Makine öğrenmesi (ML), kalp cerrahisi risk tahmininde son yıllarda hızla büyüyen bir araştırma alanı. Yayımlanan karşılaştırmalar ML modellerinin geleneksel skorlardan daha yüksek ayrım gücüne ulaştığını gösteriyor; ancak biyoistatistik açısından asıl soru, bu sayının ne kadar yüksek olduğu değil, modelin ne kadar güvenilir ve kullanıma hazır olduğudur. Klinik kullanım kararının yorumu doğal olarak cerrahi ekibin alanıdır; burada tartışılan, ML'in sayısal vaadi ile metodolojik hazırlığı arasındaki farktır.
ML ne vaat ediyor?
Sayısal tablo, ML lehine bir ayrım üstünlüğü gösteriyor. İki meta-analiz, ML modellerinin havuzlanmış ayrım gücünü geleneksel lojistik regresyonun bir miktar üzerinde bildiriyor: 15 çalışma ve 134.230 vakalık bir analizde ML için 0,88 (%95 GA 0,83–0,93), lojistik regresyon için 0,81; 51 çalışmalık Penny-Dimri analizinde ise ML için 0,81 (%95 GA 0,78–0,84), lojistik regresyon için 0,79 (Iacobescu ve ark., 2026'da aktarıldığı şekliyle; doi:10.3390/medicina62030606). Tekil çalışmalar da benzer yöndedir. Çin'de 21.443 hastalık çok merkezli bir CABG kayıt sisteminde (registry) geliştirilen XGBoost modeli bağımsız test kohortunda 0,782 AUC ile EuroSCORE II'nin (0,722) ve yerel SinoSCORE'un (0,726) önüne geçti (Zhu ve ark., 2026; PMID 42184411; doi:10.2196/80671). İlk bakışta tablo nettir; ancak istatistiksel okuma birkaç ek soru gerektirir.
"Daha yüksek AUC" hazır olmak mıdır?
İki nokta bu üstünlüğü bağlama oturtur. Birincisi, geliştirme kohortundaki performans gerçek dünya performansını abartır; aynı XGBoost modeli eğitim kohortunda 0,850, bağımsız test kohortunda ise 0,782 AUC verdi (Zhu ve ark., 2026; doi:10.2196/80671). Bu fark, bir modelin kendi eğitildiği veride doğal olarak daha iyi göründüğünü ve dürüst ölçümün bağımsız bir kohortta yapılması gerektiğini hatırlatır. Bu, ML için geleneksel skorlardan daha kritiktir, çünkü esnek algoritmalar veriye aşırı uyuma daha yatkındır. Üstelik buradaki "bağımsız test kohortu", aynı kayıt sisteminden rastgele ayrılmış bir iç test kümesidir (hold-out), gerçek bir dış (harici) validasyon değildir; nitekim yazarlar gelecekte "farklı hastane düzeylerinden bağımsız test kohortlarında" doğrulama gerektiğini belirtir (Zhu ve ark., 2026; doi:10.2196/80671). Bu, ML'in dış validasyon açığını modelin kendi örneğiyle de gösterir.
İkincisi, yazarlar özette sonucun "yerel olarak kalibre edilmiş modellerin Çinli hastaların risk profilini daha iyi yakalayabileceğini" düşündürdüğünü belirtir, tartışmada bunu makine öğrenmesiyle geliştirilmiş yerel modellere bağlar ve karşılaştırılan skorların sonlanım tanımlarının farklı olduğunu da kaydeder (Zhu ve ark., 2026; doi:10.2196/80671). İstatistiksel açıdan kesişim ve eğim düzeyindeki yerel yeniden kalibrasyon, tahmin edilen riskleri gözlenene yaklaştırır ama hastaların sıralamasını, dolayısıyla ayrım gücünü (AUC) değiştirmez. Yerel veriyle geliştirilmiş SinoSCORE'un AUC'sinin (0,726) EuroSCORE II'ninkine (0,722) çok yakın olması da yerelliğin tek başına ayrımı artırmadığını gösterir. XGBoost'un üstünlüğü ise aynı kayıt sisteminden ayrılan bir iç test kümesinde ölçülmüş olmasından da kaynaklanabilir; dış validasyon olmadan bu üstünlük algoritmaya bağlanamaz. Yani buradaki ders "ML, geleneksel skordan üstündür" değil; yerel kalibrasyon riskleri o popülasyona uyarlar ama ayrımı iyileştirmez. Bu, ML olsun geleneksel olsun her model için geçerlidir; bir skorun başka bir popülasyona aktarılmadan önce hem ayrım hem kalibrasyon yönünden yerel olarak değerlendirilmesi gerektiğini de bir kez daha gösterir; adımları yerel validasyon rehberi anlatıyor.
