GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 17 Kasım 2026 · Bağımsız Editoryal Ağ
Klinik Rehber

Kalp Cerrahisi Sonunda Rutin Perioperatif Değişkenlerle Akut Böbrek Hasarı Tahmini: 210 Makine Öğrenimi Kombinasyonundan Oluşan Önceden Belirlenmiş Bir Karşılaştırma

✍️ Editör Masası • 📅 16 Kasım 2026 • ⏱️ 25 dk okuma
Kalp Cerrahisi Sonunda Rutin Perioperatif Değişkenlerle Akut Böbrek Hasarı Tahmini: 210 Makine Öğrenimi Kombinasyonundan Oluşan Önceden Belirlenmiş Bir Karşılaştırma

Özet

Arka Plan:

Kalp cerrahisi sonrası akut böbrek hasarı (CSA-AKI) sık görülmesine rağmen geç tespit edilmektedir. Ameliyatın sonunda risk katmanlaması, böbrekleri zamanında korumaya olanak tanıyabilir; ancak çoğu makine öğrenmesi (ML) modeli ya ameliyat sonrası verileri kullanmakta ya da şeffaf, önceden belirlenmiş bir değerlendirme yönteminden yoksundur.

Yöntemler:

1.352 yetişkin kalp cerrahisi hastasından oluşan retrospektif tek merkezli bir kohortta (211’i AKI, %15,6), 32 rutin preoperatif ve intraoperatif (ameliyat sonuna kadar) değişkenden yola çıkarak AKI’yi öngördük. 210 kombinasyonu (beş özellik seçimi stratejisi × yedi algoritma × altı sınıf ağırlığı), sabit bir geliştirme kümesi (n = 1.081) üzerinde tekrarlanan katmanlı 5 katlı çapraz doğrulama (10 tekrar) ile karşılaştırdık; nihai modeli önceden belirlenmiş iki aşamalı bir kurala göre seçtik ve sabit bir test kümesi (n = 271) üzerinde tek kez değerlendirdik. Tarama odaklı bir eşik değeri (duyarlılık ≥0,80) önceden belirlendi. Ayrıca az örnekli transformer TabPFN, kararlılık seçimi, bootstrap iyimserlik düzeltmesi ve basit birleştirme yöntemlerini de yorumlanabilirlik için SHAP ile birlikte test ettik.

Sonuçlar:

Seçilen rastgele orman modeli (pozitif sınıf ağırlıklandırması, izotonik kalibrasyon), test kümesinde 0,722 AUC (%95 GA 0,634–0,799), %76,2 duyarlılık ve %51,5 özgüllük elde etti. Hiçbir model ailesi belirgin bir üstünlük göstermedi; cezalı doğrusal modeller de benzer genelleme yeteneğine sahipti ve küçük örneklem stratejileri veya birleştirme yöntemleri ayırt ediciliği artırmadı. Bootstrap düzeltmesi, gözlemlenen AUC’yi 0,965’ten düzeltilmiş 0,724’e düşürdü. Homosistein, SHAP önem sıralamasında birinci sırada yer aldı ve çok değişkenli lojistik regresyonda on bağımsız faktörden biri oldu.

Sonuç:

Rutin perioperatif değişkenler, kalp cerrahisi sonunda AKI’nin tarama odaklı ve yorumlanabilir bir şekilde öngörülmesini desteklemekle birlikte ayırt ediciliği sınırlıdır. Model üstünlüğünün olmaması sadeliği desteklerken, homosisteinin prospektif çalışmalarla araştırılması gerekmektedir; klinik kullanımdan önce dış doğrulama zorunludur.

