Kapak görseli yapay zekâ ile üretilmiş temsili bir editoryal görseldir; gerçek hasta veya tanısal görüntü değildir.
30 Saniyede Özet
Parlak bir AUC değeri, zayıf raporlanmış bir tahmin modelini bile ikna edici gösterebilir. TRIPOD+AI, bu tür çalışmaların neyi eksiksiz yazması gerektiğini sıralayan 27 maddelik bir raporlama kılavuzudur. Kalite puanı üretmez; kaliteyi ve yanlılık riskini tartmak için 2025'te yayımlanan PROBAST+AI kullanılabilir. Bu yazı, TRIPOD+AI maddelerini hekimin sorabileceği yedi pratik soruya çeviriyor.
TRIPOD+AI tam olarak nedir, ne değildir?
TRIPOD+AI, klinik tahmin modeli (bir hastanın belirli bir sonucu yaşama olasılığını hesaplayan araç) geliştiren ya da değerlendiren çalışmalar içindir. Collins ve arkadaşları kılavuzu 2024'te BMJ'de yayımladı. Kılavuz, regresyonu ve makine öğrenmesini (verideki örüntüleri otomatik öğrenen yöntemler) birlikte kapsar. 2015 tarihli TRIPOD'un yerini alır ve eski listenin artık kullanılmamasını önerir.
Ana liste 27 maddeden oluşur, özet için ayrıca 13 maddelik kısa bir liste vardır. Yazarlar, listenin bir kalite değerlendirme aracı olmadığını açıkça belirtir. Yani "TRIPOD+AI'a uygun raporlandı" ifadesi, modelin iyi olduğu anlamına gelmez. Yalnızca modeli yargılamak için gereken bilgilerin yazıldığını gösterir.
Makaleyi okurken hangi yedi soruyu sormalısınız?
Aşağıdaki sorular, TRIPOD+AI maddelerini masa başında kullanılabilir hâle getirir. Her birinin yanıtı yöntem ya da bulgular bölümünde açıkça yazılı olmalıdır.
Model kimin için, hangi ortamda geliştirildi? Hedef popülasyonu ve bakım ortamını arayın. Yoğun bakımda geliştirilen bir model, aile hekimliği polikliniğinde aynı davranmayabilir.
Sonuç nasıl tanımlandı, ne zaman ölçüldü? "Kötüleşme" gibi bir sonucun hangi ölçüte göre ve hangi zaman penceresinde belirlendiğine bakın. Tahmin anı ile sonuç arasındaki süre belirsizse, modelin klinik anlamı da belirsizdir.
Veri nereden ve hangi tarihlerden geldi? Kılavuz, veri kaynaklarının ve toplama tarihlerinin yazılmasını ister. Yıllar önceki veriyle eğitilmiş bir model, bugünkü uygulamayı yansıtmayabilir.
Eksik veri nasıl ele alındı? Eksik değeri olan hastaların sessizce dışlanması, örneklemi olduğundan farklı gösterebilir. Hangi yöntemin kullanıldığı açıkça yazılmalıdır.
Doğrulama iç mi, dış mı? İç doğrulama, modelin aynı kaynaktan ayrılmış hastalarda test edilmesidir ve iyimser sonuç verebilir. Dış doğrulama (başka merkez ya da dönemden hastalarda test) genellenebilirlik için daha güçlü kanıttır.
Hem ayırt edicilik hem kalibrasyon raporlandı mı? Ayırt edicilik (modelin olayı yaşayanla yaşamayanı sıralama becerisi) genellikle AUC ile verilir. Kalibrasyon (tahmin edilen riskin gerçekleşen riske uyması) için bir grafik bekleyin.
Alt gruplar, kod ve kullanım amacı açık mı? Kılavuz, performansın önemli alt gruplarda, örneğin sosyodemografik gruplarda incelenmesini ister. Protokol, veri ve kod paylaşımına dair maddeler de vardır. Son olarak modelin hangi karar için ve kim tarafından kullanılacağı yazılmalıdır.
Neden yalnızca AUC'ye bakmak yetmez?
Van Calster ve arkadaşları, kalibrasyonu tahmin modellerinin en zayıf halkası olarak tanımlar. İki model benzer AUC'ye sahipken, biri riski sistematik olarak fazla tahmin edebilir. Bu durumda aynı tedavi eşiği çok daha fazla hastayı tedavi grubuna sokabilir.
Yazarlar ayrıca hasta profili ve hastalık sıklığı değiştikçe kalibrasyonun bozulabileceğini vurgular. Bu yüzden makalede dış doğrulama ve kalibrasyon grafiği birlikte aranmalıdır.
Bir senaryo: Serviste "kötüleşme riski" modeli
Şöyle bir durum düşünün. Bir firma, dahiliye servisinde klinik kötüleşmeyi öngördüğünü söyleyen bir model sunuyor. Broşürde yüksek bir AUC ve bir makale künyesi var. Makaleyi açtığınızda, modelin tek bir yabancı hastanenin verisiyle geliştirildiğini ve aynı hastanede test edildiğini görüyorsunuz.
