Yapay Zeka Yoğun Bakımda Antibiyotik Direncini Tahmin Ediyor

İran'da gerçekleştirilen bilimsel araştırma, makine öğrenmesi modellerinin cerrahi yoğun bakım hastalarında çoklu ilaç direnci riskini tahmin etme potansiyelini ortaya koydu. 106 hastanın klinik verileriyle geliştirilen XGBoost modeli, antibiyotik direnç tahmini ve hastane enfeksiyonlarının yönetiminde yapay zeka kullanımına ilişkin dikkat çekici sonuçlar sundu.

Antibiyotik direnci, özellikle yoğun bakım ünitelerinde tedavi süreçlerini zorlaştıran önemli sağlık sorunlarından biri. Çoklu ilaç direncine sahip bakteriler, birden fazla antibiyotik grubuna karşı direnç göstererek enfeksiyonların kontrolünü güçleştirebiliyor. Bu nedenle yüksek riskli hastaların erken belirlenmesi, uygun tedavi stratejilerinin oluşturulması açısından önem taşıyor.

Yapay zeka ve makine öğrenmesi teknolojilerinin sağlık alanındaki kullanımına ilişkin gelişmeler, bu sorunun erken değerlendirilmesi için yeni araştırma alanları oluşturuyor. Springer Nature bünyesinde yayımlanan bilimsel araştırma, makine öğrenmesi modellerinin cerrahi yoğun bakım hastalarında çoklu ilaç direnci riskini tahmin etme potansiyelini inceliyor.

Araştırma 106 Yoğun Bakım Hastasının Verileriyle Gerçekleştirildi

28 Ekim 2025 tarihinde BMC Infectious Diseases dergisinde yayımlanan çalışma, İran'ın güneyindeki Namazi Hastanesi'nin cerrahi yoğun bakım ünitesinde gerçekleştirildi. Ocak 2022-Aralık 2023 döneminde yoğun bakımda tedavi gören 106 ameliyat sonrası hastanın verileri retrospektif olarak incelendi.

Araştırmacılar; yaş, cinsiyet, ek hastalıklar, cerrahi geçmiş, antibiyotik kullanımı, mikrobiyolojik kültür sonuçları ve klinik bulguları değerlendirdi.

Hangi Mikroorganizmalar Tespit Edildi?

Çalışmada toplam 175 mikrobiyolojik kayıt değerlendirildi. Bunların 145'inde pozitif kültür sonucu elde edildi. Pozitif örneklerde öne çıkan mikroorganizmalar şunlardı:

• Escherichia coli: Yüzde 20.

• Acinetobacter: Yüzde 17,24.

• Klebsiella: Yüzde 16,55.

İzolatların yüzde 62,07'sinde çoklu ilaç direnci (MDR), yüzde 3,45'inde ise ileri düzey ilaç direnci (XDR) belirlendi. Pan-ilaç direnci (PDR) tespit edilmedi.

XGBoost Algoritması Antibiyotik Direncini Nasıl Tahmin Ediyor?

Araştırmanın temel bileşenlerinden biri XGBoost algoritmasıyla geliştirilen makine öğrenmesi modeli oldu. XGBoost, farklı karar ağaçlarını bir araya getirerek tahmin yapan bir algoritma. Önceki tahminlerdeki hataları dikkate alarak modelin performansını geliştirmeyi hedefliyor.

Araştırmacılar, XGBoost modelini lojistik regresyon yöntemiyle karşılaştırdı. Veri setinin yüzde 80'i eğitim, yüzde 20'si test amacıyla ayrıldı. Ayrıca beş katlı çapraz doğrulama ve hiperparametre optimizasyonu uygulandı.

Modelin Performans Sonuçları

XGBoost modeli test verilerinde 0,786 ROC-AUC değerine ve yüzde 70 doğruluğa ulaştı. Beş katlı çapraz doğrulamada ortalama ROC-AUC değeri 0,896 ± 0,05 olarak hesaplandı. Lojistik regresyon modeli ise 0,743 test ROC-AUC ve yüzde 77 doğruluk elde etti.

Bu sonuçlar, XGBoost modelinin ayırt etme performansında daha yüksek ROC-AUC değerine sahip olduğunu, ancak doğruluk ölçütünde lojistik regresyonun öne çıktığını gösteriyor.

SHAP Analizi Hangi Değişkenleri Öne Çıkardı?

Araştırmacılar, modelin tahminlerini açıklamak için SHAP analizinden yararlandı. Gram-negatif enfeksiyon göstergesi, Gram-pozitif enfeksiyon göstergesi, antibiyotik tedavisinin süresi ve hastanın yaşı, tahminlerde öne çıkan değişkenler arasında yer aldı.

SHAP analizi, modelin hangi değişkenlerden etkilendiğini anlamaya yardımcı oluyor. Ancak bu değişkenlerin doğrudan antibiyotik direncine neden olduğunu kanıtlamıyor.

Makine Öğrenmesi Sağlık Alanında Nasıl Kullanılabilir?

