Klinik Karar Destek Sistemleri ve Menenjit
Yazarlar: Mihrican Koçak, Burak Talha Akın
Destekleri için Fulden Ulucan'a teşekkürler
Menenjit hastalığı 24 saat içerisinde tanısının konulup tedavisine başlanılması gereken bir hastalıktır. Önceden de çok defa değindiğimiz gibi geç kalınan vakalarda ölümler ve kalıcı hasarlar bırakabilmektedir.
Ülkemiz için konuşursak çoğu yerde sağlık hizmetlerine ulaşımda büyük sıkıntılarla karşılaşılmamaktadır. Ancak kırsal ve dağlık bölgelerde yaşayanlar için yeterli acil sağlık hizmetlerine ulaşımda bölgesel problemler olabilmektedir veya bir sağlık ocağına ulaşsa bile gerekli ekipmanlar sağlanamamaktadır. Bu gibi olaylar esasında Afrika ülkeleri gibi sosyoekonomik açıdan zayıf ülkelerde görülmektedir. Lumber Ponksiyon yapılamayan durumlarda teşhisin doğruluğundan emin olmak zaman zaman zor olabilmektedir.
Klinik Karar Destek Sistemleri (CDSS) de tam da bu yüzden geliştirilmekte ve kullanılmaya başlanmaktadır.
Neden İhtiyacımız Var?
Bir menenjit vakası acil servise başvurduğunda ilk olarak -geçen süreyle beraber değişmekle birlikte- tanı koyma amacıyla lomber ponksiyon adı verilen bir prosedür uygulanmaktadır. Halk arasında ‘’belden sıvı almak’’ olarak bilinen bu işlem, menenjit tanısı koymada altın standarttır.
Ancak lomber ponksiyon her ne kadar tanıda altın standart olsa da steril bir ortam ve özel ekipmanlar gerektirmektedir. Özellikle sosyoekonomik düzeyi düşük olan coğrafyalarda bu işlemin sekteye uğraması yaygın görülen bir sorundur. Bu durumda hastalar, imkanı daha fazla olan hastanelere sevk edilmekte ve tedavide zaman zaman geç kalınmaktadır.
Son zamanlarda hayatımıza iyiden iyiye dahil olmuş ve olmakta olan yapay zeka teknolojilerinin sağlık alanında kullanılmasıyla beraber bu soruna da çözüm gelmiş olabilir.
Nitekim Brezilyalı bilim insanları, yaklaşık 26.000 hasta verisinin beslediği bir ağ ile herhangi bir invaziv girişim yapılmaksızın menenjit vakalarını yüksek oranda tanımlanabileceğini ve bu yönüyle hekimlere rehberlik edilebileceğini göstermişlerdir. Bu sayede sosyoekonomik açıdan zayıf olan olan coğrafyalarda invaziv girişim yapılmadan bir sonuca ulaşılmış ve tanıda geç kalınmamış olunacaktır.
CDSS VE Karar Ağaçları
Karar Destek Sistemleri (Decision Support System/DSS), karar vericilerin bilgi toplamasını ve yorumlayarak karar vermesini temel alan yazılım sistemidir. Klinik Karar Destek Sistemi (Clinic Decision Support System/CDSS) ise sağlık hizmetlerinde klinik karar vermeyi iyileştirmek için tasarlanmış sağlık bilgi sistem kategorisidir.
Hasta verileri sisteme girildikten sonra sistem bilgi tabanlı modelleri kullanarak hastaya özgü değerlendirmeleri, teşhisleri veya tedavileri gibi sağlık hizmeti süreçlerini çıktı olarak sunar. Bu yazımızda CDSS’i kullanarak oluşturulmuş erken menenjit tanısını sağlamada doktorlara yardımcı olabilecek bir sistemi tanıtmaya çalıştık. Sistem az gelişmiş bölgelerde tıbbi hizmetler için ücretsiz bir araç sağlamak üzere inşa edilmiştir. Doktorlara, gözlemlenebilir semptomlar yoluyla menenjit veya menenjit benzeri bir hastalığa sahip olup olmadığı hakkında bilgi verir. Sistem, makine öğrenimi ve bilgi mühendisliği tekniklerine dayalı birkaç karar modelini içermektedir. CDSS’nin oluşturulmasında 16.205 vaka kaydı, değerlendirilmesi için ise 10.023 vaka kaydı kullanılmıştır. Veritabanı, Brezilya Bahia Eyaleti Sağlık Bakanlığı Sağlık Bilgi Müdürlüğü tarafından sağlanmıştır.
