Hematolojik Hastalıkların Yönetimi; Hematolojik Hastalıklar, insan sağlığını doğrudan etkileyen, karmaşık tanı ve yönetim süreçleri gerektiren ciddi hastalık gruplarındandır. Lösemi, lenfoma, miyelom, anemi çeşitleri ve koagülasyon bozuklukları gibi hastalıklar hem tanı hem de izlem açısından yüksek hassasiyet gerektirir. Bu süreçlerde yapılacak en küçük bir hata, hastanın yaşam süresi ve kalitesi üzerinde ciddi etkiler yaratabilir.
Geleneksel tanı yöntemleri, genellikle uzman hekimlerin deneyimlerine dayanan, manuel süreçlerle yürütülmektedir. Ancak son yıllarda, yapay zeka (YZ) ve makine öğrenimi (ML) tekniklerinin tıp alanında yaygınlaşması, hematolojik hastalıkların tanı ve yönetiminde de devrimsel etkiler yaratmıştır. Artık sadece tanı koymakla sınırlı kalmayan yapay zeka uygulamaları, tedavi planlaması, hastalık takibi ve prognoz belirlemede de güçlü araçlar sunmaktadır.
Sadece tanı prosedürlerinde değil, aynı zamanda hastalık yönetimi ve hasta takibinde de etkili olan modeller, yapay zeka ve makine öğreniminden türetilmiştir.
2024 Tajvidi Asr ve diğerleri tarafından, algoritmaların, örneğin k-en yakın komşu (kNN) ve gradyan artırma makinesi (GBM), hematolojik hastalıkların yönetim süreçlerine entegrasyonu araştırılmıştır. Araştırmacılar, klinik karar verme süreçlerinin AI destekli karar destek sistemleri altında nasıl değiştiğine yakından baktılar [8].
Hematolojik Hastalıkların Karmaşıklığı ve Veri Yoğunluğu
Hematolojik hastalıkların yönetimi, farklı biyobelirteçlerin, laboratuvar testlerinin, görüntüleme bulgularının ve klinik verilerin entegre bir şekilde analizini gerektirir. Örneğin bir lösemi hastasında;
- Kan sayımı,
- Periferik yayma analizi,
- Kemik iliği biyopsisi sonuçları,
- Genetik mutasyon profilleri,
- Tedaviye verilen yanıt gibi veriler izlenir.
Bu çok katmanlı veri yapısı, insan gözünden kaçabilecek ince paternlerin de analizini gerektirir. İşte bu noktada yapay zeka destekli sistemler, yüksek hacimli veriyi hızlı ve hatasız işleyebilme yetenekleri sayesinde devreye girer.
Lieva Stainer Kan Boyama Cihazı
Lieva Stainer, laboratuvarlarda kan boyama süreçlerini otomatikleştirerek hem zaman tasarrufu sağlar hem de güvenilir sonuçlar elde edilmesine yardımcı olur. Günde 30 ila 200 slayt iş yükü olan laboratuvarlar için ideal olan bu kompakt cihaz
İncele
Lieva Analysis Yapay Zeka Destekli Analiz
Lieva Analysis, Hematoloji ve Onkoloji doktorlarına yönelik teşhis ve tanıda yardımcı karar destek sistemidir. Geliştirdiğimiz teknoloji; Hematoloji ve Onkoloji doktorlarının, hastadan alınan kan verilerini tarayıp doktora ön rapor oluşturur.
İnceleYapay Zekâ ve Makine Öğrenimi: Temel Kavramlar
Yapay zekâ, bir bilgisayarın ya da yazılımın insan benzeri düşünme ve karar verme yeteneklerini simüle etmesi olarak tanımlanabilir. Makine öğrenimi ise, bu sistemlerin deneyimden öğrenmesini ve zamanla performansını artırmasını sağlayan alt alandır.
Hematolojik hastalıklarda kullanılan başlıca algoritmalar şunlardır:
- K-en yakın komşu (k-Nearest Neighbors / kNN)
Bu algoritma, bilinmeyen bir örneği, en yakınındaki ‘k’ adet örneğe bakarak sınıflandırır. Lösemi alt tiplerinin ayrımında başarılı sonuçlar verebilir. - Gradyan Artırma Makinesi (Gradient Boosting Machine / GBM)
Karar ağaçlarını art arda eğiterek hataları azaltan güçlü bir topluluk yöntemidir. Özellikle büyük hasta verisi setlerinde yüksek doğruluk sağlar. - Destek Vektör Makineleri (SVM)
Kanser sınıflandırmalarında sıklıkla kullanılır. Yüksek boyutlu verilerle etkili çalışır. - Derin Öğrenme (Deep Learning)
Özellikle görüntü analizlerinde, örneğin mikroskobik hücre görüntülerinin otomatik yorumlanmasında kullanılır.
Klinik Karar Destek Sistemleri (CDSS) ve Yapay Zekâ
Klinik karar destek sistemleri (CDSS), doktorlara hastalık tanısı, tedavi kararı, ilaç etkileşimleri gibi konularda yardımcı olan dijital araçlardır. Geleneksel CDSS sistemleri, önceden tanımlanmış kurallara dayanırken, yapay zeka tabanlı sistemler bu kuralları kendileri öğrenebilir.
