“Development and validation of a parsimonious AI-based risk score for mortality in heart failure: a UK cohort study” Çalışma Değerlendirmesi

Hazırlayan: Araştırma Görevlisi Dr. Hilal Yıldız, Prof. Dr. Mehmet Ali Astarcıoğlu
Kütahya Sağlık Bilimleri Üniversitesi Tıp Fakültesi Kardiyoloji Anabilim Dalı

Çalışmanın adı: Development and validation of a parsimonious AI-based risk score for mortality in heart failure: a UK cohort study

Çalışmanın amacı ve metodolojisi: Kalp yetersizliği hastalarında doğru risk stratifikasyonu kritik öneme sahiptir. MAGGIC gibi mevcut basit skorlar sınırlı ayırt edici güce sahiptir (C-index < 0,80) ve ekokardiyografi gibi özel tetkiklere ihtiyaç duymaktadır. Halbuki gelişmiş yapay zeka modelleri daha yüksek doğruluk sunmaktadır. Ancak uygulamadaki zorluklar ve veri erişim gereksinimleri nedeniyle klinik kullanıma entegrasyonları sıklıkla kısıtlanmaktadır.

Kalp yetersizliği hastalarında tüm nedenlere bağlı mortaliteyi öngörmek amacıyla; karmaşık bir yapay zeka modelinden elde edilen içgörüler ve özellik mühendisliği yaklaşımından yararlanarak yalın, yüksek performanslı bir yapay zeka tabanlı risk stratifikasyon geliştirilmesi ve doğrulanması amaçlanmıştır.

Çalışmanın sonuçları ve tartışma: Ahmed N. ve et al. tarafından yapılan çalışmada Clinical Practice Research Datalink (CPRD) Aurum veritabanından elde edilen 373.389 kalp yetersizliği hastasını içeren bir kohortta (≥18 yaş; risk skoru geliştirmek için 1.153 İngiliz klinik ve doğrulama için 289 klinik) tüm nedenlere bağlı mortaliteyi öngören bir yapay zekâ tabanlı risk modeli geliştirilmiş ve doğrulanmıştır. Risk skorunun performansını karşılaştırmak için, elektronik sağlık kayıtlarına (EHR) uyarlanmış MAGGIC temelli bir Cox orantısal risk modeli referans olarak ele alınmış. İlk aşamada, MAGGIC değişkenlerini kullanan ve sağkalım çerçevesinde yapılandırılmış çok katmanlı algılayıcı (MLP) modeli eğitilmiş. Ardından bu model, yüksek prediktif komorbidite değişkenleri ile zenginleştirilmiş ve özellik damıtma (feature distillation) yaklaşımı kullanılarak nihai, optimize edilmiş 11 değişkenli “MLP-Distilled” model elde edilmiş. Yapay zeka ile geliştidikleri bu skor; yaş, BKİ, doğum yılı ve maligniteler gibi temel komorbiditeler dahil olmak üzere kolay erişilebilir değişkenleri kullanmaktadır.

MLP-Distilled modelinin, MAGGIC-EHR referans modeliyle karşılaştırıldığında belirgin şekilde daha yüksek ayırt edici performans göstermiş olduğu saptanmış. (C-index: 0,801, %95 GA [0,796–0,806] vs. 0,735 [0,729–0,742]). Bu yalın yapay zeka modeli, MAGGIC’e kıyasla daha az sayıda ve daha kolay erişilebilir değişken kullanmaktadır (11 vs. 13 değişken) ve herhangi bir özel tetkik gerektirmemektedir. Model ayrıca kardiyovasküler olaylar ve yeniden hastaneye yatış gibi ikincil sonlanımlar açısından da doğrulanmıştır.

Ahmed N. ve et al. tarafından yazılan abstractta, yapay zeka algoritması ile kalp yetersizliği hastalarında mortaliteyi öngören hem yalın hem de yüksek performanslı bir risk skoru geliştirilmiştir. Bu yeni yaklaşımın, risk stratifikasyonunun daha iyi yapılabilmesi ve mortalite riski daha yüksek hastaların daha sıkı takibe alınabilmesine yardımcı olması beklenmektedir.

Erişim linki: https://academic.oup.com/ehjdh/article/7/Supplement_1/ztaf143.036/8422927