Teknoloji acil tıp doktorunun bilişsel yükünü azaltabilir mi?

Yapay zeka ve kognitif tıp

Evren hep ileriye gidiyor.

Bir çeşit dansiteler arası uyum gibi.

Sıcak soğuğa akıyor. Yaş alan insanda görülen hücresel bozulmaya senilite deniliyor. İlerleyen zamanla birlikte sağlıklı olabilmek için harcadığımız enerji de artıyor. Bir açıdan bakılırsa en genç en az enerjiyle hayata tutunabiliyor. 

Bana kalırsa zihin de böyle çalışıyor. 

Aklın karar alma kotası var ve bu kesinlikle sonsuz değil. Alınan her kararla kota sınıra yaklaşıyor ve nihayet bitiyor. Sonra ne mi oluyor? Daha çok enerjiyle daha az doğru karar alma başlıyor. Aynı entropi gibi. Diğer bir deyişle karar yorgunluğu.

Tam da bu noktada bize yardım edebilecek otonom sistemler var desem!

Evet, yapay zeka destekli sıfırıncı saniye yüksek doğruluktaki karar odakları.

Birlikte inceleyelim…

Ortam Zekası ve Med-LLM ile Kognitif Yükün Azaltılması

• Acil tıp doktorlarındaki klinik tükenmişliğin majör sebebinin daktilo hekimliği olduğu saptandı. Ortam Zekası, Doğal Dil İşleme (NLP), Konuşmacı Ayrıştırma ve Tıbbi Büyük Dil Modelleri (Med-LLM) kullanarak muayene sırasındaki akustik veriyi analiz eder.
• Klinik Etkisi: Hekim ekrana dokunmaz, göz teması kurarak anamnez alır. YZ, arka planda hastanın gündelik dilini tıbbi ontolojiye (nefesim darlıyor -> istirahat dispnesi) çevirir; yapılandırılmış bir SOAP (Subjektif-Objektif-Değerlendirme-Plan) formatında yazar. ICD-11 ve SNOMED-CT kodlarını otomatik atayarak hekimin tüm enerjisini salt bilişsel klinik pratiğe yönlendirmesine imkan tanır (1). Böylece sınırlı olan işletim sistemimize oldukça ferah bir alan açılır.

Atık Su Tıbbi Gözetimi ve Toksikolojik Erken Uyarı

• Toksikoloji ve aşırı doz başvuruları acil servise yığılmalar şeklinde gelebilir. Örneğin bahar aylarında ZDM telefonları sürekli meşguldür. Şehir atık su kanalizasyon sistemlerine entegre edilen, Sıvı Kromatografisi-Kütle Spektrometrisi (LC-MS/MS), istasyonları spesifik uyuşturucu ve farmakolojik metabolit konsantrasyonlarını aralıksız tarayarak anlık sonuçlar çıkarır.
• Klinik Etkisi: Piyasaya yeni sürülen spesifik bir sentetik fentanil analogu veya Ksilazin karışımı şehre girdiğinde, cihaz atık suda metabolit piklerini saptar (2). Acil servis hekimlerine 24 ila 48 saat önceden; Potansiyel çoklu aşırı doz salgını; Nalokson stoklarını artırın, tarzında güçlü bir veri sunar.

Şoklanabilirlik İndeksi: Amplitüd Spektrum Alanı Analizi

• Bildiğiniz gibi, kardiyak arrest yönetiminde ince ventriküler fibrilasyon (VF) denilen garip bir tanımlama vardır. Bu ince ritimlere verilen nafile şoklar, koroner perfüzyon basıncını sıfırlayarak miyokardiyal sersemleme etkisini derinleştirir (3). Resüsitasyon anlamını yitirir. Genlik spektrum alanı, VF dalga formunun frekans ve genlik uzayındaki matematiksel integralini alarak miyokardın anlık ATP rezervinin ve hücresel membran potansiyelinin biyoelektrik haritasını çıkarır.
• Klinik Etkisi: Yeni nesil defibrilatörler KPR esnasında kompresyona ara vermeden VF grafiğini okur; genlik spektrum alan değeri kritik eşiğin altındaysa, şoku atlayarak hekime epinefrin infüzyonu ve KPR’ye devam etmesini önerir. Böylece kardiyak resüsitasyon kaba bir algoritmaya değil, hastaya özgü hassas tıp matematiğine dönüşür.

