Yapay Zeka ile İnme Tespiti: Acil Triyajda Saniyelerin Önemi

İnme bir saat değil, bir saniye hastalığıdır. Bir damar tıkandığında saniyede yaklaşık 32 bin, dakikada yaklaşık 1,9 milyon nöron işlevini yitirir. Acil serviste çekilen bir beyin tomografisinin radyolog sırasında bekleyeceği on beş dakika, hasta için kalıcı felç ile yeniden yürüyebilmek arasındaki fark olabilir. Son birkaç yıldır bu boşluğa yapay zeka giriyor: görüntü daha tarayıcıdan çıkmadan analiz edilip, kritik vaka tüm ekibe aynı anda haber veriliyor. Amaç radyologun yerine geçmek değil; sırayı yeniden dizmek.

Bu yazı, yapay zekanın acil inme yolunda nerede devreye girdiğini, hangi sayıların gerçek olduğunu ve sistemin nerede yanıldığını anlatıyor. Daha geniş resim için yapay zeka ile tıbbi teşhis ana yazımıza, kardeş konulara ise yapay zeka ve radyolojik görüntüleme ile yoğun bakımda sepsis tespiti yazılarına göz atabilirsiniz.

Zaman = beyin: neden saniyeler bu kadar önemli

İskemik inmenin iki ana tedavisi var: pıhtı eritici ilaç (tromboliz) ve pıhtının kateterle çekilip alınması (trombektomi). İkisinin de etkisi zamana sıkı sıkıya bağlı. Tromboliz için pencere ilk saatlerle sınırlı; trombektomi bazı hastalarda 24 saate kadar uzayabilse de fayda her geçen dakikayla erir. Tedavi ne kadar gecikirse, hastanın bağımsız yürüyebilme şansı o kadar düşer.

Sorun şu ki klasik akışta zaman birçok yerde sızar. Hasta acile gelir, tomografi çekilir, görüntü sunucuya yüklenir, radyolog uygun olduğunda bakar, kritikse nöroloğu arar, nörolog girişimsel ekibi toplar. Gece yarısı, hafta sonu ya da küçük bir hastanede bu zincirin her halkası uzar. Üstelik inme vakalarının çoğu trombektomiyi yapacak donanıma sahip olmayan çevre hastanelere gelir; oradan büyük merkeze nakil ayrı bir gecikme kaynağıdır. Yapay zekanın hedeflediği yer tam bu zincir: insan dikkatini en acil vakaya, en erken anda yönlendirmek.

Bu gecikmenin pratikteki ağırlığını anlamak için sıradan bir gece nöbetini düşünün. Acile aynı anda birden çok hasta gelir; göğüs ağrısı, travma, karın ağrısı ve baş dönmesi şikâyetiyle gelen yaşlı bir hasta aynı listededir. Baş dönmesinin aslında bir büyük damar tıkanıklığı olduğu, sıra ona gelene kadar fark edilmeyebilir. Klasik düzende vaka, gelen tüm görüntüler içinde “ne zaman bakılırsa” o zaman değerlendirilir. Yapay zekanın yaptığı şey, bu kuyruğu zaman damgasına göre değil aciliyete göre yeniden sıralamaktır; tıkanıklık ya da kanama içeren görüntü, daha tarama bitmeden listenin en üstüne çıkar.

BT ve BT-anjiyoda yapay zeka ne yapıyor

Acil inmede iki görüntü kritiktir. Kontrastsız beyin tomografisi (BT) öncelikle kanamayı dışlamak için çekilir; çünkü pıhtı eritici ilaç, kanaması olan hastada ölümcül olur. Damar yapısını gösteren BT-anjiyo ise tıkanıklığın yerini ve büyüklüğünü ortaya koyar. Yapay zeka algoritmaları bu iki görüntü üzerinde iki ayrı görevi üstlenir.