CDSS oluşturulurken Karar Ağaçları (Decision trees) veri setleri kullanılmıştır. Decision trees, sınıflandırma ve regresyon problemlerinde kullanılan, ağaç tabanlı algoritmalardan biridir. Bu algoritma böl ve yönet stratejisine dayanan, yukarıdan aşağıya doğru tüm örnekler kümesinden başlayarak daha küçük kümelere bölünmüş bir algoritmadır. Algoritma, tüm veri seti için en genel tahmini bularak başlar. Bu tahmin ağacın köküne konumlandırılmıştır. Ardından, her seferinde bir temel kural ekleyerek ağacı yinelemeli olarak büyütür. Eklenen temel kural, kökü bir ayırıcı düğümü ve yaprakları olarak iki tahmin düğümü olan bir alt ağaca karşılık gelir. Bu alt ağaç, bir tahmin düğümünün alt öğesi olarak eklenir. Mevcut ağacı genişletmek için en iyi bölünmeyi bularak her seferinde bir karar kuralı ekler. Vakayı, öz niteliklerine göre en iyi şekilde değerlendirip genelden özele adım adım indirgeyerek en uygun örnek kümesine seçer.
Oranlar ve Sonuçlar
CDSS’in kullanımına yönelik Brezilya’da yapılan bu araştırmada 3 adet Karar Modeli (DM) kullanılmıştır. Hastalık kaynağını 4 gruba (Meningokoksal, Aseptik, Bakteriyel, Tüberküloz) ayıran ekip, Karar Modelleri üzerinden herhangi bir invaziv girişim gerektirmeden teşhis konulup konulamayacağını incelemiştir.
DM-1: Hastanın Menenjit olup olmadığını yalnızca gözlemlenebilir semptomlar üzerinden değerlendirir
DM-2:Aynı girdi semptomlarını kullanarak hastalığın Meningokoksal olma olasılığını tahmin eder?
DM-3:Bazı kimyasal ve sitolojik test verilerini kullanarak hastalığın etiyolojisini araştırır.
Bu modeller ’’ADTree, Random Forest, Naive Bayes’’ gibi yöntemler aracılığıyla çalışmaktadır. Ancak bunların hepsini inceleyerek kafanızı şişirmek istemiyoruz.
0.8’in üzerinde olan threshold değeri sonuçların iyi ve anlamlı olduğuna işaret etmektedir. Oldukça karmaşık olmasına rağmen Decision Tree yöntemi ile 10.023 veriden %88’lik bir başarı elde edilmiştir. Bu şekilde de CDSS’in menenjit teşhisi konulma konusunda klinisyenlere yardımcı olabileceği gösterilmiştir.
FİGÜRLER
Gelecek
Elbette şu anda gelinen noktada bu sistem sadece hekime bir destek olma rolünü oynamaktadır. Nitekim bir sisteme tamamen güvenilmesi yanlış sonuçlara sebep olma olasılığını arttırmaktadır.
Öte yandan yapay zeka teknolojileri günden güne gelişmekte ve yeni adımlar atılmaktadır. Şimdilik sadece sosyo-ekonomik düzeyi düşük bölgelerde kullanımı akılcı olan bu sistem belki günün birinde tüm vakalarda başvurulan bir araç olacaktır. Kim bilir? Belki günün birinde bu sistemler sayesinde herhangi bir invaziv girişimde bulunmayarak %100'lere varan doğruluk oranlarıyla hastalara menenjit tanısı konulabilecektir.
Sağlıkla ve bilimle kalın.
Kaynakça
V. M. Lelis, E. Guzmán and M. Belmonte, "Non-Invasive Meningitis Diagnosis Using Decision Trees," in IEEE Access, vol. 8, pp. 18394-18407, 2020, doi: 10.1109/ACCESS.2020.2966397.