Atriyal fibrilasyonu olan hastalarda inme riski daha iyi tahmin edilebilir mi?

Atriyal fibrilasyon dünyada 58 milyondan fazla insanı etkilemekte ve inme riskini önemli ölçüde artırmaktadır. Ancak, bu riski değerlendirmek için kullanılan mevcut araçlar, klasik skorlar gibi, hala az hassas olup, hastaların çeşitli sağlık faktörleri arasındaki karmaşık etkileşimleri dikkate almamaktadır.

Araştırmacılardan oluşan bir ekip, atriyal fibrilasyon teşhisi konulan hastalarda bir yıl içindeki inme riskini tahmin edebilen yeni yapay zeka modelleri geliştirdi. Bu modeller, yalnızca kolayca ulaşılabilir bilgileri kullanıyor: hastanın yaşı, tıbbi geçmişi ve kullandığı ilaçlar. Geleneksel yöntemlerin aksine, bu araçlar bu unsurlar arasındaki ince ilişkileri analiz ederek, daha kişiselleştirilmiş ve güvenilir bir tahmin sunuyor.

Sonuçlar ikna edici. Test edilen iki modelden biri klasik istatistiksel yaklaşıma, diğeri ise gelişmiş makine öğrenimi tekniğine dayanıyor ve her ikisi de mevcut yöntemlere göre risk altındaki hastaları çok daha yüksek bir doğrulukla ayırt edebiliyor. Performansları, çeşitli hasta grupları üzerinde doğrulandı ve farklı klinik bağlamlarda güvenilir oldukları teyit edildi. Ayrıca, bu modeller risk eşiklerini bireysel ihtiyaaclara göre ayarlamaya olanak tanıyor; bu, özellikle yaşlı hastalar veya birden fazla sağlık sorunu olanlar için yararlı.

Bir diğer önemli avantaj ise kullanım kolaylığıdır. Kan testleri veya tıbbi görüntüleme gerektirmiyorlar; bunlar genellikle teşhis anında mevcut değildir. Bu da onları hastanelerin günlük uygulamalarında erişilebilir kılıyor. Araştırmacılar, bu araçların hem erkekler hem de kadınlar için eşit derecede iyi çalıştığını doğrulayarak cinsiyete bağlı önyargıları da önlüyor.

Uzun vadede, bu modeller ayrıca antikoagülan tedavisinden en fazla fayda sağlayacak hastaların belirlenmesine yardımcı oluyor. Veriler, bu araçlar tarafından yüksek riskli olarak sınıflandırılan hastaların, bu ilaçları kullandıklarında inme risklerinin önemli ölçüde azaldığını gösteriyor; bu, geleneksel yöntemlerle belirlenen hastalarda görülmeyen bir durum.

Bu ilerleme, daha kişiselleştirilmiş bir tıbbın yolunu açıyor. Doktorlar yakında bu tahminlere dayanarak, her hastanın benzersiz profilini dikkate alarak tedavileri uyarlayabilir, böylece önlenebilir inme sayısını azaltabilir ve atriyal fibrilasyonun yönetimini iyileştirebilir.

Sources et crédits

Étude source

DOI : https://doi.org/10.1038/s41746-026-02470-3

Titre : Interpretable machine learning models for stroke risk prediction in patients with newly diagnosed atrial fibrillation

Revue : npj Digital Medicine

Éditeur : Springer Science and Business Media LLC

Auteurs : Jesse Chih-Wei Lin; Chen-Min Chang; Heng-Yu Pan; Yi-Lwun Ho; Yu-Kang Tu; Chao-Lun Lai