Giriş

Kalp cerrahisiyle ilişkili akut böbrek hasarı (CSA-AKI), yaygın ve ciddi bir komplikasyondur (, ); bu durum mortaliteyi bağımsız olarak artırır, yoğun bakım süresini uzatır ve kronik böbrek hastalığına ilerlemeyi hızlandırır (, ). Müdahaleyi engelleyen temel bir faktör zamanlamadır: Tanı, genellikle hasara neden olan olaydan 48–72 h sonra, serum kreatininindeki artış veya oligüri ile ortaya çıkar; bu noktada hasarın büyük bir kısmı zaten oluşmuş olur (). Cerrahinin sonunda, hasta henüz ameliyathaneden ayrılmadan önce uygulanabilecek risk stratifikasyonu, erken böbrek koruması, hedefe yönelik hemodinamik yönetim ve fayda görmesi en muhtemel hastalarda yoğunlaştırılmış izleme için pratik bir fırsat sunacaktır.

Makine öğrenmesi (ML), CSA-AKI tahmininde baskın yaklaşım haline gelmiştir (); bu durum, CSA-AKI için geliştirilen ML tahmin modellerine ilişkin son sistematik incelemeler ve meta-analizlerde (, ) ve koroner müdahale sonrası böbrek komplikasyonları için yapılan çalışmalarda () da görülmektedir. Son modeller, dinamik perioperatif verileri entegre ederek (), çok merkezli kohortları birleştirerek () veya belirli cerrahi popülasyonlarda nomogramlar aracılığıyla () güçlü ayırt edicilik düzeylerine ulaşmaktadır. Bununla birlikte, iki sınırlama tekrarlanmaktadır. Birincisi, bildirilen en yüksek ayırt ediciliğe sahip modeller, ameliyat sonrası verilere [yoğun bakıma kabulden sonraki seri kreatinin, elektrolit ve hemodinamik değişiklikler ()] dayanmakta ve dolayısıyla AKI’yi gelişirken tanımlamakta, hasar oluşmadan önce riski stratifiye edememektedir; yalnızca preoperatif ve intraoperatif değişkenlerle sınırlı modeller ise daha erken ve daha uygulanabilir bir tahmin imkanı sunsa da daha düşük ayırt edicilikle sonuçlanmaktadır. İkincisi, birçok çalışmanın sonuçları tek bir özellik seçimi prosedürüne ve tek bir eğitim–test bölünmesine bağlıdır; şeffaf ve önceden belirlenmiş bir değerlendirme protokolü bulunmadığından, bildirilen performansı yeniden üretmek veya güvenilir kılmak zordur.

Bir diğer eksiklik ise metodolojik niteliktedir. Klinik makine öğrenmesi, büyük veri kümeleri üzerinde yapılan gösterimlerin hakimiyeti altındadır; ancak mütevazı veya küçük tablo tipi veri kümeleri için tasarlanmış yöntemlerin —özellikle önceden eğitilmiş az örnekli transformatör TabPFN ()— basit ve yorumlanabilir modellere kıyasla değeri, gerçek klinik veriler üzerinde hâlâ büyük ölçüde test edilmemiştir. Benzer şekilde, stabilite seçimi () ve bootstrap iyimserlik düzeltmesi () yoluyla titiz bir iç doğrulama yapılması önerilse de bu genellikle ihmal edilmekte, bu da gözlemlenen performansın sistematik olarak şişirilmiş kalmasına neden olmaktadır.

Aday öngörücüler arasında homosistein mekanizma açısından makul bir adaydır: hiperhomosisteinemi, oksidatif stresi ve endotel hasarını artırır, deneysel modellerde akut böbrek hasarının kronik böbrek hastalığına ilerlemesini hızlandırır () ve popülasyon çalışmalarında böbrek hastalığı ile ilişkilidir (). Ancak kardiyak cerrahiden sonraki akut böbrek hasarı (AKI) ile olan ilişkisi yalnızca sınırlı düzeyde incelenmiştir (, ); bu da onu nispeten az çalışılmış, fakat rutin olarak ölçülebilen bir ameliyat öncesi risk faktörü olarak konumlandırmaktadır.

