Çocuk Nefrolojisinde Yapay Zekâ

Giriş

Pediatrik nefroloji hastalarında hemodinamik denge hızlı bozulabildiği için erken tanı ve müdahale kritik öneme sahiptir. Serum kreatinin gibi klasik belirteçler, böbrek hasarını çoğu zaman gecikmeli olarak yansıtır; bu da akut böbrek hasarı (ABH), kronik böbrek hastalığı (KBH) veya nakil reddi gibi tabloların erken tanı ve tedavisini zorlaştırabilir.^1 Bu gecikme süresini daha kısaltmak ya da hekime hızlı karar verme konusunda yardımcı olmak üzere destekleyici yapay zekâ (YZ) ve makine öğrenmesi (MÖ) modellerinin geliştirilmesi gündeme gelmiştir. Ancak bu modeller, hekimin kararının yerini almak yerine; erken uyarı, risk düzeyini belirleme ve izlemi kişiye uyarlama gibi alanlarda karar sürecini desteklemek için kullanılmalıdır.^2 Bu sistemlerden gerçek klinik fayda beklemek için ise çıktıların (ör. ABH, rejeksiyon) net tanımlanması, yeterli sayıda veriyle geliştirilmesi ve mümkünse farklı merkezlerde doğrulanması önemlidir.

1. Veri Kaynakları ve Model Seçimi

YZ uygulamalarında başarı, çoğu zaman algoritmadan önce verinin niteliği ile belirlenir. Pediatrik nefrolojide pratikte üç ana veri kaynağı öne çıkar:

• Elektronik sağlık kayıtları (EHR): Vital bulgular, ilaç maruziyeti ve laboratuvar trendleri gibi zaman içinde değişen veriler; özellikle ABH için geliştirilen erken uyarı ve risk öngörü sistemlerinin temelini oluşturur.3,4
• Görüntüleme ve radyomik: Ultrason/BT/MR görüntülerinden doku tekstürünü sayısallaştırarak gözle zor seçilen paterni modele taşır; pediatrik böbrek hastalıklarında ultrason tabanlı radyomik yaklaşımlar ABH/KBH ayrımı veya glomerülonefrit sınıflaması gibi hedeflerde örneklenmiştir.5,6
• -Omik ve biyobelirteçler: Genetik yapı (CYP3A5 gibi), kanda saptanan donör kaynaklı DNA'lar ve idrardaki bağışıklık sinyalleri (CXCL9/10) gibi biyobelirteçler; organ nakli sonrası hastayı izlemek için biyopsiye gerek duyulmayan, dijital biyopsi denilen modern ve girişimsel olmayan yöntemler sunar.^7

YZ modelinin seçimi, yanıt aranan klinik soruya ve eldeki verinin türüne göre değişir. Örneğin; hastanın klinik verileriyle risk sınıflandırması veya sonuç tahmini yapılıyorsa Random Forest veya XGBoost gibi ağaç tabanlı algoritmalar tercih edilir. Buna karşın, ilaç düzeyleri gibi zamana bağlı değişen ve ardışık ölçümler içeren süreçleri analiz etmek için LSTM (RNN ailesi) gibi, geçmiş verideki sıralamayı dikkate alan yöntemler daha uygundur.8, 9^

YZ modellerinin klinik pratikte güvenle kullanılabilmesi için bazı temel kriterler hayati önem taşır. Öncelikle, tahmin edilmeye çalışılan durumlar (hedef değişkenler), KDIGO'nun ABH tanımı veya nakil reddi için biyopsi gibi altın standart kabul edilen net kriterlerle tanımlanmalıdır. Modelin başarısı sadece eğitildiği veriyle sınırlı kalmamalı; mutlaka farklı bir doğrulama kümesinde, hatta mümkünse farklı zaman dilimlerini veya farklı merkezleri kapsayan dış doğrulama (external validation) ile test edilmelidir. Performans raporlanırken ise sadece modelin ayırt etme gücüne (AUROC gibi) bakılmamalı; sonuçların hassasiyetini gösteren %95 güven aralıkları ve tahminlerin gerçek riskle uyumunu ölçen kalibrasyon değerleri de sunulmalıdır. Son olarak, nadir görülen klinik olaylarda, modelin aşırı karmaşık hale getirilip veriye ezberletilmemesi (overfitting) için örneklem büyüklüğü ile model yapısı arasında denge kurulmalıdır.1,2

