alan farklı alt popülasyonlara ayırmasıdır. Bunu da, saatlerce ayrılan fizyolojik verilerin bir kombinasyonunu hesaplayarak, yapar. Fizyolojik veriler; örneğin, glikoz, potasyum ve azot seviyelerinin yanı sıra; kalp hızı, kan pH’sı, oksijen doygunluğu ve solunum hızını içerir. Kan basıncı ve potasyum seviyelerindeki artışlar (bir kalp yetmezliğinin işareti) diğer alt popülasyonlardaki sağlık sorunlarına işaret edebilir.
Daha sonra model; tahmin modellerini oluşturmak için çoklu görev öğrenme yöntemini kullanmaktadır. Hastalar alt popülasyonlara ayrıldığında; her alt popülasyona farklı ayarlanmış modeller atanır. Her varyant model; daha sonra kişiselleştirilmiş hasta grubu için daha doğru tahminler yapabilir. Bu yaklaşım aynı zamanda modelin; tahminler yaparken tüm alt popülasyonlardaki verileri paylaşmasına da olanak tanır. Yeni bir hasta verildiğinde; hastanın fizyolojik verileri; tüm alt popülasyonlarla eşleşecek, en uygun olanı bulacak ve daha sonra ölüm riskini oradan daha iyi tahmin edecektir.
Suresh: “Hasta verilerinin tamamını kullanıyor ve ilgili olduğu yerdeki bilgileri paylaşıyoruz. Bu şekilde, farklı hasta alt grupları arasındaki farklılıkları göz önünde bulundurarak, veri kıtlığı gibi sorunlara da maruz kalmış olmuyoruz…”
Gong: “YBÜ‘ye başvuran hastalar genellikle; neden orada olduklarına ve sağlık durumlarının neye benzediğine göre farklılık göstermektedir. Bundan dolayı çok farklı muamele görürler. Klinikte hasta hakkında karar vericiler; hasta popülasyonlarının heterojenliğini hesaba katmalı ve doğru tahminler için yeterli veri olduğundan emin olmalı…”
Bu yönteme dair farklı bir fikir geliştiren Gong; modelin belirli alt popülasyonlardaki performansını değerlendirmenin, çoklu görev yaklaşımı kullanmaktan geçtiğini söylüyor. Genel modeller; genel olarak tüm hasta popülasyonları genelinde, genel performansta değerlendirilir. Ancak araştırmacıların deneyleri; bu modellerin aslında alt popülasyonlarda düşük performans gösterdiğine işaret ediyor. Test edilen bu ‘küresel model’, mortaliteyi genel olarak oldukça doğru bir şekilde tahmin etmiş; ancak bireysel alt popülasyonlarda test edildiğinde, doğrulukta birkaç yüzdeliği düşürmüştür.
Gong: “Bu tür performans eşitsizliklerinin, alt popülasyonlar tarafından değerlendirilmeden ölçülmesi zordur. Modelimizin ne kadar iyi olduğunu; sadece tüm hasta kohortlarında değil, aynı zamanda farklı tıbbi özelliklere sahip her kohort* için değerlendirmek istiyoruz. Bu, araştırmacılara daha iyi öngörücü model eğitimi ve değerlendirmesinde yardımcı olabilir. ”
* Kohort/Cohort: Benzer özelliklere sahip insanların gruplanarak analiz edilmesi.
Sonuç Alma
Araştırmacılar, modellerini; heterojen hasta popülasyonları hakkındaki veri skorlarını içeren, MIMIC Kritik Bakım Veri Tabanı’ndan elde ettikleri verileri kullanarak, test ettiler. Veri setindeki yaklaşık 32.000 hastadan, 2.200’den fazlası hastanede yaşamını yitirdi. Testte veri kümesinin yüzde 80’ini eğitmek için kullanıyorlardı ve yüzde 20’si modeli test ediyordu.
İlk 24 saatteki verilerde, model; hastaları önemli klinik farklılıklarla alt gruplara ayırmıştır. Örneğin, iki alt popülasyonun ilk birkaç saatinde yüksek tansiyonu olan hastalar vardı. Ancak biri zamanla azalırken, diğeri gün boyunca yükselmeyi sürdürdü. Bu alt popülasyon en yüksek mortalite oranına sahipti.
Bu alt popülasyonları kullanarak, model; 48 saat boyunca hastalığın mortalitesini yüksek özgüllük, duyarlılık ve diğer çeşitli ölçümlerle tahmin etmiştir. Çoklu görev modeli; küresel bir modele birkaç yüzde daha iyi performans gösterdi.
İleride araştırmacılar; hastaların aldığı tedaviler gibi elektronik sağlık kayıtlarından daha fazla veriyi kullanmayı hedefliyor. Ayrıca; gelecekte sayısallaştırılmış klinik notalardan, diğer bilgilerin anahtar kelimelerini çıkarmak için, modeli daha da eğitmeyi umuyorlar.