Bu nedenle, yalnızca rutin ameliyat öncesi ve ameliyat içi değişkenleri kullanarak kardiyak cerrahinin sonunda ortaya çıkan CSA-AKI’yi öngörmek amacıyla tarama odaklı bir makine öğrenmesi modeli geliştirip içsel olarak doğruladık. Böylece grubumuzun kimyasal toksisite tahminindeki (, ) ve ilaç kaynaklı akut böbrek hasarındaki (–) önceki yorumlanabilir makine öğrenmesi çalışmalarını perioperatif risk katmanlamasına genişlettik. Tüm modelleme kararları, önceden belirlenmiş bir protokol çerçevesinde alındı (sabit bir geliştirme kümesi üzerinde tekrarlanan katmanlı çapraz doğrulama ile değerlendirilen ve sabit bir test kümesi üzerinde yalnızca bir kez incelenen 210 özellik-stratejisi, algoritma ve sınıf-ağırlığı kombinasyonundan oluşan bir referans noktası). Ayrıca, küçük örneklem stratejilerinin (TabPFN, stabilite seçimi ve bootstrap iyimserlik düzeltmesi) veya basit topluluk modellemenin ayırt ediciliği artırıp artırmadığını da test ettik; seçilen modeli yorumlamak için SHAP kullanıldı.

Yöntemler

Çalışma tasarımı ve katılımcılar

Bu tek merkezli retrospektif kohort çalışması, Ocak 2016 ile Aralık 2024 arasında Linyi Halk Hastanesi’nde kalp ameliyatı geçiren ardışık yetişkin hastaları kapsadı. Tüm prosedürler açık göğüs ameliyatlarıydı; minimal invaziv cerrahi çalışmaya dahil edilmedi. Ameliyattan önce mevcut akut böbrek hasarı (AKİ) olan hastalar dışlandı. Çalışma, Linyi Halk Hastanesi Bilim ve Teknoloji Etik Komitesi tarafından onaylandı (onay no. 202504-H-014) ve retrospektif tasarım nedeniyle bilgilendirilmiş onam zorunluluğundan muaf tutuldu. Makale, TRIPOD + AI bildirimi () uyarınca hazırlandı.

Sonuç tanımı

İkincil sonuç, kreatinin baz alınarak tanımlanan KDIGO AKİ idi ve 2012 Böbrek Hastalığı: Küresel Sonuçları İyileştirme (KDIGO) kriterlerine () göre yalnızca serum kreatinini kullanılarak teşhis edildi (idrar çıkışı verileri mevcut değildi). Tanı, ameliyattan sonraki 48 saat içinde serum kreatinininde ≥26,5 μmol/L’lik bir artış veya 7 gün içinde bazal değerin ≥1,5 katına ulaşması olarak tanımlandı. Bazal serum kreatinini, ameliyattan önceki bir hafta içinde kaydedilen en son değerdi ve ameliyat sonrası izlem süresi bir hafta olarak belirlendi; serum kreatinini rutin klinik bakım sırasında ölçülmüş, AKİ evrelemesi ise kaydedilmemişti.

Aday öngörücüler

Elektronik tıbbi kayıtlardan başlangıçta kırk dört perioperatif alan mevcuttu. Ameliyat sonrası uygulanan ancak standart bir toplama zaman aralığı olmayan yedi ilaç değişkenini (dopamin, dobutamin, nitrogliserin, sodyum nitroprussid, milrinon, norepinefrin ve epinefrin); sürekli ölçümleri tekrarlayan dört kategorik değişkeni (yaş grubu, hiperürikemi, ameliyat öncesi hipoalbuminemi ve ameliyat öncesi anemi); ve yaş, cinsiyet, ağırlık ile ameliyat öncesi kreatininden hesaplanan türev bir değişken olan kreatinin klirensini dışladık. Böylece ameliyat öncesi veya ameliyat sırasında, ameliyatın sonuna kadar kaydedilen 32 aday öngörücü değişken elde edildi (17 sürekli ve 15 kategorik; Ek Tablo S1). Ameliyat türü koroner arter baypas greftleme (CABG), kapak değiştirme/onarımı veya birleşik CABG ve kapak ameliyatı olarak; ameliyat yaklaşımı pompa ile veya pompa olmadan; cinsiyet ise erkek veya kadın olarak kodlandı.

