Gebelikte Yapay Zeka Öngörü Modelleri: Preeklampsi, Preterm Doğum ve Gestasyonel Diyabet

Obstetride en değerli bilgi, henüz olmamış bir olayı önceden bilmektir. Preeklampsiyi 11. haftada öngörebilseydik aspirin profilaksisini doğru hastaya zamanında başlatabilir; preterm doğum riskini erken saptasaydık doğum öncesi kortikosteroid ve sevk kararlarını planlayabilirdik. Geleneksel risk skorları (anamnez, kan basıncı, biyobelirteçler) bu işi kısmen yapıyor; ancak son üç yılda yapay zeka, çok sayıda değişkeni aynı anda tartarak öngörü doğruluğunu artırma iddiasıyla sahneye çıktı. Bu yazıda preeklampsi, erken doğum ve gestasyonel diyabette AI öngörü modellerinin nereye geldiğini ve nerede dikkatli olunması gerektiğini güncel kanıtlarla inceliyorum.

Preeklampsi Öngörüsü: En Çok Çalışılan Alan

Preeklampsi, maternal ve perinatal mortalitenin önde gelen nedenlerinden ve tam da bu yüzden AI araştırmalarının en yoğun olduğu obstetrik konu. 2020–2025 arası yayımlanan ve makine öğrenmesi modellerini geliştirip doğrulayan 11 çalışmayı kapsayan sistematik bir derleme, toplam 116.253 gebeliği içeriyor. Çalışmalar ABD, Güney Kore, Çin, Romanya, Meksika, Avustralya ve İspanya gibi coğrafi olarak çeşitli bölgelerden — bu, obstetrik bakımda yapay zekânın küresel bir çabaya dönüştüğünü gösteriyor.

Modeller neyi girdi olarak kullanıyor?

Güncel yaklaşımların ortak mantığı: maternal demografik bilgiler, biyofiziksel parametreler (özellikle ortalama arter basıncı) ve birinci trimester biyokimyasal belirteçlerini birleştirerek erken saptamayı güçlendirmek. Bu, aslında uzun süredir bilinen "kombine tarama" mantığının makine öğrenmesiyle ölçeklenmiş hali.

Triyajı keskinleştiren bir örnek: PIERS

Bir başka uygulamada makine öğrenmesi tabanlı PIERS (Pre-eclampsia Integrated Estimate of Risk) modeli, gebeleri kısa vadeli ciddi sonuç açısından çok düşük ile çok yüksek risk uçlarına klinik yargıdan daha net ayırıyor. Bunun pratik karşılığı önemli: hangi hastanın sevk edileceği, hangisinin yoğun bakım hazırlığı gerektireceği, hangisinin güvenle izlenebileceği kararlarında triyajı keskinleştirme potansiyeli.

Preterm Doğum Öngörüsü

Erken doğum, neonatal morbidite ve mortalitenin en büyük tek nedeni. AI modelleri burada elektronik sağlık kaydı verilerini, servikal uzunluk ölçümlerini ve biyobelirteçleri birleştirerek risk katmanlaması yapmaya çalışıyor. Bu alandaki modeller genellikle preeklampsi modelleriyle aynı altyapıyı paylaşıyor; nitekim PROMPT gibi bazı modeller hem preeklampsiyi hem preterm sonlanımları aynı çatı altında öngörüyor. Yine de preterm doğumun çok-nedenli (enfeksiyon, mekanik, idiyopatik) yapısı, tek bir modelin tüm yolları yakalamasını güçleştiriyor — bu, dürüstçe söylenmesi gereken bir sınırlılık.

Gestasyonel Diyabet (GDM) Öngörüsü

Gestasyonel diyabet, geç saptandığında hem anne hem bebek için risk taşır; erken öngörü, yaşam tarzı müdahalesi ve sıkı takip için zaman kazandırır. AI tabanlı yüksek riskli gebelik öngörü çerçeveleri, GDM'yi de demografik ve erken gebelik verileriyle modellemeye çalışıyor. Buradaki temel klinik kazanç, taramayı herkese aynı anda değil, riski yüksek gruba önceliklendirerek yapma olasılığı.

Tablo: Öne Çıkan Preeklampsi AI Modelleri

"Yüksek AUC" Tuzağı: Doğruluk ≠ Fayda

Bu modellerin en sık yanlış okunan yanı, etkileyici AUC değerlerinin otomatik olarak klinik fayda anlamına geldiğinin sanılması. Oysa güncel literatürün kendisi bu konuda temkinli. Üç noktanın altını çizmek gerekir:

• Dengesiz veri ve dış doğrulama: Preeklampsi gibi göreceli olarak nadir sonlanımlarda veri dengesizdir; yeniden örnekleme ve topluluk (ensemble) yöntemleri gerekir. Bir modelin geliştirildiği merkezde iyi çalışması, başka bir popülasyonda aynı performansı vereceği anlamına gelmez — dış doğrulama şarttır.
• Anksiyete ve ayrımcılık riski: Güncel bir analiz, AI tabanlı yüksek riskli gebelik öngörüsünün erken saptama ile gereksiz anksiyete ve damgalanma/ayrımcılık arasında bir denge gerektirdiğini vurguluyor. "Yüksek riskli" etiketi yanlış pozitifse, hastaya zarar verebilir.
• Müdahale zinciri: Bir öngörü, ancak ardından etkili bir müdahale (örneğin doğru zamanda aspirin) varsa değerlidir. Öngörü doğru ama yapılacak bir şey yoksa, model sadece kaygı üretir.

Klinik Perspektif

Bir kadın doğum uzmanı olarak bu modelleri "karar veren" değil, "dikkatimi yönlendiren" araçlar olarak görüyorum. PROMPT'un retinal yaklaşımı ya da PIERS'ın triyaj keskinliği gerçekten heyecan verici; ancak bunları kendi hastalarıma uygularken sorduğum soru hep aynı: Bu model benim popülasyonumda doğrulandı mı, ve verdiği bilgiyle elimde değiştirebileceğim bir karar var mı? Yapay zeka, preeklampsi ve erken doğum gibi alanlarda obstetriğin en güçlü erken uyarı sistemlerinden biri olmaya aday — yeter ki onu doğruluk rakamlarına değil, hastaya kattığı somut faydaya göre değerlendirelim.