2. Kritik Klinik Uygulama Alanları

2.1 Akut Böbrek Hasarı

Elektronik sağlık kayıtları tabanlı YZ modelleri, klinik tablo henüz tam olarak belirginleşmeden yüksek riskli hastaları saptayabilir. Bu erken uyarı mekanizması, riskli hastalar için ek izlem süreçlerini ve erken müdahale olanaklarını kolaylaştırır.^3

• Nefrotoksik İlaç Takibi: Baby NINJA gibi yapılandırılmış sürveyans sistemleri, nefrotoksik ilaç maruziyetini sistematik olarak izleyerek ABH sıklığını azaltmayı hedefler. Bu sistemler tarafından üretilen otomatik uyarılar; dozun yeniden gözden geçirilmesi, alternatif ilaç seçimi veya hidrasyon desteği gibi proaktif adımların atılmasını sağlar.^4
• Mortalite Öngörüsü: Pediatrik yoğun bakımda ABH gelişen çocuklarda, kısa dönemli sağ kalımı öngörmeye yönelik MÖ modelleri geliştirilmiştir. Örneğin CatBoost algoritması, 7–28 günlük mortaliteyi tahmin etmede yüksek başarı göstermiş; bu süreçte laktat düzeyi en güçlü öngördürücü parametrelerden biri olarak öne çıkmıştır.^8 Hemodinamik verilerle desteklenen bu modellerden gelen uyarılar, nefrotoksik ajanların kısıtlanması gibi klinik kararları gündeme taşıyarak sağlık ekibi içindeki farkındalığı artırır.^

2.2 CAKUT, VUR ve İdrar Yolu Enfeksiyonları

Bu alandaki temel hedef; YZ desteğiyle doğru hastayı belirleyerek, çocukları gereksiz invaziv işlemlerden korumaktır.

2.3 Gereksiz Girişimlerden Kaçınma

MÖ modelleri; doğum sonrası ultrason bulguları ve üriner sistem dilatasyonu sınıflandırması gibi verileri analiz ederek Vezikoüreteral Reflü (VUR) riskini öngörebilir. Bu sayede, düşük risk grubundaki bebeklerde Voiding Sistoüretrografi (VCUG) gibi invaziv tetkiklerin daha seçici ve yerinde kullanılmasına olanak tanır.^10

2.4 Klinik Yönetim ve Aile Danışmanlığı

Antibiyotik profilaksisi alan bebeklerde, breakthrough (profilaksi altındayken gelişen) enfeksiyon olasılığı veya VUR'un kendiliğinden düzelme ihtimali gibi klinik sonuçlar, risk modelleriyle daha nesnel bir biçimde tahmin edilebilir. Bu yaklaşım, hekimin aileye mutlaka yapmalıyız/yapmamalıyız gibi kesin yargılar yerine; verilere dayalı, olasılık temelli ve paylaşılan karar verme sürecini destekleyen modern bir danışmanlık sunmasını sağlar.^11

2.5 Glomerüler Hastalıklar

Steroid dirençli nefrotik sendrom veya IgA nefropatisi gibi kompleks hastalıklarda, histopatolojik görüntüler (böbrek biyopsisi kesitleri) üzerinden çalışan derin öğrenme modelleri dikkat çekmektedir. Bu modeller, hastalığın prognozunu geleneksel skorlama sistemleriyle eşdeğer, hatta kimi zaman daha yüksek bir doğruluk payıyla tahmin edebilmektedir.6, 12

2.6 Pediatrik Böbrek Nakli

2.6.1 Hassas İlaç Dozlaması

Takrolimus gibi terapötik aralığı dar olan ilaçların yönetiminde, klinik ve laboratuvar verilerini harmanlayan MÖ modelleri doz ayarlama sürecine önemli bir destek sunabilir.^9 Ancak, takrolimus metabolizmasını doğrudan etkileyen CYP3A5 gibi genetik değişkenler çoğu rutin veri setinde yer almaz. Bu nedenle model çıktıları, nihai bir karardan ziyade, hastanın klinik tablosuyla birlikte değerlendirilmesi gereken birer karar destek unsuru olarak görülmelidir.7,9

2.6.2 Rejeksiyon (Red) Takibi

Böbrek nakli sonrası takipte biyopsi halen altın standart geçerliliğini korumaktadır. Bununla birlikte; donör kaynaklı hücresiz DNA (dd-cfDNA) ve idrar kemokinleri gibi biyobelirteçler kullanılarak yapılan non-invaziv izlem ve risk sınıflandırması yaklaşımları gün geçtikçe daha fazla ön plana çıkmaktadır.^7