Model geliştirme ve değerlendirme

Kohort, zamansal olarak değil, rastgele katmanlı örnekleme (sonuca göre katmanlandırılmış) yoluyla sabit bir geliştirme kümesine (n = 1.081) ve sabit bir test kümesine (n = 271) bölündü; test kümesi özellik seçimi, hiperparametre seçimi, sınıf ağırlığı seçimi, eşik değeri seçimi veya kalibrasyon için kullanılmadı. Tahmin modelleri için formel minimum örneklem büyüklüğü kriterleri regresyon modelleri için türetilmiştir (), makine öğrenmesi yöntemleri ise en azından aynı derecede veri yoğunudur (); ağaç tabanlı veya nöral modeller için doğrudan uygulanabilir kapalı form bir kriter bulunmamaktadır. Bu nedenle aşırı uyumlanmayı ampirik olarak değerlendirdik. Beş özellik seçimi stratejisi (tüm 32 öngörücü; tek standart hata kuralıyla LASSO; katman dışı SHAP önemi >0.01; tek değişkenli lojistik regresyonda anlamlı değişkenler; ve çok değişkenli lojistik regresyonda anlamlı değişkenler), yedi algoritma (L2-düzenli lojistik regresyon, elastik ağ, rastgele orman, radyal temel fonksiyon çekirdekli destek vektör makinesi, XGBoost, CatBoost ve çok katmanlı bir algılayıcı) ve altı sınıf ağırlığı şeması (hiçbiri; pozitif sınıf ağırlıkları 1.5, 2, 3 ve 4; ve dengeli) kullanılarak oluşturulan 210 model kombinasyonunu karşılaştırdık (). Analiz planı, sonuç modellemesinden önce tanımlanmış ve kilitli bir betikte kaydedilmişti, ancak kamuya açık bir depoda öngörülü olarak tescil edilmemişti.

Hyperparametreler önceden belirlenmiş olup, özellik seçimi stratejileri boyunca sabit tutulmuştur (Ek Tablo S3); bu, tasarruflu bir tasarım seçimidir ve karşılaştırmanın yönetilebilir ve tekrarlanabilir olmasını sağlar. Gerçekçi iç içe çapraz doğrulama, ayarlamaları iyimser yanlılık olmaksızın içerebilse de, sabit hyperparametreler karşılaştırmayı daha şeffaf hale getirir ve hyperparametre aşırı uyum riskini ortadan kaldırır (, ). Sürekli öngörücüler doğrusal modeller, destek vektör makinesi ve sinir ağı için medyan ile tahmin edilmiş ve standartlaştırılmıştır; kategorik öngörücüler ise mod ile tahmin edilmiş ve one-hot kodlanmıştır. Tüm tahmin ve ölçekleme işlemleri her bir eğitim katmanında uygulanmış ve ilgili doğrulama katmanına aktarılmıştır. LASSO cezası çapraz doğrulama ile seçilmiş ve SHAP önemi katman dışı hesaplanmıştır; dolayısıyla bu seçim kriterleri geliştirme kümesi çapraz doğrulamasından elde edilmiş, ardından özellik kümeleri karşılaştırmadan önce sabitlenmiştir. Performans, geliştirme kümesi üzerinde 10 tekrarlı tekrarlanan katmanlı 5 katmanlı çapraz doğrulama (50 uydurma) ile katman dışı tahminler kullanılarak değerlendirilmiştir.