Makine öğrenmesi sağlık uygulamaları, büyük miktarda klinik verinin değerlendirilmesi ve karmaşık ilişkilerin belirlenmesi açısından araştırılıyor. Antibiyotik direnç tahmini de bu uygulama alanlarından biri. Özellikle laboratuvar sonuçlarının henüz ulaşmadığı durumlarda hastaların mevcut klinik verileri, risk değerlendirmesine destek sağlayabilir.

Bu yaklaşımın olası kullanım alanları arasında yüksek riskli hastaların belirlenmesi, antibiyotik tedavisinin yeniden değerlendirilmesi, mikrobiyolojik testlerin önceliklendirilmesi ve hastane enfeksiyonlarının izlenmesi bulunuyor.

Dünya Sağlık Örgütü de antimikrobiyal direnç hakkındaki değerlendirmesinde bu sorunu küresel sağlık açısından önemli bir tehdit olarak ele alıyor. Kurum, dirençle mücadelede doğru antibiyotik kullanımı, enfeksiyonların önlenmesi ve güçlü laboratuvar altyapısının önemini vurguluyor.

Yapay Zeka Klinik Kararları Nasıl Destekleyebilir?

Makine öğrenmesi modelleri, hastanın mevcut klinik verilerini değerlendirerek direnç riski yüksek olabilecek durumları işaretleyebilir.

Bu sistemler özellikle ampirik antibiyotik tedavisinin gözden geçirilmesi, yüksek riskli hastaların belirlenmesi ve mikrobiyolojik incelemelerin önceliklendirilmesi gibi süreçlerde klinisyenlere destek sağlayabilir.

Ancak yapay zeka tarafından üretilen tahminler, tek başına tedavi kararı vermek için yeterli değil. Hastanın klinik durumu, kültür sonuçları ve antibiyogram bulguları birlikte değerlendirilmelidir.

Araştırmanın Sınırlılıkları Neler?

Çalışmanın sonuçları umut verici olsa da bazı önemli sınırlılıklar bulunuyor. İlk olarak araştırma yalnızca 106 hastayı ve tek bir hastaneyi kapsıyor. Modelin test edildiği veri grubu ise 22 hastadan oluşuyor. Bu nedenle elde edilen performans sonuçlarının daha geniş hasta gruplarına doğrudan genellenmesi mümkün değil.

İkinci olarak model için farklı hastanelerden elde edilen bağımsız verilerle dış doğrulama yapılmadı. Hastanelerin direnç profilleri ve antibiyotik kullanım alışkanlıkları değişebildiğinden modelin farklı sağlık sistemlerinde yeniden değerlendirilmesi gerekiyor.

Araştırmada bildirilen yüzde 91,5 hastane içi ölüm oranı da dikkat çekiyor. Ancak bu oran, çalışmadaki özel hasta grubuna ait ve genel yoğun bakım popülasyonuna genellenemez.

Gelecekteki Araştırmalar İçin Hangi Adımlar Önemli?

Araştırmacıların yaklaşımının klinik uygulamalara taşınabilmesi için daha geniş ve çok merkezli çalışmalar gerekiyor. Farklı hastanelerden elde edilen verilerle yapılacak doğrulamalar, modelin farklı hasta profillerindeki performansını değerlendirmeye yardımcı olabilir.

Bunun yanında moleküler direnç belirteçlerinin modele dahil edilmesi, farklı makine öğrenmesi algoritmalarının karşılaştırılması ve klinik karar destek sistemleriyle entegrasyon gibi konular gelecekteki araştırmalar için önem taşıyor.

Bilimsel araştırmalarda yapay zeka araçlarının kullanımına ilgi duyan akademisyenler, tez yazımında kullanılabilecek yapay zeka araçları hakkındaki içerikler üzerinden akademik çalışma süreçlerinde değerlendirilebilecek teknolojileri de inceleyebilir.

Antibiyotik Direnci Araştırmalarında Yapay Zekanın Geleceği

Araştırma, yapay zeka ve makine öğrenmesi yöntemlerinin yoğun bakım enfeksiyonlarında direnç riskini değerlendirmek için kullanılabileceğini gösteren keşifsel bir çalışma niteliği taşıyor. XGBoost modelinin elde ettiği sonuçlar, rutin klinik verilerden yararlanarak yüksek riskli hastaların belirlenmesi konusunda araştırmaya değer bir yaklaşım sunuyor.

Bununla birlikte yapay zeka modellerinin kültür ve antibiyogram testlerinin yerini alması söz konusu değil. Klinik kararların hekim değerlendirmesi, laboratuvar sonuçları ve hastanın genel durumu birlikte ele alınarak verilmesi gerekiyor.

Gelecekte daha büyük hasta gruplarıyla ve farklı sağlık kuruluşlarında doğrulanacak modeller, antibiyotik yönetimi ve yoğun bakım enfeksiyonlarının kontrolünde klinik karar destek sistemlerinin geliştirilmesine katkı sağlayabilir.