Yapay zeka, COVID-19 hastalarının yoğun bakım ihtiyacını tahmin edebilir

COVID-19 salgını sağlık sistemlerine büyük bir darbe indirdi ve bu sistemlerin önemli eksikliklerini ortaya çıkardı. Haziran 2023 itibarıyla dünya çapında 760 milyondan fazla doğrulanmış COVID-19 vakası ve neredeyse 7 milyon ölüm gerçekleşti. Büyük COVID-19 salgınları sırasında, hastanelerin yoğun bakım üniteleri (YBÜ), COVID-19 pozitif tanısı konan hastalara invaziv mekanik ventilasyon sağlamak için genellikle tam kapasiteyle çalışıyordu. Bu yoğun bakım üniteleri genellikle yetersiz personel ve entübasyon ekipmanıyla çalışıyordu.

Bu tür sorunları hafifletmenin bir yolu, COVID-19 testi pozitif çıkan hastaların prognozunu doğru bir şekilde tahmin etmektir. Doktorlar genellikle hastaların durumunu değerlendirmek için göğüs röntgeni radyografisi (CXR) görüntülerini kullanır. Bu görüntülerdeki pnömoni belirtilerini analiz ederek, hastanın yakın zamanda yoğun bakım ünitesine yatırılmasının gerekip gerekmeyeceği sonucunu çıkarabiliyorlar. Bu da hastane kaynaklarının optimal tahsisine yardımcı olabilir. Ne yazık ki, bu süreç emek yoğundur, zaman alıcıdır ve özellikle büyük salgınlar sırasında önemli bir sorun olan teşhislerdeki değişkenlikten muzdariptir.

Peki ya yapay zeka (AI) bize yardım eli uzatırsa? Journal of Medical Imaging’de yayınlanan yakın tarihli bir çalışmada, Chicago Üniversitesi Radyoloji Bölümü’nden bir araştırmacı ekibi, CXR görüntülerini analiz ederek bir hastanın yoğun bakıma ihtiyaç duyup duymayacağını tahmin edebilen derin öğrenmeye dayalı bir model geliştirdi.

Önerilen yaklaşımın tanımlayıcı özelliklerinden biri “transfer öğrenimi” adı verilen bir tekniğin kullanılmasıydı. Tıbbi görüntüleme uygulamaları için derin öğrenme modellerinin geliştirilmesi, eğitim için gerekli olan açıklamalı verilerin çok fazla olması nedeniyle özellikle zordur. Böylece, bir modeli milyonlarca görüntüyle sıfırdan eğitmek yerine, bilgiyi önceden eğitilmiş bir modelden başka bir modele aktarmak için transfer öğrenimi kullanılabilir. Buradaki fikir, özel bir veri kümesi kullanarak alıcı modele ince ayar yapmak ve böylece önceki modelin “uzmanlığından” yeni bir görev için yararlanabilmektir. Örneğin, transfer öğrenmeyle, manyetik rezonans görüntülerinde belirli bir hastalığı tespit etmek üzere eğitilen bir model, farklı bir hastalığı tespit etmeyi amaçlayan başka bir model için temel oluşturabilir.

Bu stratejiyi kullanan araştırmacılar, nihai modellerini geliştirmek için sıralı bir transfer öğrenme süreci kullandılar. Önce, 14 farklı hastalığı tespit etmek için Ulusal Sağlık Enstitüleri veri setinden alınan CXR görüntülerini kullanarak, ImageNet’te 1,2 milyon doğal görüntüyle önceden eğitilmiş büyük bir modele ince ayar yaptılar. Bundan sonra araştırmacılar, pnömoniyi tespit etmek için Kuzey Amerika Radyoloji Derneği’nden alınan bir veri kümesini kullanarak bu modeli geliştirdiler. Son olarak, 3.998 COVID-19 hastasından 6.685 CXR görüntüsü içeren şirket içi bir veri kümesi kullanarak ince ayar yaptılar.

Geliştirilen yapay zeka modeli, COVID-19’lu bir hastanın CXR muayenesinden sonraki 24, 48, 72 ve 96 saat içinde yoğun bakıma ihtiyaç duyup duymayacağını iyi derecede bir doğrulukla tahmin edebildi. Bağımsız bir şirket içi test setinde (1.048 hastadan alınan 1.672 CXR görüntüsü), yoğun bakım ihtiyacını 24 saat önceden tahmin ederken alıcı çalışma karakteristik eğrisi altında 0,78’lik bir alana ve 48 saat veya daha uzun süre için en az 0,76’ya ulaştı. Model tarafından yüksek riskli olarak tanımlanan hastaların yoğun bakıma ihtiyaç duyma olasılığı neredeyse beş kat daha fazladır. İlginç bir şekilde önerilen modelin performansı, görüntüler ve klinik verilerin birleşimi yerine yalnızca CXR görüntülerine dayanmasına rağmen mevcut benzer modellerle karşılaştırılabilir düzeydeydi.

Genel olarak bu model klinik uygulamadaki önemli bir boşluğu doldurabilir. Pek çok makine öğrenimi modeli COVID-19’u teşhis etmek için geliştirilmiş olsa da çok azı hastaların prognozunu tahmin etmek için tasarlanmıştır. Bu model, doktorlara ve sağlık çalışanlarına hastaların durumunu değerlendirmede ve kaynakları etkin bir şekilde yönetmede yardımcı olabilir. Ayrıca, bu modelin transfer öğrenimi kullanarak geliştirilmesi, benzer modellerin farklı veri kümeleri ve farklı hastalıklar için kolayca uyarlanabileceği anlamına gelir. Bu da yapay zekanın tıbbi görüntülemedeki potansiyelini gösterir.