Nihai model, önceden belirlenmiş iki aşamalı bir kural ile seçilmiştir. İlk olarak, her bir özellik stratejisi × algoritma hücresi içinde, sınıf ağırlığı, ortalama çapraz doğrulanmış AUC değeri hücrenin maksimum değerinden 0.01 içinde kalan ve önceden belirlenmiş, özgüllüğü maksimize eden (duyarlılığın ≥0.80 olma koşuluyla) eşik değerinde değerlendirilen katman dışı duyarlılığı en az 0.80 olan seçenek olarak belirlenmiştir; eşitlik durumunda sırasıyla özgüllük, hassasiyet–hatırlama AUC, Brier skoru, kalibrasyon ve özellik sayısı dikkate alınmıştır. İkinci olarak, küresel maksimum AUC değerinin 0.01 içindeki tüm hücreler yeniden kalibre edilmiştir (hiçbiri, Platt ölçeklemesi veya izotonik regresyon); kalibrasyon, geliştirme kümesi üzerinde 5 katmanlı çapraz doğrulama ile uygulanmış ve nihai model aynı sözlüksel kriterler kullanılarak seçilmiştir. Bu prosedür, pozitif sınıf ağırlığı 1.5 olan ve izotonik kalibrasyonlu bir random forest modelini seçmiştir.

Geliştirme setinde en az 0,80 duyarlılık elde etmek amacıyla tarama odaklı bir karar eşiği önceden belirlendi (duyarlılığın ≥0,80 olmasına tabi olarak özgüllüğü maksimize eden eşik). Ardından nihai model sabit test setinde bir kez değerlendirildi; alıcı işletme karakteristik eğrisinin altındaki alan (AUC) ile birlikte %95 güven aralığı (2.000 bootstrap yeniden örneklemeden elde edildi), kesinlik–geri çağırma AUC’si, Brier skoru ile tarama eşiğindeki duyarlılık ve özgüllük raporlandı.

Küçük örneklem stratejileri ve toplulaştırma

Küçük veya orta ölçekli tablo verileri için tasarlanmış üç strateji uygulandı ve, en önemlisi, bu stratejilerin ayırt ediciliği varsaymak yerine gerçekten iyileştirip iyileştirmediği değerlendirildi. Sentetik tablo verileri üzerinde önceden eğitilmiş ve görev özel eğitime ihtiyaç duymadan az örneklemli sınıflandırma gerçekleştiren bir transformer modeli olan TabPFN (), aynı tekrarlanan çapraz doğrulma şeması altında 32 öngörücüye uygulandı. Stabilite seçimi, L1-cezalı lojistik regresyonun (C = 0,3) 300 rastgele yarı örneklemde uyarlanarak ve her değişkenin seçilme sıklığının kaydedilmesiyle gerçekleştirildi; alt örneklemlerin ≥%60’ında seçilen değişkenler stabil olarak tanımlandı (); yalnızca bu stabil çekirdekle sınırlı sadeleştirilmiş bir model, tam modelle karşılaştırıldı. Bootstrap iyimserlik düzeltmesi, görünür AUC’den 500 bootstrap yeniden örnekleme boyunca tahmin edilen ortalama iyimserliğin çıkarılmasıyla uygulandı; her yeniden örnekleme kendi torba dışı gözlemleri üzerinde değerlendirildi (, ). Son olarak, en iyi performans gösteren tekil modellerin tahmin edilen olasılıklarının ortalaması alınarak basit bir toplulaştırma yaklaşımı değerlendirildi.

İlişkilendirme analizi

Tahmin modellerinden bağımsız olarak, tek değişkenli lojistik regresyon AKI ile ilişkili değişkenleri belirlemiştir (genel olasılık oranı testi P < 0.05). Bu ilişki analizi, olasılık oranlarını tahmin etmek amacıyla tam kohortu (n = 1.338 tam veriye sahip hasta; 209 AKI vakası) kullanmıştır. Buna karşılık, tahmin benchmark’ında kullanılan tek değişkenli ve çok değişkenli seçilmiş özellik kümeleri yalnızca sabit geliştirme setinden (n = 1.081; 169 vaka) türetilmiştir; dolayısıyla test seti ne ilişki tabanlı ne de tahmin modelinin özellik seçimine katkıda bulunmuştur. Bu tür tüm değişkenler, adım adım seçim yapılmaksızın çok değişkenli bir lojistik regresyona aynı anda dahil edilmiş ve çok değişkenli modelde P < 0.05 olan değişkenler bağımsız faktörler olarak kabul edilmiştir. Olasılık oranları, nedensel etkilerden ziyade ilişki ölçütleri olarak %95 güven aralıklarıyla birlikte raporlanmıştır.

