Karaciğer Yetmezliğinde Pıhtı Riski: Yapay Zekâ Uyarısı

08.12.2025’te yayımlanan geniş kapsamlı bir çalışma, karaciğer yetmezliği olan hastalarda pıhtılaşma bozukluğu riskinin 24 saat önceden yüksek doğrulukla öngörülebileceğini gösterdi: En iyi performansı veren makine öğrenmesi modeli Random Forest ile AUC %92,12 seviyesine ulaştı. Bu, yoğun bakımda “iş işten geçmeden” müdahale etmeyi mümkün kılan türden bir seviye.

Sağlık sektöründe yapay zekâ ve dijital sağlık konuşurken çoğu kişi aklına görüntüleme (radyoloji) ya da chatbot’ları getiriyor. Oysa asıl kritik etki alanlarından biri erken uyarı sistemleri: hemşirelik iş akışını, transfüzyon kararlarını, laboratuvar izlem sıklığını ve hatta kaynak planlamasını doğrudan etkileyen, gerçek zamanlı karar desteği.

Bu yazıda, karaciğer yetmezliğinde pıhtılaşma (koagülasyon) riskini neden “dinamik” düşünmemiz gerektiğini, yapay karaciğer destek sistemlerinin (ALSS) koagülasyon parametrelerine etkisini ve bu yeni çalışmanın veriden karara giden yolunu, sahada işe yarar bir çerçeveyle anlatacağım.

Karaciğer yetmezliğinde koagülasyon: Sorun tek bir test değil

Karaciğer yetmezliğinde koagülasyon bozukluğu, genellikle “INR yükseldi mi?” sorusuna indirgeniyor. Bu yaklaşım pratik ama eksik. Çünkü risk sadece tek bir ölçümle değil, trend ile büyüyor: 6 saat önce 1,4 olan INR’nin 1,6’ya çıktığı bir hasta, “sınırı geçti” diye değil; yükselmeye devam ettiği için tehlikeli.

Bu noktada dijital sağlık bakış açısı devreye giriyor: E-nabız benzeri platformlar, hastane bilgi yönetim sistemleri (HBYS), yoğun bakım izlem ekranları… Hepsi veri üretiyor. Ama asıl mesele şu: Veri var, uyarı yok.

Çalışma tam da bu boşluğu hedefliyor: karaciğer yetmezliği olan ICU hastalarında önümüzdeki 24 saat içinde koagülasyon bozukluğu gelişme olasılığını tahmin eden bir model.

Hangi göstergeler önemli?

Klinikte en sık izlenen parametreler:

• INR / PT (Protrombin zamanı)
• APTT / PTT
• Fibrinojen

Çalışmada “koagülopati olayı” eşiği net tanımlanmış:

• INR > 1,5 veya
• PTT > 60 saniye veya
• Fibrinojen < 150 mg/dL

Bu net eşikler, dijital sağlık uygulamalarında “alarm kriteri” tasarlamak için de iyi bir başlangıç.

Yapay karaciğer destek sistemleri (ALSS): Meta-analiz ne söylüyor?

Çalışmanın birinci ayağı, 18 çalışmayı ve toplam 1771 hastayı içeren bir meta-analiz. Buradaki mesaj basit ve klinik açıdan önemli:

• ALSS, INR, PT, APTT ve fibrinojeni anlamlı şekilde iyileştiriyor (istatistiksel olarak anlamlı).
• Etkinin büyüklüğü uygulanan ALSS tipine göre değişiyor (ör. plazma değişimi – PE, MARS, plazma perfüzyon – PP, CRRT kombinasyonları).

Benim çıkarımım şu: ALSS’nin etkisini “var/yok” diye değil, hangi modalite, hangi hasta profili, hangi zamanlama diye konuşmak gerekiyor. Meta-analiz, bu heterojenliği net biçimde gösteriyor.

INR neden merkezde?

Meta-analiz tarafında en belirgin ve tutarlı düzelme INR üzerinde görülüyor. Üstelik bazı verilerde uzun dönem takipte INR’nin düşük kalabildiği raporlanmış.

Makine öğrenmesi tarafında da aynı nokta öne çıkıyor: Model açıklanabilirlik analizinde (özellikle SHAP) dinamik INR özellikleri (son değer, ortalama, maksimum, minimum, eğim) en güçlü belirleyiciler.

Bu uyum değerli: Popülasyon düzeyindeki kanıt (meta-analiz) ile hasta başı risk tahmini (AI modeli) aynı işareti veriyor.

Makine öğrenmesi modeli: ICU’da 24 saatlik erken uyarı nasıl kurulur?

Çalışmanın ikinci ayağı MIMIC-IV yoğun bakım veritabanı ile yapılmış. 3456 karaciğer yetmezliği hastası dahil edilmiş ve modeller karşılaştırılmış.

Burada “AI mucizesi” gibi anlatmaya gerek yok; asıl başarı, doğru problem tanımı:

• Tahmin hedefi: “Önümüzdeki 24 saatte koagülopati olacak mı?”
• Veri penceresi: “Son 24 saatin trendi ne söylüyor?”
• Özellik çıkarımı: Her parametre için mean, max, min, SD, last, slope

Bu, klinisyenin akıl yürütmesini sayısallaştırıyor: “En son değer ne? En yüksek nereye çıkmış? Artış eğimi var mı?”

