Temel klinik veriler ve laboratuvar parametreleri kullanılarak yapay zeka desteğiyle sepsis fenotiplerinin belirlenmesi

Giriş ve Amaç: Sepsis, enfeksiyona karşı düzensiz bir immün yanıtın neden olduğu organ disfonksiyonu ile karakterize, hayatı tehdit eden bir durumdur. Yüksek morbidite ve mortalite oranlarıyla yoğun bakım ünitelerinde önemli bir sorun olmaya devam etmektedir. Sepsis fenotiplemesi, hastaların klinik özelliklerini, tedaviye yanıtlarını ve prognozlarını daha iyi anlamayı ve potansiyel olarak kişiselleştirilmiş tedavi yaklaşımlarını mümkün kılmayı amaçlamaktadır. Yapay zeka tekniklerini kullanarak tam kan sayımı ve hemodinamik izlem verilerine dayanarak sepsis fenotiplerini belirlemek ve bu fenotiplerin klinik sonuçlar üzerindeki etkisini analiz etmek. Yöntem: Bu retrospektif çalışmada, 2008-2019 yılları arasında Beth Israel Deaconess Tıp Merkezi'nin yoğun bakım ünitelerinde tedavi gören 65.000'den fazla yetişkin hastanın verilerini içeren MIMIC-IV veritabanı kullanıldı. Sepsis-3 kriterlerine göre sepsis tanısı konulan hastalar çalışmaya dahil edildi. Hastaların demografik bilgileri, vital bulguları, laboratuvar sonuçları ve komorbiditeleri analiz edildi. Sepsis fenotiplerinin belirlenmesi için kümeleme analizi uygulandı. Fenotipler arasındaki farklılıklar Kruskal-Wallis ve χ2 testleriyle değerlendirilirken, 28 ve 90 günlük sağkalım analizleri Kaplan-Meier eğrileri ve Cox regresyon analizleriyle gerçekleştirildi. Bulgular: Makine öğrenimi teknikleri üç farklı fenotip belirledi. Ortalama trombosit ve lökosit sayıları gibi laboratuvar parametreleri bu fenotiplerin belirlenmesinde etkili oldu. Özellikle, yoğun bakıma kabulde yüksek trombosit sayısına sahip hastaların (Fenotip HP) daha yüksek mortalite riski gösterdiği, buna karşın normal sayıda trombosit sayısına sahip hastalarda (Fenotip NP) ise en düşük mortalite oranlarına sahip olduğu saptandı. Sonuç: Bu çalışma, erken dönem hemodinamik bulgular ve temel kan sayımı parametreleri kullanılarak belirlenen sepsis fenotipleri arasında mortalite, morbidite ve klinik sonuçlarda önemli farklılıklar olduğunu ortaya koydu. Makine öğrenimi teknikleriyle elde edilen fenotip sınıflandırması, hasta risk değerlendirmesinde ve kişiselleştirilmiş tedavi yaklaşımlarında kullanılabilir. Sepsis yönetiminde yapay zeka entegrasyonu, bu alandaki yenilikçi yaklaşımların öncüsü olarak ortaya çıkmakta ve gelecekteki araştırmalar için kritik bir dönüm noktası sunmaktadır. Anahtar Sözcükler: Sepsis, Fenotipleme, Yapay zeka, Makine öğrenmesi, Yoğun bakım