Model yorumlaması ve duyarlılık analizleri

Tahmin edicilerin önemini ölçmek için nihai (kalibre edilmemiş) rastgele orman modeli için SHAP (SHapley Additive exPlanations) değerleri () hesaplanmıştır. Önceden belirlenmiş iki duyarlılık analizi gerçekleştirilmiştir: nihai modelin intra-aortik balon pompa değişkeninin çıkarılmasıyla yeniden uyarlanması ve eksik değeri olan gözlemlerin hariç tutulduğu tam vaka analizi. DeLong testi, ana aday modellerin AUC’lerini karşılaştırmıştır. Analizler Python 3.12’de scikit-learn (sürüm 1.9.0), XGBoost (3.4.1), CatBoost (1.2.10) ve SHAP (0.52.0) kullanılarak gerçekleştirilmiştir; TabPFN ise ayrı bir Python 3.11 ortamında PyTorch (2.13) ve tabpfn paketiyle çalıştırılmıştır.

Sonuçlar

Temel özellikler

Kardiyak cerrahi geçiren 1.352 hastadan 211’inde (%15,6) akut böbrek hasarı (AKİ) gelişti. Medyan yaş 64 yıldı (IQR 57–69) ve hastaların 803’ü (%59,4) kadındı. En sık uygulanan prosedür kapak cerrahisiydi (648, %47,9); bunu tek başına koroner arter baypas greftleme (480, %35,5) ve birleştirilmiş prosedürler (224, %16,6) izledi. Hastaların 978’i (%72,3) pompa destekli cerrahi geçirirken, 24’ünün (%1,8) intra-aortik balon pompa (IABP) kullanımı gerekmişti. AKİ gelişmeyen hastalara kıyasla, AKİ gelişen hastalarda ameliyat öncesi homosistein (15,2’e karşı 12,2 μmol/L) ve kreatinin (72’ye karşı 68 μmol/L) seviyeleri daha yüksek, hemoglobin (134’e karşı 137 g/L) ve albümin (39,3’e karşı 40,4 g/L) seviyeleri ise daha düşüktü. Ayrıca ameliyat süresi daha uzundu (5,0’ya karşı 4,5 saat) ve intraoperatif kan kaybı ile transfüzyon miktarı daha fazlaydı (600’e karşı 400 mL). AKİ gelişen hastalarda pompa destekli cerrahi (%85,3’e karşı %69,9) ve birleştirilmiş prosedürler (%30,3’e karşı %14,0) uygulanma olasılığı daha yüksekti; hipertansiyon, diyabet veya kalp yetmezliği görülme sıklığı da daha fazlaydı (Tablo 1).