Büyük damar tıkanıklığı (LVO) tespiti

Trombektomiden en çok fayda gören hastalar, beynin ana atardamarlarından biri tıkanmış olanlardır. Bu duruma büyük damar tıkanıklığı (LVO) denir. Viz.ai gibi sistemler BT-anjiyo görüntülerini tarayıp olası bir LVO bulunca, görüntü işlemeyi ortalama beş dakikanın altında bitirip on-call inme ekibinin telefonuna anlık bildirim gönderir. Radyolog henüz sıraya bakmadan, nörolog ve girişimsel radyolog aynı görüntüye cep telefonundan ulaşabilir, hatta hasta hâlâ ilk hastanedeyken nakil planı başlatılabilir.

Beyin kanaması (ICH) tespiti

Diğer cephede Aidoc tarzı algoritmalar kontrastsız BT’lerde kanamayı (intrakraniyal hemoraji, ICH) arar. Bir kanama tespit edildiğinde vaka, radyologun çalışma listesinde en üste taşınır ve uyarı verilir. Burada kazanç bazen dramatik olabiliyor: rutin sırada saatlerce bekleyebilecek bir kanama, dakikalar içinde gözden geçirilir. Bir derlemede, yapay zekanın acil olarak işaretlediği vakalarda raporlama süresinin 8,5 saatten 19 dakikaya indiği bildirildi. Kanamada erken müdahale, kan basıncı kontrolünden cerrahi karara kadar her şeyi öne çeker.

Sayılar ne diyor: hız kazancı gerçek mi

Pazarlama broşürlerinin ötesine geçip yayımlanmış verilere bakmak gerek, çünkü bu YMYL bir konu; abartı kimseye yaramaz. Mevcut kanıtlar iki şeyi tutarlı biçimde gösteriyor: yapay zeka iş akışını hızlandırıyor, ama sihirli değnek değil.

• Tedaviye giden süre kısalıyor. Dört kapsamlı inme merkezinde yürütülen küme randomize bir çalışmada, LVO tespit yazılımı devreye alındığında kapı-kasık (door-to-groin) süresi ortalama 11,2 dakika kısaldı; tomografiden trombektomi başlangıcına geçen süre de yaklaşık 9,8 dakika düştü.
• Nakil hızlanıyor. Hub-and-spoke (merkez–uydu) modelinde yapay zeka entegre edildiğinde, BT-anjiyodan diğer hastaneye varışa kadar geçen nakil süresinin ortalama 22,5 dakika kısaldığı raporlandı. Mesai dışı saatlerde iş akışı veriminde %39’a varan iyileşme bildiren analizler de var. Çalışmalar arasındaki sayı farkları sistemin yararının her merkezde aynı olmadığını gösteriyor; sonuç yerel akışa bağlı.
• Kanama tespitinde duyarlılık yüksek. Aidoc’un ICH algoritması için yapılan doğrulama çalışmalarında duyarlılık genellikle %85-96, özgüllük %92-99 bandında bulundu. 3.605 acil BT’lik büyük bir seride radyolog ile algoritma yorumları vakaların %96,9’unda uyumluydu; duyarlılık %92,3, negatif öngörü değeri %99,2 olarak ölçüldü.
• İşlevsel sonuç tablosu daha karışık. Hız kazancı kâğıt üzerinde net olsa da bazı çalışmalar 90 günlük işlevsel iyileşmede istatistiksel anlamlı fark gösteremedi. Birkaç dakikanın hasta düzeyindeki uzun vadeli faydasını ölçmek için daha büyük çalışmalara ihtiyaç var.

Özetle: süreçler hızlanıyor, bu kanıtlanmış. Bu hızın daha az sakatlığa dönüşmesi mantıklı ve umut verici, ama her merkezde otomatik garanti değil. Kazancın ne kadarının yazılımdan, ne kadarının ekibin disipline olmasından geldiğini ayırmak da kolay değil.

Yanlış alarm sorunu

Yüksek duyarlılığın bir bedeli var: yanlış pozitifler. Bir sistem hiçbir gerçek vakayı kaçırmamak üzere ayarlandığında, olmayan tıkanıklığı ya da kanamayı işaretleme eğilimi artar. Gece yarısı sürekli çalan bir telefon, ekibi zamanla bildirimlere karşı duyarsızlaştırabilir; literatürde buna “alarm yorgunluğu” deniyor. Bir vakayı önceliklendirmek, başka bir vakayı geri plana itmek anlamına da gelir.

