Neonatolojide Büyük Veri ve Öngörücü Modeller

1. Giriş

Yenidoğan Yoğun Bakım Üniteleri (YYBÜ), modern tıbbın en yüksek veri yoğunluğuna sahip klinik ortamları arasında yer almakta; prematüre ve kritik yenidoğanlardan kesintisiz toplanan fizyolojik sinyaller, elektronik sağlık kayıtları (EHR), ventilatör parametreleri ve tıbbi görüntüleme çıktıları “veri tufanı” olarak nitelendirilebilecek büyüklükte bir ekosistem oluşturmaktadır [1,2].YYBÜ’lerinde klasik izlem yaklaşımları çoğunlukla klinik belirtiler ortaya çıktıktan sonra müdahaleye dayanırken, büyük veri analitiği ve öngörücü modeller olumsuz sonuçların daha erken evrede saptanmasına olanak tanıyarak yenidoğan bakımını reaktif bir çerçeveden proaktif ve öngörücü bir modele taşımayı hedeflemektedir [1,3,4]. Bu dönüşüm, erken uyarı sistemlerinin klinik karar süreçlerine entegrasyonu sayesinde mortalite ve morbiditeyi azaltma, bakım kalitesini standardize etme ve kaynak kullanımını rasyonelleştirme potansiyeli taşımaktadır [2,5,6,7].

2. Veri ekosistemi ve teknik altyapı

YYBÜ’lerde yatak başı monitörlerinden elde edilen kalp hızı, solunum hızı, SpO2 ve kan basıncı gibi parametreler; EHR’deki demografik ve laboratuvar verileri; ventilatör ayarları ve dalga formları ile radyolojik görüntüleme çıktıları, heterojen ve yüksek hacimli veri akışları üretmektedir [3,5]. Bu bağlamda, entegre yenidoğan yoğun bakım ünitesi (iNICU) gibi platformlar, IoT tabanlı katmanlı mimariler aracılığıyla çok kaynaklı veriyi gerçek zamanlı toplayıp depolayarak analiz edebilmektedir [8,9].

3. Sepsis ve NEK için erken uyarı yaklaşımları

Yenidoğan sepsisi, yüksek mortalite ve morbidite yükü nedeniyle YYBÜ’de erken saptanamaması kritik bir klinik sorundur. Yaşamsal bulgular, laboratuvar sonuçları ve demografik verilerden yararlanan makine öğrenmesi algoritmaları (ör. SVM, Random Forest, Gradient Boosting) sepsis başlangıcını yüksek doğrulukla öngörebilmektedir [5]. Klinik uygulamada öne çıkan yaklaşımlardan biri, kalp hızı özelliklerini analiz ederek sepsis riskini öngören ticari HeRO (Heart Rate Characteristics) sistemidir [4]. Ayrıca derin öğrenme temelli modellerin sepsis saptamada AUC değerlerini 0.92’nin üzerine taşıyabildiği bildirilmektedir [6]. Nekrotizan enterokolit (NEK) için ise, klinisyen güvenini artırmak üzere daha yüksek açıklanabilirlik sağlayan klasik makine öğrenmesi yöntemleri (SVM, lojistik regresyon gibi) göreli olarak daha fazla tercih edilmektedir [6].

4. Mekanik ventilasyon optimizasyonu ve zaman serisi modelleme

Bronkopulmoner displazi (BPD) riski ile ilişkili solunum destek parametrelerinin ve akciğer görüntüleme verilerinin birlikte değerlendirilmesi, ventilatör ayarlarının ve oksijen ihtiyacının dinamik biçimde optimize edilmesini mümkün kılabilecek bir karar destek alanı olarak tanımlanmaktadır [6]. Zaman bağımlılıklarını yakalama kapasitesi nedeniyle yinelemeli sinir ağı (RNN) ve özellikle uzun kısa süreli bellek (LSTM) mimarileri, yaşamsal bulgu zaman serilerinde fizyolojik anomalilerin erken tespitinde kullanılmaktadır [6,8,9]. Öte yandan Evrişimli Sinir Ağı (CNN) tabanlı yaklaşımlar, dalga formu analizi ve tıbbi görüntülemede görsel-zamansal özellik çıkarımı açısından etkili yöntemler sunmaktadır [9].