2.7 Radyomik ve Sanal Biyopsi

Radyomik, ultrason görüntülerindeki doku desenlerini insan gözünün fark edemeyeceği detayda analiz ederek klinik yorumu güçlendiren bir yöntemdir. Özellikle böbrek parankiminden elde edilen radyomik özellikler, ultrason üzerinden ABH ile KBH ayrımını yapabilmek için umut verici bir yaklaşım sunmaktadır.^5 Ancak, görüntü üzerinde incelenecek bölgenin (ROI) manuel çizilmesi kullanıcıya bağlı hatalara yol açabildiğinden; bu sürecin standart hale getirilmesi ve mümkünse YZ ile otomatik (segmentasyon) yapılması büyük önem taşımaktadır.^5

2.8 Diyaliz ve Sıvı Yönetimi

Yapay sinir ağları; biyoimpedans verileri ve kan basıncı gibi çok sayıda değişkeni birleştirerek, pediatrik hemodiyaliz hastalarında kritik bir konu olan kuru ağırlık belirlenmesine yardımcı olabilir. Bazı çalışmalar, bu dijital yaklaşımın klinisyen değerlendirmesine kıyasla daha yüksek bir doğruluk sunduğunu göstermektedir.^13 Hacim yönetiminde YZ tabanlı araçlar, hem takipte standardizasyon sağlaması hem de erken uyarı potansiyeli taşıması nedeniyle klinik pratikte giderek daha fazla yer bulmaktadır.^14

2.9 Üretken YZ ve Beslenme

Büyük dil modelleri (LLM), KBH evresine göre kişiselleştirilmiş diyet önerileri hazırlama ve hasta eğitimi materyallerini sadeleştirme konusunda önemli bir potansiyele sahiptir.^15 Ancak, veri doğruluğu ve hasta güvenliği riskleri göz ardı edilmemelidir. LLM çıktıları mutlaka güncel klinik kılavuzlarla uyumlu şablonlar üzerinden ilerlemeli ve bir diyetisyen veya hekim tarafından onaylanmalıdır. Özellikle potasyum ve fosfor kısıtlaması gibi hata payı düşük olan, hayati risk taşıyan alanlarda bu modellere karşı çok daha temkinli yaklaşılmalıdır.^15

3. Sınırlılıklar ve Etik

Literatürde YZ Uçurumu (AI Chasm) olarak adlandırılan durum; modellerin retrospektif verilerde başarılı görünmesine rağmen, gerçek klinik ortamda aynı faydayı sağlayamaması riskini ifade eder.^16 Bu uçurumu aşmak için şu noktalar kritiktir:

Yetişkin Verisi Yanılgısı: Çocukların kendine has fizyolojik süreçleri nedeniyle, yetişkin verileriyle eğitilen modeller pediatrik popülasyonda hatalı genellemeler yapabilir. Bu nedenle modellerin mutlaka pediatrik veri setleriyle doğrulanması gerekir.1,2

Kara Kutu Sorunu: Bir modelin karara nasıl vardığı açıklanamıyorsa (örneğin SHAP gibi yöntemlerle görselleştirilmemişse), bu durum klinisyenin modele olan güvenini sarsar.1,2

Tıbbi Sorumluluk: YZ çıktıları kesin birer kanıt değil, karar verme sürecini destekleyen ek bilgilerdir. Nihai tıbbi ve hukuki sorumluluk her zaman hekimdedir.^17

4. Gelecek Vizyonu

Gelecekte, hastaya ait verilerin sürekli güncellendiği "Dijital İkiz" yaklaşımıyla kişiselleştirilmiş tedavi senaryolarının simüle edilmesi beklenmektedir.^18 Buna paralel olarak; genetik ve klinik verileri harmanlayan hassas beslenme modelleri ile KBH evresine özgü LLM destekli diyet içerikleri, hasta yönetiminin ayrılmaz bir parçası haline gelecektir.15, 19^