Hangi model en iyi?

Dört yaklaşım denenmiş:

• Lojistik Regresyon (LR)
• Random Forest (RF)
• XGBoost
• LSTM (zaman serisi derin öğrenme)

En iyi sonuç RF’de:

• AUC: %92,1
• F1-score: %91
• Doğruluk: %86,9
• Duyarlılık (recall): %93,3
• Özgüllük: %71,7

LSTM’nin daha düşük performans göstermesi (AUC ~%75 bandı) bence şaşırtıcı değil. Yoğun bakım laboratuvar verileri çoğu zaman seyrek ve düzensiz; derin zaman serisi modelleri için bu ciddi handikap.

Buradan pratik bir ders çıkıyor: Dijital sağlıkta “en sofistike model” değil, en iyi çalışan ve sahaya oturan model kazanır.

Sahada kullanım: Hastane için somut senaryolar

Bu tür bir koagülasyon risk skoru, doğru tasarlanırsa sadece hekim kararını desteklemez; aynı zamanda hemşirelik planlamasını ve hastane yönetimini etkiler.

1) Hemşirelik iş akışı ve izlem sıklığı

Risk yükseliyorsa otomatik öneriler devreye girebilir:

• Koagülasyon paneli tekrar zamanı (ör. 6 saat yerine 3 saat)
• Kanama bulguları için yatak başı kontrol sıklığı
• Damar yolu, kateter ve girişim planlarının gözden geçirilmesi

2) Transfüzyon ve ürün yönetimi

Amaç “herkese ürün verelim” değil; tam tersine, doğru hastayı doğru zamanda hedeflemek:

• Plazma / fibrinojen desteği planlaması
• Gereksiz transfüzyonun azaltılması
• Kan bankası stok yönetiminde öngörü

3) ALSS zamanlaması için “baz çizgi” uyarısı

Çalışma özellikle bir noktayı vurguluyor: Bu model, ALSS’nin etkinliğini kanıtlamak için değil; ALSS öncesi risk sınıflaması için konumlandırılmış.

Bu duruş bence doğru. Çünkü klinikte karar genellikle şuna dayanır:

“Bu hasta şu anda kötü görünüyor; 12 saat sonra daha kötü olursa geç kalır mıyız?”

AI modeli, tam bu gri alanı daraltır.

Sık sorulan iki soru (ve net yanıtlar)

“INR tek başına yeter mi?”

Hayır. INR çok güçlü bir sinyal ama tek başına değil, PTT ve fibrinojenle birlikte, özellikle de trend bilgisiyle anlam kazanıyor. Çalışmanın modeli de bunu yapıyor.

“Bu model Türkiye’de aynen çalışır mı?”

Buna “evet” demek bilimsel olmaz. MIMIC verisi tek merkezli ve ABD popülasyonuna dayanıyor. Türkiye’de uygulanacaksa, ideal yol:

• Yerel hastane verisiyle yeniden eğitim veya kalibrasyon
• Dış doğrulama (farklı hastaneler)
• HBYS entegrasyonu ve alarm yorgunluğu testleri

Dijital sağlık perspektifi: Bu çalışma seride nereye oturuyor?

“Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serisinin ana fikri şu: Yapay zekâ, klinikte en çok erken teşhis ve hasta takibi tarafında değer üretiyor.

Bu çalışma, görüntüleme dışındaki bir alanda (koagülasyon yönetimi) çok net bir örnek sunuyor:

• Dinamik veriden anlam çıkarma
• 24 saatlik klinik risk tahmini
• Açıklanabilirlik (SHAP) ile güven artırma

Benim duruşum net: Açıklanabilir olmayan bir risk skoru, yoğun bakımda uzun süre yaşayamaz. Modelin INR trendini öne çıkarması, klinik sezgiyle uyumlu olduğu için benimsenmesi daha kolay.

Bundan sonra ne yapılmalı?

Bu yazıyı “akademik bir model” olarak bırakmak kolay. Zor olan, hastane ortamında ölçülebilir faydaya dönüştürmek. En mantıklı yol haritası:

1. Pilot birim seçimi: Yoğun bakım veya hepatoloji servisi
2. Basit entegrasyon: HBYS’den otomatik INR/PTT/fibrinojen çekimi
3. Alarm tasarımı: Tek eşik yerine risk bandı (düşük-orta-yüksek)
4. Klinik protokol: Yüksek riskte hangi adım atılacak?
5. Etki ölçümü: Kanama olayları, transfüzyon sayısı, ICU kalış süresi

2025’in sonuna gelirken hastanelerde dijital dönüşüm konuşuluyor; ama gerçek farkı, bu tür “küçük ama keskin” erken uyarılar yaratıyor.

Bugün sormamız gereken soru şu: Koagülasyon gibi dinamik bir riski hâlâ tek bir laboratuvar değeriyle mi yöneteceğiz, yoksa 24 saat önceden uyarı veren dijital bir refleks mi kuracağız?