40-65 yaş arası erkeklerde çoklu klinik değişkenlere dayalı aterosklerotik kalp hastalığı riskinin belirlenmesi

Giriş ve Amaç: Aterosklerotik kalp hastalığı (ASKH), Türkiye'de ve dünya çapında önemli bir ölüm nedenidir. Yaşamın erken dönemlerinde başlayıp uzun süre sessizce ilerleyebilen bu hastalığın erken teşhisi, mortalite ve morbiditeyi azaltmak için önemlidir. Günümüzde var olan [Systematic Coronary Risk Evaluation 2 (SCORE2) ve Framingham] gibi skorlama sistemleri ASKH riskini tahmin etmek için yeterli metabolik ve yaşam tarzı faktörlerini içermemektedir. Bu çalışmanın amacı, ASKH üstünde etkili olduğu saptanan yeni parametrelerle ASKH riskini daha iyi tahmin edebilecek ve birinci basamak sağlık hizmetlerinde kullanılabilir hale getirebilecek model sistemi belirlemektir. Gereç ve Yöntemler: Bu çalışma, Ankara Bilkent Şehir Hastanesi Aile Hekimliği Polikliniği'ne başvuran 40-65 yaş arası 350 erkek hasta üzerinde yapılmıştır. Katılımcıların 175'ine ASKH tanısı konmuş ve 175'i kontrol grubunda ele alınmıştır. Yaş, alışkanlıklar, kan basıncı ve laboratuvar testleri [total kolesterol, HDL-Kolesterol (HDL-K), LDL-Kolestrol (LDL-K), trigliserit, HbA1c, TSH] gibi faktörler kontrol edilmiştir. Single Point Insulin Sensitivity Estimator (SPISE) indeksi ve aterojenik plazma indeksi (API) hesaplanmış, ROC analizleri yapılmıştır ve risk tahmin modelleri oluşturmak için makine öğrenimi [Karar Ağacı, Rastgele Orman, Destek Vektör Makinesi (DVM)] algoritmaları kullanılmıştır. Bulgular: ASKH grubunda aile öyküsü, obezite, sistolik kan basıncı, yüksek trigliserit, düşük HDL-K ve yüksek HbA1c çok daha yaygın çıkmıştır. SPISE indeksi ASKH grubunda önemli ölçüde düşerken, API sayısı çok daha yüksektir. ROC analizleri, API ve SPISE indeksinin farkı belirlemede yaygın lipid sayılarından daha iyi olduğunu göstermiştir. Makine öğrenimi modelleri arasında DVM algoritması en iyi doğruluk (%94) ve AUC (0,971) sonuçlarını vermiştir.Sonuç: SPISE, API, egzersiz seviyesi, paket/yıl, HbA1c ve trigliserit gibi değişkenlerin yaygın risk faktörleriyle birlikte değerlendirildiğinde, ASKH risk tahminlerinin doğruluğunu büyük ölçüde artırmaktadır. Bu ölçümlerin birinci basamak sağlık hizmetlerindeki düzenli risk taramalarına eklenmesi, risk altındaki kişilerin erken tespit edilmesini kolaylaştırabilir. Ayrıca, Destek Vektör Makinesi modeli kullanımı ile ASKH riskinin belirlenmesi standart yöntemlere göre daha yüksek doğruluğa sahiptir (AUC:0,971). Bu, birçok parametreyi aynı anda analiz edebilen veri odaklı yöntemlerin aile hekimliklerinde kullanılan HYP sistemine entegre edildiğinde klinik risk değerlendirmesinde önemli olabileceğini göstermektedir.