Dış doğrulama yok, kalibrasyon grafiği de verilmemiş. Bu boşluk küçük bir ayrıntı değildir. Wong ve arkadaşları, yaygın kullanılan tescilli bir sepsis modelini Michigan Üniversitesi hastanelerinde bağımsız olarak test etti. AUC 0,63 bulundu ve model, seçilen eşikte sepsis vakalarının üçte ikisini kaçırırken yatışların %18'inde uyarı üretti.
PROBAST+AI neyi tamamlar?
TRIPOD+AI neyin yazılması gerektiğini söyler, PROBAST+AI ise çalışmanın ne kadar güvenilir olduğunu sorgular. Moons ve arkadaşları aracı 2025'te BMJ'de yayımladı. Araç, 2019 tarihli PROBAST'ın güncellemesidir ve regresyon ile yapay zekâ modellerini birlikte kapsar.
PROBAST+AI iki bölümden oluşur: model geliştirme ve model değerlendirme. Geliştirme bölümünde 16, değerlendirme bölümünde 18 işaret sorusu (kaliteyi ya da yanlılık riskini yargılamaya yardım eden yönlendirici soru) vardır. Sorular katılımcılar ve veri kaynakları, prediktörler, sonuç ve analiz alanlarında toplanır. Sistematik derleme okurken yazarların böyle bir araç kullanıp kullanmadığına bakın.
Yarın kullanabileceğiniz kontrol listesi
- Hedef popülasyon ve bakım ortamı sizin hastalarınıza benziyor mu?
- Sonucun tanımı ve zaman penceresi açıkça yazılmış mı?
- Veri kaynakları, tarihleri ve eksik veri yöntemi belirtilmiş mi?
- Başka bir merkezde ya da dönemde dış doğrulama yapılmış mı?
- AUC'nin yanında kalibrasyon grafiği ve alt grup sonuçları var mı?
- Kod, model erişimi ve kullanım amacı tanımlanmış mı?
Türkiye'deki hekim için ne anlama geliyor?
Türkiye'de tıbbi cihaz alanındaki düzenleyici kurum Türkiye İlaç ve Tıbbi Cihaz Kurumu'dur (TİTCK). Kurumun mevzuat sayfasında yer alan 2021 tarihli Tıbbi Cihaz Yönetmeliği, AB'nin 2017/745 sayılı tüzüğüyle uyumlu hazırlanmıştır. Ancak mevzuata uygunluk, bir modelin sizin hastalarınızda iyi kalibre olduğunu göstermez.
6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK), sağlık verisini özel nitelikli kişisel veri sayar. Kendi hastanenizde yerel bir doğrulama planlıyorsanız, veri işleme koşullarını baştan hukuk birimiyle netleştirin.
Sık sorulan sorular
TRIPOD+AI'a uyan bir makale iyi bir model mi sunar?
Hayır. TRIPOD+AI yalnızca raporlamanın eksiksizliğini hedefler ve bir kalite puanı üretmez. Yanlılık riskini PROBAST+AI gibi bir araçla ayrıca değerlendirmek gerekir.
Makalede yalnızca AUC verilmişse ne düşünmeliyim?
AUC, modelin hastaları doğru sıralayıp sıralamadığını gösterir, risk yüzdelerinin doğruluğunu göstermez. Kalibrasyon grafiği yoksa modelin verdiği yüzdeye dayanarak tedavi kararı vermek risklidir. TRIPOD+AI da performans ölçütlerine örnek olarak ikisini birlikte sayar.
Dış doğrulama varsa model güvenilir midir?
Dış doğrulama önemli bir adımdır ama tek başına yeterli değildir. Doğrulama yapılan merkezin sizin hastanenize ne kadar benzediğine bakın. Hasta profili zamanla değiştiği için kullanım sırasında izleme de gerekir.
Kaynaklar
- Collins GS ve ark. (2024) — TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods (BMJ): https://doi.org/10.1136/bmj-2023-078378
- Moons KGM ve ark. (2025) — PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods (BMJ): https://doi.org/10.1136/bmj-2024-082505
- Van Calster B ve ark. (2019) — Calibration: the Achilles heel of predictive analytics (BMC Medicine): https://doi.org/10.1186/s12916-019-1466-7
- Wong A ve ark. (2021) — External validation of a widely implemented proprietary sepsis prediction model in hospitalized patients (JAMA Internal Medicine): https://doi.org/10.1001/jamainternmed.2021.2626
- Türkiye İlaç ve Tıbbi Cihaz Kurumu (2021) — Tıbbi cihaz mevzuatı: https://www.titck.gov.tr/faaliyetalanlari/tibbicihaz/tibbi-cihaz-mevzuati
- T.C. Resmî Gazete (2016) — 6698 sayılı Kişisel Verilerin Korunması Kanunu: https://www.mevzuat.gov.tr/mevzuatmetin/1.5.6698.pdf
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
TRIPOD+AI bir kalite puanı değil, raporlama kılavuzudur. Tahmin modeli makalesini yedi pratik soruyla okuyun; PROBAST+AI ile yanlılık riskini ayrıca tartın.