Nefrolojide Yapay Zeka Uygulamaları

Giriş

Bu bölüm, erişkin nefrolojide yapay zeka (YZ) uygulamalarının klinik kullanım alanlarını, temel metodolojik prensiplerini ve etik-regülasyon boyutlarını özetlemektedir. Pediatrik nefroloji, federated learning mimarileri ve sağlık ekonomisi analizleri kapsam dışı bırakılmıştır. Odak noktası, klinik karar desteği bağlamında YZ’nin mevcut durumu ve sınırlılıklarıdır.

Makine öğrenmesi modelleri, geçmiş hasta verilerindeki örüntüleri öğrenerek yeni hastalar için risk tahmini üretir. Veri genellikle eğitim ve test kümelerine ayrılır; performans ayırt edicilik ölçütleri ile değerlendirilir.

AUROC (Area Under the Receiver Operating Characteristic Curve), modelin hasta ve hasta olmayan bireyleri ayırt etme gücünü gösterir. Bunun yanında duyarlılık, özgüllük ve kalibrasyon analizleri de önemlidir.

• LSTM (Long Short-Term Memory) modelleri zaman serisi verilerinde (örneğin yoğun bakım vital bulguları) kullanılır.
• CNN (Convolutional Neural Network) modelleri görüntü analizinde (örneğin dijital patoloji) tercih edilir.
• Random Forest ve XGBoost gibi ağaç tabanlı yöntemler klinik veri setlerinde yaygın olarak kullanılır.

Model performansı yalnızca geliştirme verisinde değil, bağımsız dış veri setlerinde de doğrulanmalıdır.

Akut böbrek hasarı (ABH), YZ uygulamalarının en yoğun araştırıldığı alanlardan biridir. Tomasev ve arkadaşları tarafından geliştirilen model, yoğun bakım verilerinden ABH gelişimini 48 saat önceden tahmin etmiş ve AUROC >0.90 bildirmiştir [1]. Bununla birlikte farklı merkezlerde yapılan dış doğrulama çalışmalarında performansın değişkenlik gösterebildiği bildirilmiştir [2]. Ayrıca bu modellerin mortalite veya diyaliz gereksinimi gibi klinik sonlanımları azalttığını gösteren güçlü randomize kanıtlar sınırlıdır.

Türkiye’de yapılan bir çalışmada ChatGPT’nin ABH’de diyaliz gereksinimini tahmin etme performansı değerlendirilmiştir [3]. Çalışmada belirli duyarlılık ve özgüllük değerleri rapor edilmekle birlikte, büyük dil modellerinin klinik karar destek sistemi olarak tasarlanmadığı ve bağımsız klinik karar verici olarak kullanılmaması gerektiği vurgulanmıştır.

Bir yoğun bakım ünitesinde ABH risk skoru elektronik sağlık kaydı ekranında görüntülenebilir. Klinik ekip bu uyarıyı değerlendirdikten sonra sıvı yönetimi ve ilaç tedavisini gözden geçirir. Uyarı eşikleri ayarlanabilir, hekim öneriyi geçersiz kılabilir (override) ve sistem performansı belirli aralıklarla izlenebilir. Bu yaklaşım “human-in-the-loop” prensibi olarak tanımlanır ve nihai klinik sorumluluğun hekimde kalmasını sağlar. Tangri ve arkadaşları tarafından geliştirilen Kidney Failure Risk Equation (KFRE), kronik böbrek hastalığında böbrek yetmezliğine ilerleme riskinin tahmininde referans model olarak kabul edilmektedir [4].

Makine öğrenmesi temelli yaklaşımlar daha fazla değişkeni aynı anda analiz edebilmekte; ancak mevcut çalışmaların büyük kısmı retrospektif kohortlara dayanmaktadır ve geniş ölçekli prospektif doğrulama gereksinimi devam etmektedir [2]. Dijital patoloji uygulamalarında CNN tabanlı modeller glomerül segmentasyonu ve histolojik sınıflandırma için kullanılmaktadır [5]. Ancak model performansı veri kalitesi, etiketleme doğruluğu ve veri çeşitliliğine bağımlıdır. Çok merkezli doğrulama ve standardizasyon bu alanda kritik öneme sahiptir.

Renal transplantasyon alanında YZ uygulamaları greft sağkalımı ve rejeksiyon riskinin tahmini üzerine yoğunlaşmaktadır [6]. Türkiye’den yapılan bir çalışmada böbrek nakilli hastalarda greft sağkalımının makine öğrenmesi yöntemleri ile tahmini araştırılmıştır [7]. Bu çalışma yerel veri kullanımı açısından önemlidir; ancak örneklem büyüklüğü ve dış doğrulama gereksinimi gibi sınırlılıklar mevcuttur. YZ modelleri eğitildikleri veri setine bağımlıdır. Demografik temsiliyet eksikliği algoritmik önyargıya (bias) yol açabilir.