2024 yılında Tajvidi Asr ve arkadaşları, hematolojik hastalıkların yönetimi için AI tabanlı CDSS sistemlerini inceledikleri çalışmalarında, kNN ve GBM gibi algoritmaların klinik uygulamalara başarıyla entegre edildiğini ortaya koymuştur. Bu sistemler;
- Tanı doğruluğunu artırmakta,
- Hekim-hasta iletişim sürecini hızlandırmakta,
- Yanlış ilaç kullanımını azaltmakta,
- Hastalık seyrini daha iyi tahmin etmekte kullanılmaktadır.
Literatürden Başarılı Örnekler ve Uygulamalar
Yapay zekânın hematoloji alanındaki ilk uygulamalarından biri, mikroskobik hücre görüntülerinin sınıflandırılması olmuştur. Özellikle lösemik blast hücrelerinin diğer hücre tiplerinden ayrıştırılması, geçmişte patoloji uzmanlarının yoğun deneyimine dayalı zorlu bir görevken, günümüzde derin öğrenme temelli sistemlerle saniyeler içinde otomatik olarak yapılabilmektedir.
Örneğin, Rajpurkar et al. (2021) tarafından geliştirilen konvolüsyonel sinir ağı (CNN) temelli bir sistem, lösemi tanısında insan uzmanlarla benzer doğruluk oranlarına ulaşmıştır. Bu tür sistemler, uzak bölgelerde patoloji uzmanı olmayan kliniklerde de kullanılabilmektedir.
Bir diğer örnek ise Anemi türlerinin sınıflandırılması üzerine yapılmış çalışmalardır. Farklı demir metabolizması bozuklukları, talasemi gibi durumlar kan sayımı verilerinden AI algoritmaları ile ayrıştırılabilmekte, böylece biyopsi gibi invaziv işlemlere duyulan ihtiyaç azaltılmaktadır.
Yapay Zeka Yöntemleri ve Algoritmaları
Hasta Takibinde Yapay Zeka: Remisyon ve Relaps Öngörüsü
Yapay zeka, yalnızca tanı anında değil, tedavi sürecinde de aktif rol oynamaktadır. Özellikle hematolojik kanserlerde, hastaların remisyona (iyileşme dönemine) girip girmeyeceğini ya da relaps (nüks) olasılığını önceden öngörmek kritik önem taşır.
Bu kapsamda;
- Zaman serisi analizleri, hastanın geçmiş test sonuçları üzerinden gelecekteki değerleri öngörebilir.
- Doğrusal regresyon ve recurrent neural network (RNN) gibi algoritmalar, remisyon süresini tahmin edebilir.
- Risk skorlama modelleri, hangi hastaların daha yakın izlenmesi gerektiğini belirleyebilir.
Kişiselleştirilmiş tedavi yaklaşımları, bu öngörüler ışığında oluşturulabilir. Bu da hem sağlık giderlerinin azaltılmasına hem de hasta konforunun artmasına katkı sağlar.
Yapay Zekâ ile Risk Skorlama ve Prognostik Modeller
Hematolojik hastalıkların yönetiminde en kritik unsurlardan biri de prognoz, yani hastalığın seyri hakkındaki tahminlerdir. AI algoritmaları, çok sayıda değişkeni aynı anda işleyerek geleneksel prognostik sistemlere göre daha isabetli skorlar üretebilir.
Örnek olarak:
- ML algoritmaları, kemik iliği transplantasyonu sonrası komplikasyon riskini tahmin edebilir.
- Survivability modelleri, özellikle agresif lenfomalar ve akut lösemilerde hastaların 1 ve 5 yıllık yaşam beklentisini tahmin etmekte kullanılmaktadır.
Bu sistemler, klinisyenlere sadece istatistiksel veri sunmakla kalmaz; tedavi planını da bireye özel olarak optimize etmelerine imkân tanır.
Zorluklar, Kısıtlamalar ve Etik Sorular
Her ne kadar AI destekli sistemler hematolojide büyük potansiyele sahip olsa da bazı zorluklar da beraberinde gelmektedir:
a. Veri Kalitesi ve Anonimleştirme
Hasta verilerinin anonimleştirilmesi, hem etik hem de yasal zorunluluktur. Ancak bu süreçlerde veri kaybı yaşanabilir. Ayrıca yapay zekânın doğru çalışabilmesi için yüksek kaliteli, temizlenmiş veriye ihtiyaç vardır.
b. Açıklanabilirlik (Explainability) Sorunu
Bazı AI modelleri, özellikle derin öğrenme temelli sistemler, “kararlarının nedenini açıklayamama” problemi yaşar. Bu da hekimlerin bu sonuçlara tam güvenmesini zorlaştırabilir.
c. Klinik Sorumluluk ve Hukuki Riskler
Eğer bir yapay zekâ sisteminin önerdiği tanı ya da tedavi sonucu hasta zarar görürse, sorumluluk AI sistemine mi yoksa hekime mi ait olacaktır? Bu sorular hâlen regülasyonlarda tartışma konusudur.
KAYNAK