ML'in henüz aşamadığı engeller
ML'in vaadini pratikten ayıran şey, derleme literatürünün açıkça sıraladığı bir dizi metodolojik engeldir (Iacobescu ve ark., 2026; doi:10.3390/medicina62030606). Birincisi dış validasyon eksikliğidir; çalışmaların önemli bir kısmı tek merkez verisine dayanır ve harici kohortlarda doğrulanmamıştır. İkincisi yorumlanabilirliktir; modellerin bir tahmine nasıl ulaştığının şeffaf olmaması, kara kutu etkisi olarak adlandırılır. Üçüncüsü erişilebilirliktir; bu modeller hesaplama gereksinimleri nedeniyle her kuruma uygulanabilir olmayabilir. Dördüncüsü kararlılıktır; derleme, ML modellerinin performansının da zaman içinde lojistik regresyona benzer büyüklükte kaydığını (temporal drift) aktarır. Yani ML, geleneksel skorların yaşadığı kalibrasyon kaymasından muaf değildir. Derleme bu nedenle ML için küresel kullanımdan önce dış validasyon, yorumlanabilirlik ve erişilebilirlik sorunlarının çözülmesi gerektiği sonucuna varır.
Bu çekinceler ML'e özgü bir karamsarlık değil, yeni bir aracın olgunlaşma sürecidir. Nitekim yukarıdaki Çin çalışmasının yazarları bile geliştirdikleri aracı "keşfedici/yardımcı" olarak niteler ve cerrahi karara doğrudan etkisinin ileri prospektif validasyon gerektirdiğini belirtir (Zhu ve ark., 2026; doi:10.2196/80671).
Geleneksel skorların elindeki şey: birikmiş validasyon
EuroSCORE II'nin bugünkü değeri, en yüksek ayrım gücüne sahip olması değil; yıllar içinde geniş, çok merkezli, farklı popülasyonlarda dış validasyondan geçmiş olması, sınırlarının bilinmesi, katsayılarının şeffaf biçimde yayımlanmış olması ve herhangi bir kurumda kolayca hesaplanabilmesidir. Bir model, sınırları bilinen ve şeffaf olduğunda, kara kutu bir modelin yüksek ama doğrulanmamış AUC'sinden klinik açıdan daha güvenli olabilir. Bu nedenle ML umut verici bir ufuk olmayı sürdürürken, EuroSCORE II günlük pratikte uygulanabilir bir standart olmaya devam ediyor EuroSCORE II rehberi. Üç skorun (EuroSCORE II, STS, ACEF) karşılaştırmasını ayrı bir yazıda ele aldık STS-PROM, EuroSCORE II ve ACEF karşılaştırması.
Tahmin modellerinin kurulumu ve performans raporlaması için ileri istatistik modelleme sayfamızı inceleyebilirsiniz.
İstatistikçi açısından sonuç
ML'in vaadi ile hazırlığı arasındaki fark, esasen bu modellerin geleneksel skorların yıllar içinde geçtiği dış validasyon, kalibrasyon ölçümü, şeffaf raporlama ve zaman içinde kararlılığın sınanması adımlarından henüz geçmemiş olmasıdır. Bir ML modelinin klinik değere ulaşması, daha karmaşık bir algoritmadan değil, tam da bu doğrulama adımlarından geçer. Bağımsız kohortta validasyon, kalibrasyon analizi ve raporlamanın TRIPOD'a uygun istatistiksel bileşenleri biyoistatistiğin işidir; bir model geliştirme ya da doğrulama çalışmasında bu süreçte yanınızda olabiliriz biyoistatistik hizmetlerimiz. Bir skoru kendi merkezinizde nasıl valide edeceğinizi ayrı bir yazıda ele aldık yerel validasyon rehberi.
Not: Buradaki değerlendirme istatistiksel yöntem ve performansla sınırlı; bir modelin klinik kullanımına ilişkin karar ilgili klinik ekibin alanıdır.
Kullanılan kaynaklar
- Zhu K, Lu W, Liu S, Lin H, Hou J. An In-Hospital Mortality Risk Model for Patients Undergoing Coronary Artery Bypass Grafting Based on Machine Learning: Cohort Study. JMIR Form Res. 2026;10:e80671. PMID 42184411 · DOI
- Iacobescu RA, Lunguleac T, Antoniu S, ve ark. Risk Stratification for Postoperative Mortality in Cardiac Surgery: "Quo Vadis"? Medicina (Kaunas). 2026;62(3):606. PMID 41901686 · DOI