Kaynakça

1. Nada A, Ahmed Y, Hu J, Weidemann D, Gorman GH, Lecea EG, et al; The American Society of Pediatric Nephrology Quality Improvement and Artificial Intelligence (ASPN QI/AI) Interest Group. AI-powered insights in pediatric nephrology: current applications and future opportunities. Pediatr Nephrol. 2025 Sep 16. doi:10.1007/s00467-025-06911-1. Epub ahead of print.
2. Filler G, Gipson DS, Iyamuremye D, Díaz González de Ferris ME. Artificial intelligence in pediatric nephrology-a call for action. Adv Kidney Dis Health. 2023 Jan;30(1):17-24. doi:10.1053/j.akdh.2022.11.001. Epub 2022 Dec 13.
3. Hu J, Raina R. Artificial intelligence and pediatric acute kidney injury: a mini-review and white paper. Front Nephrol. 2025 Feb 18;5:1548776. doi:10.3389/fneph.2025.1548776.
4. Stoops C, Stone S, Evans E, et al. Baby NINJA (Nephrotoxic Injury Negated by Just-in-Time Action): Reduction of nephrotoxic medication-associated acute kidney injury in the neonatal intensive care unit. J Pediatr. 2019 Dec;215:223-228.e6. doi:10.1016/j.jpeds.2019.08.046.
5. De Leon-Benedetti L, Sultan LR, Otero HJ, et al. Quantifying “Medical Renal Disease”: A Pediatric Pilot Study Using Ultrasound Radiomics for Differentiating Acute Kidney Injury and Chronic Kidney Disease. Diagnostics (Basel). 2025 Aug 21;15(16):2112. doi:10.3390/diagnostics15162112.
6. Kou J, Li Z, You Y, Wang R, Chen J, Tang Y. Automatic identification and classification of pediatric glomerulonephritis on ultrasound images based on deep learning and radiomics. J Big Data. 2024;11(1):165. doi:10.1186/s40537-024-01033-1.
7. Punukollu R, Parajuli S, Chaudhari H, Mour G. Genomic and biomarker innovations in predicting kidney transplant rejection. J Clin Med. 2025;14(11):3642. doi:10.3390/jcm14113642.
8. Shen F, Xu Y, Jiang X, et al. Predicting outcomes in pediatric patients with acute kidney injury: a retrospective single-center cohort study using machine learning models. BMC Med Inform Decis Mak. 2025 Oct 10;25(1):371. doi:10.1186/s12911-025-03211-4.
9. Park DJ, Kim M, Cho H, Kim JS, Hwang J, Lee J. Machine Learning-Based Algorithm for Tacrolimus Dose Optimization in Hospitalized Kidney Transplant Patients. Diagnostics (Basel). 2025;15(23):2948. doi:10.3390/diagnostics15232948.
10. Wang HHS, Li M, Cahill D, et al. A machine learning algorithm predicting risk of dilating VUR among infants with hydronephrosis using UTD classification. J Pediatr Urol. 2024;20(2):271-278.
11. Tafazoli N, Kamran H, Bazargani R, Samaei M. Machine learning-based prediction of vesicoureteral reflux outcomes in infants under antibiotic prophylaxis. Sci Rep. 2025;15:92847. doi:10.1038/s41598-025-92847-3.
12. Testa F, Fontana F, Pollastri F, et al. Automated Prediction of Kidney Failure in IgA Nephropathy with Deep Learning from Biopsy Images. Clin J Am Soc Nephrol. 2022;17(9):1316-1324. doi:10.2215/CJN.01760222
13. Niel O, Bastard P, Boussard C, Hogan J, Kwon T, Deschênes G. Artificial intelligence outperforms experienced nephrologists to assess dry weight in pediatric patients on chronic hemodialysis. Pediatr Nephrol. 2018;33(10):1799-1803. doi:10.1007/s00467-018-4015-2.
14. Sandys V, Sexton DJ, O’Seaghdha C. Artificial intelligence and digital health for volume maintenance in hemodialysis patients. Hemodial Int. 2022;26(4):480-495. doi:10.1111/hdi.13033.
15. Kairat M, Adilmetova G, Ibraimova I, Gaipov A, Varol HA, Chan M-Y. Benchmarking ChatGPT and other large language models for personalized stage-specific dietary recommendations in chronic kidney disease. J Clin Med. 2025;14(22):8033. doi:10.3390/jcm14228033.
16. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019;17(1):195. Published 2019 Oct 29. doi:10.1186/s12916-019-1426-2
17. Türk Nefroloji Derneği – Çocuk Nefroloji Derneği. Erişkin ve Pediatrik Nefrolojide Teletıp ve Yapay Zekâ (Telenefroloji) Rehberi. 2024.
18. Laubenbacher, R., Hatamizadeh, P. The promise of digital twins as a tool for personalized approaches in nephrology. Nat Rev Nephrol 2026; 22, 3–4. https://doi.org/10.1038/s41581- 025-01021-5
19. Escobedo-Monge M, Lustig RH, Suchkov S, et al. Personalized Nutrition in Pediatric Chronic Diseases. Metabolites. 2025;15(10):653. doi:10.3390/metabo15100653.