Hastane öncesi inme triyajında yapay zekâ ne katıyor?

İnmede her dakika önemli. Büyük damar tıkanıklığı (LVO, ön dolaşımdaki ana beyin arterlerinden birinin kapanması) olan hasta, trombektomi yapabilen merkeze doğrudan gitmeli. Kafa içi kanama (intrakraniyal kanama, İKK) da farklı bir yönetim gerektiriyor.

Leiden Üniversitesi Tıp Merkezi öncülüğündeki Hollandalı ekip, 5 Eylül 2026'da European Stroke Journal'da sonuçlarını yayımladı. Ekip, 2018–2019 arasında ambulans ekiplerince başlatılan inme kodlarını inceledi. Veriler Leiden ve PRESTO adlı iki hastane öncesi inme çalışmasından geliyordu.

Norveç'te Haukeland Üniversite Hastanesi ekibi, bulgularını 11 Eylül 2026'da International Journal of Medical Informatics'te çevrim içi yayımladı. Ekip, Bergen acil tıbbi iletişim merkezine 2019 ve 2022'de gelen çağrıları kullandı.

Her iki makalenin de yalnızca özetine erişebildik. Aşağıdaki rakamlar çalışmaların özetlerine göre verilmiştir.

Hollanda çalışmasında 3.320 hasta vardı ve 538'inde (%16) ön dolaşım LVO'su ya da İKK saptandı. Üç yöntem karşılaştırıldı. Bunlar XGBoost adlı bir makine öğrenmesi algoritması, klasik lojistik regresyon ve RACE ölçeğiydi.

RACE (Rapid Arterial oCclusion Evaluation), yüz felci, kol ve bacak gücü, bakış ve afazi ya da agnozi maddelerinden oluşan bir saha ölçeği. Rutin ambulans değişkenleriyle dengeli doğruluk XGBoost'ta %82,1, regresyonda %79,0, RACE'te %74,5 çıktı. Tıbbi öykü, antikoagülan kullanımı ve hasta başı INR eklenince değerler %84,4 ve %80,7'ye yükseldi.

Özete göre makine öğrenmesi modeli en yüksek duyarlılığa (%76,7) ve özgüllüğe (%92,1) ulaştı. Kalibrasyon, yani tahmin edilen risklerin gerçek oranlarla örtüşmesi, iki modelde de iyiydi, ancak Brier skoru regresyonda daha düşüktü. Modeller iki veri seti arasında çapraz doğrulandı. Yazarlar mutlak kazancın sınırlı kaldığını ve ek dış doğrulama gerektiğini belirtiyor.

Norveç çalışması geriye dönük bir tanısal doğruluk çalışması. Önce 473 ses kaydıyla Norveççe konuşma tanıma modeli ince ayar gördü. Kelime hata oranı %8,3'ten %7,2'ye indi.

Ardından etiketlenmiş 2.627 çağrıyla sınıflama modeli geliştirildi. Model, çağrı dökümünü hastane verisi, laboratuvar sonuçları ve ilaç bilgisiyle birleştirdi.

İnme sınıfı için F1 skoru (duyarlılık ve kesinliği birlikte özetleyen ölçü) modelde 0,77, operatörde 0,73 oldu. Eğri altındaki alan 0,86'ydı. %1,2 inme sıklığı varsayımında model 1.000 çağrıda yaklaşık 26, operatör 36 yanlış alarm üretecekti.

Gerçek zamanlı kullanım benzetiminde F1 skoru ilk 30 saniyede 0,68 iken 90 saniyeye gelindiğinde 0,85'e çıktı. Doğrulama yalnızca iç veriyle yapıldı. Yazarlar klinik kullanımdan önce daha büyük veri setlerinde dış doğrulama istiyor.

Norveç ekibi çıkar çatışması bildirmedi. Hollanda çalışmasının çıkar beyanı PubMed özetinde yer almıyor.

Bu iki çalışma, hastane öncesi inme triyajında yapay zekânın büyük bir sıçrama değil, küçük ama anlamlı bir iyileştirme vaat ettiğini gösteriyor. Hollanda'da regresyon modelinin bile RACE'i geçmesi dikkat çekici. Kazancın bir kısmı algoritmadan çok ek bilgiyi hesaba katmaktan geliyor olabilir.

Acil servis ve inme ekipleri için pratik dersler şöyle:

• Dengeli doğruluk artışı, sahada kaçan LVO sayısını ne kadar azaltıyor, ayrıca sorulmalı.
• Ayırım gücü kadar kalibrasyona da bakılmalı, çünkü kötü kalibre bir model riski yanlış gösterir.
• Çağrı tabanlı modeller hasta kaydına erişim gerektiriyor, bu da veri yönetişimi sorusu doğuruyor.
• Yanlış alarm oranı, ambulans ve merkez kapasitesi üzerinden değerlendirilmeli.
• Her iki model de henüz ileriye dönük bir çalışmada sınanmadı.

Türkiye'de acil sağlık çağrıları 112 üzerinden karşılanıyor. Benzer bir çağrı destek modelinin burada kullanılması, Türkçe konuşma tanıma ve yerel verilerle yeniden eğitim gerektirir. Bu iki çalışmanın sonuçları Türkiye verisine doğrudan aktarılamaz.

Norveç modelinin gücü, çağrı dökümünü hastanın hastane kaydıyla birleştirmesinden geliyordu. Benzer bir eşleştirme, çağrı merkezi ile hastane kayıtları arasında veri paylaşımı gerektirir. Kişisel Verilerin Korunması Kanunu (KVKK) sağlık verisini özel nitelikli saydığı için bu paylaşımın hukuki dayanağı baştan kurulmalı. Hollanda modeli ise yalnız ambulans ekibinin topladığı verilerle çalıştığı için yerel olarak sınanması daha kolay olabilir.