Ahmet YÜKSEK, İpek YAKIN, Gamze TALİH
Kocatepe Tıp Dergisi - 2026;27(1):42-48
AMAÇ: Kardiyovasküler cerrahi sırasında aşırı kanama, hastalar için önemli riskler oluşturur ve optimal perioperatif yönetim için eritrosit süspansiyonu (ES) gereksinimlerinin doğru bir şekilde tahmin edilmesini gerektirir. Bu çalışma, koroner arter baypas greftleme (CABG) ameliyatları sırasında ES ihtiyaçlarını tahmin etmede makine öğrenimi (ML) algoritmalarının geleneksel puanlamalara karşı etkinliğini karşılaştırmayı amaçlamaktadır. GEREÇ VE YÖNTEM: Hastaların demografik, ameliyat öncesi ve cerrahi verileri kullanılarak geliştirilen ML algoritması, altı bilinen kanama tahmin skoruyla karşılaştırıldı. ES ihtiyacı tahminleri lojistik regresyon tabanlı sinir ağları kullanılarak analiz edildi. BULGULAR: İzole CABG ameliyatları geçiren toplam 430 hasta analize dahil edildi. ML algoritmaları, herhangi bir ES ihtiyacını tahmin etmede %75,5 ve >2 ünite ES ihtiyacını tahmin etmede %93,8 doğrulukla geleneksel puanlama sistemlerine benzer tahmin gücü gösterdi. Geleneksel puanlama sistemleri arasında, TRUST puanı en yüksek öngörü yeteneğini sergiledi, ardından TRACK ve WILL BLEED puanları geldi. SONUÇ: ML algoritması, perioperatif planlamada kullanımını artırarak, yerel adaptasyon ve kendini iyileştirme potansiyeli gösterdi. Bulgularımız, kardiyovasküler cerrahide kan ürünü kullanımını optimize etmede ML algoritmalarının uygulanabilirliğini vurgulamaktadır. Bu modellerin çeşitli klinik ortamlarda ölçeklenebilirliğini ve genelleştirilebilirliğini keşfetmek için daha fazla araştırma yapılması gerekmektedir. CABG ameliyatından önce hastalarda ES transfüzyon hazırlığı için ML tahminleri, geleneksel puanlama sistemlerine kıyasla yüksek derecede doğruluk ve karşılaştırılabilir performans göstermektedir. ML algoritmalarının kendilerini yerel verilerle güçlendirme ve değişen klinik bağlamlara uyum sağlama yeteneği, zaman içinde öngörü doğruluğunu artırma potansiyellerini vurgulamaktadır.