Zaman içinde hasta popülasyonunun, klinik uygulamaların veya laboratuvar yöntemlerinin değişmesi model performansında düşüşe (model drift) neden olabilir. Bu nedenle:

• Düzenli performans izleme
• Gerekirse yeniden kalibrasyon
• Bağımsız dış doğrulama önemlidir.

Yanlış negatif tahmin gecikmiş müdahaleye; yanlış pozitif tahmin alarm yorgunluğuna yol açabilir.

Klinik YZ sistemlerinin kullanımı veri güvenliği ve etik sorumluluk açısından değerlendirilmelidir. Türkiye’de 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) hükümleri dikkate alınmalıdır. Veri anonimleştirme veya pseudonimleştirme yöntemleri kullanılmalı, rol tabanlı erişim sağlanmalı ve işlem kayıtları (audit log) tutulmalıdır. Klinik kullanım amacıyla geliştirilen yazılımlar, duruma göre tıbbi cihaz kapsamında değerlendirilebilir ve Avrupa Birliği Medical Device Regulation (MDR) çerçevesinde uygunluk sürecine tabi olabilir. CE işareti, klinik değerlendirme dosyası ve kullanım sonrası performans izleme (post-market surveillance) gereklilikleri dikkate alınmalıdır.

YZ sistemlerinin uygulanması:

• Uygun veri altyapısı
• Güvenli veri depolama
• Elektronik sağlık kaydı entegrasyonu
• Klinik personel eğitimi
• Sürekli performans izleme gerektirir. Bu nedenle uygulamalar genellikle pilot projelerle başlatılmakta ve aşamalı olarak genişletilmektedir. Klinik ve kurumsal başlangıç için öneriler şu şekilde sıralanabilir;
• Mevcut veri altyapısını ve veri kalitesini değerlendirin.
• Dış doğrulama yapılmamış modelleri doğrudan klinik kullanıma almayın.
• Pilot uygulama başlatın ve performans göstergelerini izleyin.
• Yanlış pozitif ve negatif oranlarını düzenli değerlendirin.
• Etik ve regülasyon süreçlerini tamamlamadan yaygın kullanıma geçmeyin.

YZ, nefrolojide özellikle akut böbrek hasarı öngörüsü ve dijital patoloji alanlarında umut verici sonuçlar göstermektedir. Bununla birlikte mevcut kanıtların önemli bir kısmı retrospektif çalışmalara dayanmaktadır ve klinik sonlanımlara etkisini gösteren güçlü prospektif kanıt sınırlıdır. Klinik entegrasyon sürecinde metodolojik titizlik, etik duyarlılık ve regülasyon uyumu temel gerekliliklerdir. Bu nedenle YZ sistemleri, klinik kararın yerini alan otonom yapılar olarak değil, belirsizlik altında karar kalitesini artırmayı hedefleyen karar destek araçları olarak konumlandırılmalıdır.

Kaynakça

1. Tomasev N, Glorot X, Rae JW, Zielinski M, Askham H, Saraiva A, et al. A clinically applicable approach to continuous prediction of future acute kidney injury. Nature. 2019;572(7767):116-119. doi:10.1038/s41586-019-1390-1
2. Cheungpasitporn W, Thongprayoon C, Kashani KB. Advances in critical care nephrology through artificial intelligence. Curr Opin Crit Care. 2024;30(6):533-541. doi:10.1097/MCC.0000000000001202
3. Can B, Kahvecioğlu ED, Palit F, Küçük M, Karaali Z. Evaluation of ChatGPT’s performance in making-decision of dialysis in acute kidney injury. Bagcilar Med Bull. 2025;10(3):223-227. doi:10.4274/BMB.galenos.2025.78941
4. Tangri N, Stevens LA, Griffith J, Tighiouart H, Djurdjev O, Naimark D, et al. A predictive model for progression of chronic kidney disease to kidney failure. JAMA. 2011;305(15):1553-1559. doi:10.1001/jama.2011.451
5. Schena FP, Magistroni R, Narducci F, Abbrescia DI, Anelli VW, Di Noia T. Artificial intelligence in glomerular diseases. Pediatr Nephrol. 2022;37(11):2533-2545. doi:10.1007/s00467-021-05419-8
6. Hueso M, Vellido A. How artificial intelligence is transforming nephrology. BMC Nephrol. 2024;25(1):276. doi:10.1186/s12882-024-03724-6
7. Öz T, Pehlivan M, Pirim İ. Predicting graft survival in renal transplant patients using artificial intelligence methods. Forbes J Med. 2023;4(1):1-7. doi:10.4274/forbes.galenos.2022.30592