5. Görüntüleme tabanlı otonom analiz ve ROP taraması

Prematüre retinopatisi (ROP), prematüre bebeklerde önlenebilir körlüğün başlıca nedenlerinden biri olup tarama başarısı, deneyimli retina uzmanına erişim ve standart değerlendirme süreçleriyle yakından ilişkilidir. Yapay zekâ, özellikle tıbbi görüntülemedeki ilerlemeler sayesinde, ROP taramasında klinik karar vermeyi destekleyen yüksek hacimli ve tekrarlanabilir analiz olanağı sunmaktadır. Evrişimli sinir ağları (CNN) ile retinal fundus görüntülerinden otomatik özellik çıkarımı yapılarak ROP’un saptanması ve evrelendirilmesi mümkün olmakta; bu yaklaşım uzman kısıtlılığının etkilerini azaltmayı hedeflemektedir. Çalışmalar, AI tabanlı modellerin ROP tespitinde tanısal performansı artırarak klinisyene yardımcı olabildiğini göstermektedir [2,6].

6. Sınırlılıklar, zorluklar ve gelecek yönelimleri

YYBÜ’de büyük veri ve yapay zekâ uygulamalarının klinik değere dönüşmesi; veri kalitesi ve standardizasyonun sağlanması, kurumlar arası genellenebilirliğin artırılması ve iş akışına uyumlu karar destek tasarımlarının geliştirilmesi gibi çok boyutlu gereksinimlere bağlıdır [1,5,6,8]. Ayrıca algoritmik yanlılık, etik ve gizlilik boyutları ile açıklanabilir yapay zekâ yaklaşımları klinik güvenin tesisinde merkezi rol oynamaktadır [10]. Geleceğe yönelik olarak, çok merkezli veri paylaşımını güçlendiren federatif öğrenme, omik verilerin klinik verilerle entegrasyonu ve verinin sürekli araştırma– uygulama döngüsüne aktarıldığı Öğrenen Sağlık Sistemi (LHS) vizyonu, bu alandaki dönüşümün temel yönelimleri arasında gösterilmektedir [2,7].

7. Dijital ikiz teknolojisinin prematüre bebek bakımındaki potansiyeli

Prematüre bebeklerin farklı kaynaklardan gelen sağlık ve gelişim verilerini bir araya getirerek uzun dönemli ve düzenli izlemeyi hedefleyen bütüncül bir yaklaşım gelecek vadetmektedir. Toplanan verilerden elde edilen ölçümler ve veri temelli analizlerle olası gelişimsel risklerin daha erken dönemde fark edilmesi amaçlanır. Bu yaklaşımın nihai hedefi, verilerin standart bir yapıda toplanması ve bulguların anlaşılır biçimde yorumlanmasıyla erken müdahale süreçlerini desteklemektir [10].

Kaynakça

1. Cole FS. Improving VLBW infant outcomes with big data analytics. Pediatr Res. 2021;90(1):20–21.
2. Barrett R, Harun N, Andersen CC, Collins CL, Holberton JR, Kuschel CA, et al. Transforming neonatal care through informatics: A review of artificial intelligence applications in the neonatal intensive care unit. In Seminars in perinatology (p. 152144). WB Saunders.
3. Kumar N, Akangire G, Sullivan B, Fairchild, K., & Sampath, V. Continuous vital sign analysis for predicting and preventing neonatal diseases in the twenty-first century: big data to the forefront. Pediatr Res. 2020;87(2):210–220.
4. Sullivan BA, Kausch SL., & Fairchild KD. Artificial and Human Intelligence for Early Identification of Neonatal Sepsis. Pediatric research, 93(2), 350-356.
5. Tudor, S., Bhatia, R., Liem, M., Wani, T. A., Boyd, J., & Raza Khan, U. Opportunities and Challenges of Using Artificial Intelligence in Predicting Clinical Outcomes and Length of Stay in Neonatal Intensive Care Units: Systematic Review. J Med Internet Res. 2025;27(1):e63175.
6. Rallis, D., Baltogianni, M., Kapetaniou, K. ve Giapros, V. Current Applications of Artificial Intelligence in the Neonatal Intensive Care Unit. BioMedInformatics. 2024;4(2), 1225-1248.
7. McAdams RM, Kaur, R., Sun, Y., Bindra, H., Cho, S. J., & Singh, H.. Predicting clinical outcomes using artificial intelligence and machine learning in neonatal intensive care units: a systematic review. J Perinatol. 2022; 42(12), 1561-1575.
8. Feng J, Lee, J., Vesoulis, Z. A., & Li, F. Predicting mortality risk for preterm infants using deep learning models with time-series vital sign data. npj Digit Med. 2021;4(1):108.
9. Singh H., Yadav G., Mallaiah R., Joshi P., Joshi V., Kaur Ret al. INICU–Integrated neonatal care unit: Capturing neonatal journey in an intelligent data way. J Med Syst. 2017;41(8):132.
10. Montagna S, Stagni R, Pierucci G, Aceti A, Cordelli DM, Bisi MC. Digital twins for monitoring neuromotor development in preterm infants: Conceptual framework and proof-of-concept study. J Med Syst. 2025;49(1):1-13.