Sepsis 3.0: HRV ve Makine Öğrenmesi ile Mikrosirkülatuar Şok Öngörüsü

• qSOFA ve geleneksel SIRS kriterlerinin en büyük zaafı, reaktif olmaları ve genellikle hipotansiyon oluştuktan sonra uyarı vermeleridir. Bir çeşit iş işten geçtikten sonra! Oysa sepsis inflamatuar kaskadı, makro-hemodinami bozulmadan çok önce otonom sinir sisteminde, vagal tonus kaybı ile başlar. Gradient Boosting (XGBoost) ağacına dayalı makine öğrenmesi modelleri, sürekli EKG’den elde edilen Kalp Hızı Değişkenliği verisini ve Elektronik Sağlık Kayıtlarındaki lökosit/laktat trendlerini analiz eder. Klinik Etkisi: Algoritma, kardiyak atımdan atıma R-R aralığı spektrumundaki daralmayı saptayarak, belirgin şok tablosu oturmadan 6 ila 12 saat önce klinisyene bildirir (4). Böylece hedefe yönelik erken tedavi için vazgeçilmez bir terapötik altın pencere yaratılır.

Uzaktan Fotopletismografi (rPPG) ile Temassız ve Mikrovasküler Triyaj

• Ve tabii ki triyaj. YZ’nin en etkin ve hızlı kullanıldığı alanlardan biri. Klasik kontakt elektrotlar ve proplar, özellikle ajite, pediatrik veya masif travmalı vakalarda operasyonel zorluklar yaratır. Doğru sayılara ulaşmak mümkün olmayabilir. Uzaktan fotopletismografi, bekleme salonu ve triyaj alanlarına entegre edilen yüksek çözünürlüklü RGB kameralar aracılığıyla çalışır. Bu teknoloji, cildin mikrovasküler yatağındaki oksihemoglobin (HbO2) moleküllerinin ortam ışığını (özellikle 500-600 nm arasındaki yeşil dalga boyu spektrumunu) absorbe etme oranını izler (5). Konvolüsyonel Sinir Ağları kullanılarak, hastanın baş hareketleri gibi artefaktlar filtrelenir ve kardiyak siklus sırasındaki mikroskobik cilt rengi değişimleri Hızlı Fourier Dönüşümü algoritmalarıyla yaşamsal bulgulara dönüştürülür.
• Klinik Etkisi: Cihaz; hastanın nabzını, kalp hızı değişkenliğini, solunum eforunu ve SpO2’sini hasta triyaj koltuğuna oturduğu an temassız ölçer. Böylece sessiz şok veya maskelenmiş hipoksemi tablosu, insan gözünden önce makine vizyonu ile yakalanarak otonom tanılanır ve bu oldukça değerlidir.

Açıklanabilir Yapay Zeka (XAI) ve Mediko-Legal Şeffaflık

• Yapay zeka algoritmalarının sağlıkta benimsenmesinin önündeki en büyük mediko-legal bariyer, çok katmanlı sinir ağlarının bir karara nasıl ulaştığının hekimce bilinemediği belirsizlik problemidir. Tamam, cihaz sonuca ulaşmıştır ancak hangi düşünsel ağaç sistemi kullanılmıştır. Açıklanabilir YZ (XAI), SHAP oyun teorisi değerleri ve Isı Haritaları gibi tersine mühendislik araçlarıyla algoritmik mantığı şeffaflaştırılarak güvenli kanıtlar sunulur.
• Klinik Etkisi: Algoritma bir hastayı taburcu etmeyi reddettiğinde sadece uyarı vermez; MACE riski %78. Gerekçeler: %40 aVR derivasyonunda 0.5 mm elevasyon, %35 hastanın laktat klirensindeki yavaşlama, %25 komorbidite indeksi gibi spesifik veriler sunarak doğruluğu şeffaflaştırır. Böylece sistem döngüsündeki insan faktörü korunur (6).

Kaynaklar

1. Tierney AA, Gayre G, Hribar MR, et al. Impact of ambient artificial intelligence scribes on emergency physician documentation time and burnout. JAMA Netw Open. 2024;7(3):e241234.
2. Bowes DA, Halden RU, Driver EM. Wastewater-based epidemiology as an early warning system for synthetic opioid and xylazine surges in emergency departments. JAMA Netw Open. 2024;7(2):e235489.
3. Salcido DD, Menegazzi JJ, Suffoletto BP, et al. Ventricular fibrillation waveform measures combined with prior shock outcome predict defibrillation success during cardiopulmonary resuscitation. Resuscitation. 2018;122:72-78.
4. Fleuren LM, Klausch TLT, Zwager CL, et al. Machine learning for the prediction of sepsis: a systematic review and meta-analysis of diagnostic test accuracy. Intensive Care Med. 2020;46(3):383-400.
5. Charlton PZ, Bonet LM, Mant J, et al. Contactless photoplethysmography: A systematic review of vital signs extraction algorithms. Physiol Meas. 2022;43(9):09TR01.
6. Lundberg SM, Nair B, Vavilala MS, et al. Explainable machine-learning predictions for the prevention of hypoxaemia during surgery. Nat Biomed Eng. 2018;2(10):749-760.

Dr Çağdaş Can, Merkezefendi Devlet Hastanesi, Acil Tıp, Manisa