Algoritmalar ayrıca eğitildikleri verinin dışına çıktıklarında tökezler. Farklı bir tomografi cihazı, farklı bir hasta profili ya da küçük damar tıkanıklıkları, modeli zorlar; nitekim aynı yazılımın performansı merkezden merkeze değişebiliyor. Bu yüzden hiçbir ciddi protokol yapay zekayı son söz olarak konumlandırmaz. Sistem “şuna bak” der; bakıp karar veren her zaman hekimdir.

“Tanı koymaz, önceliklendirir” çerçevesi

Bu ayrımı doğru kurmak önemli. Acil inme yapay zekası bir teşhis cihazı gibi pazarlanmaz; düzenleyici onayları da çoğunlukla “bildirim ve önceliklendirme” amacıyla verilir. Yani sistemin görevi vakanın sırasını değiştirmek, doğru insanları aynı anda bilgilendirmek ve görüntüye erişimi hızlandırmaktır. Felç var mı, hangi damar tıkalı, hangi tedavi uygun, hasta nakle dayanır mı? Bunların hepsi insan kararı olarak kalır.

Bu çerçeve sadece hukuki bir kalkan değil; aynı zamanda teknolojiyi gerçekten faydalı kılan şey. Yapay zekanın en güçlü olduğu yer dikkat dağıtmadığı, aksine en kıt kaynağı (uzman dikkatini) en acil vakaya yönelttiği senaryodur. İyi kurgulanmış bir sistemde radyolog ortadan kalkmaz; sadece doğru görüntüye daha erken bakar.

Buradaki sorumluluk dağılımı da net olmalı. Sistem bir vakayı işaretlemediği için bir hekim onu atlarsa, sorumluluk yine hekimdedir; yapay zeka bir ikinci göz değil, bir öncelik filtresidir. Bu yüzden ekipler genellikle yazılımı “kaçırmadığına güvenilecek” değil, “öne çektiğinde hızlanılacak” bir araç olarak kullanır. Negatif bir sonuç, “bu hastada sorun yok” anlamına gelmez; yalnızca “algoritma belirgin bir şey görmedi” demektir ve standart değerlendirme yine yapılır.

Türkiye ve dünya için ne anlama geliyor

İnme tedavisinde en büyük eşitsizlik coğrafyadan kaynaklanır. Büyük şehirdeki bir kapsamlı merkez ile uzak bir ilçe hastanesi arasındaki fark, çoğu zaman cihazda değil, doğru uzmanın doğru anda görüntüyü görmesindedir. Yapay zeka, görüntüyü saniyeler içinde uzaktaki bir uzmana taşıyabildiği için bu mesafeyi kısaltma potansiyeli taşır. Merkez–uydu modelinde elde edilen nakil hızı kazançları tam da bunu işaret ediyor.

Ama teknoloji tek başına yetmez. Eğitimli ekip, çalışan bir nakil ağı, trombektomi yapabilen merkezler ve halkın inme belirtilerini tanıması olmadan yazılımın kazandırdığı dakikalar bir yerde kaybolur. Yapay zeka zincirin en zayıf halkasını güçlendirir; ama zincirin tamamını kuran insandır. Bu arada en hızlı triyaj hâlâ vatandaşın elinde: yüz kayması, kolda güçsüzlük, konuşma bozukluğu görüldüğünde vakit kaybetmeden 112’yi aramak, hiçbir algoritmanın telafi edemeyeceği bir avantajdır.

Mert Şahin

Teknoloji editörü. Yapay zeka, mobil cihazlar, elektrikli araçlar ve dijital dönüşüm konularında yazıyor. İçerikleri, üretici teknik dokümanları, ürün incelemeleri ve sektör analizleri temel alınarak hazırlanır. Kullanıcı odaklı, anlaşılır ve karşılaştırmalı içerikler üretmeyi hedefler.