Özellik Toplam (n = 1.352) AKİ Olmayan (n = 1.141) AKİ Olan (n = 211) P
Yaş (yıl) 64,00 [57,00, 69,00] 64,00 [57,00, 69,00] 65,00 [58,00, 70,00] 0,02
Kilo (kg) 65,00 [58,00, 72,00] 65,00 [57,00, 72,00] 65,00 [58,75, 75,00] 0,11
Ürik asit (μmol/L) 338,00 [278,95, 404,00] 333,00 [279,00, 400,50] 361,00 [276,50, 423,50] 0,008
Glikoz (mmol/L) 5,23 [4,74, 5,94] 5,22 [4,74, 5,89] 5,26 [4,75, 6,24] 0,48
Albümin (g/L) 40,18 ± 3,88 40,35 ± 3,85 39,30 ± 3,92 <0,001
Trigliseritler (mmol/L) 1,15 [0,87, 1,64] 1,14 [0,87, 1,64] 1,16 [0,87, 1,62] 0,81
Toplam kolesterol (mmol/L) 4.21 [3.56, 4.94] 4.20 [3.53, 4.94] 4.32 [3.71, 4.97] 0.40
HDL kolesterol (mmol/L) 1.05 [0.89, 1.27] 1.06 [0.89, 1.28] 1.03 [0.89, 1.26] 0.54
LDL kolesterol (mmol/L) 2.61 [2.10, 3.21] 2.61 [2.10, 3.21] 2.68 [2.19, 3.21] 0.65
Homosistein (μmol/L) 12.60 [10.30, 15.50] 12.20 [10.20, 15.00] 15.20 [11.80, 18.52] <0.001
Hemoglobin (g/L) 137.00 [127.00, 147.00] 137.00 [128.00, 147.00] 134.00 [121.00, 145.00] 0.001
Kan kaybı (mL) 400.00 [300.00, 600.00] 400.00 [300.00, 600.00] 450.00 [400.00, 600.00] <0.001
Ameliyat süresi (saat) 4.50 [4.00, 5.30] 4.50 [3.70, 5.00] 5.00 [4.00, 6.00] <0.001
Kan transfüzyonu (mL) 440.00 [0.00, 900.00] 400.00 [0.00, 900.00] 600.00 [0.00, 1,200.00] <0.001
Eritrosit transfüzyonu (birim) 2.00 [0.00, 3.00] 2.00 [0.00, 3.00] 2.00 [0.00, 4.00] 0.002
Otonom kan (mL) 0.00 [0.00, 0.00] 0.00 [0.00, 0.00] 0.00 [0.00, 0.00] 0.97
Ameliyat öncesi kreatinin (μmol/L) 68.00 [58.00, 79.00] 68.00 [58.00, 78.00] 72.00 [58.65, 87.45] 0.003
Erkek cinsiyet 549 (%40.6) 473 (%41.5) 76 (%36.0) 0.16
Pompa ile yapılan ameliyat 978 (%72.3) 798 (%69.9) 180 (%85.3) <0.001
CABG 480 (%35,5) 423 (%37,1) 57 (%27,0) <0,001
Kapak 648 (%47,9) 558 (%48,9) 90 (%42,7)
CABG + kapak 224 (%16,6) 160 (%14,0) 64 (%30,3)
İntra-aortik balon pompa 24 (%1,8) 7 (%0,6) 17 (%8,1) <0,001
Hipertansiyon 414 (%30,6) 332 (%29,1) 82 (%38,9) 0,006
Diyabet 212 (%15,7) 168 (%14,7) 44 (%20,9) 0,03
Kalp yetmezliği 347 (%25,7) 266 (%23,3) 81 (%38,4) <0,001
İnme 114 (%8,4) 96 (%8,4) 18 (%8,5) 1,00
atrial fibrilasyon 323 (%23,9) 262 (%23,0) 61 (%28,9) 0,08
Miyokard enfarktüsü 187 (%13,8) 165 (%14,5) 22 (%10,4) 0,15
Statın 556 (%41,1) 472 (%41,4) 84 (%39,8) 0,73
Diüretik 853 (%63,1) 703 (%61,6) 150 (%71,1) 0,01
RAS inhibitörü 278 (%20,6) 216 (%18,9) 62 (%29,4) <0,001
Beta-bloker 548 (%40,5) 465 (%40,8) 83 (%39,3) 0,76
1 hafta içinde anjiyografi 499 (%36,9) 425 (%37,2) 74 (%35,1) 0,60

Continuous değişkenler medyan [IQR] olarak; kategorik değişkenler ise n (%) olarak gösterilmiştir. AKI, akut böbrek hasarı; IQR, interkuartil aralık.

Model karşılaştırması ve seçimi

210 kombinasyon (beş özellik seçimi stratejisi × yedi algoritma × altı sınıf ağırlığı) genelinde, seçilen 35 hücrenin çapraz doğrulanmış AUC değeri 0,67 ile 0,76 arasında değişirken, buna karşılık gelen çapraz doğrulanmış hassasiyet–geri çağırma AUC değerleri 0,32–0,46 ve Brier skorları 0,11–0,22 olarak saptandı (Ek Tablo S2). Beş özellik seçimi stratejisi sırasıyla 32, 24, 28, 18 ve 7 öngörücü değişkeni korudu; ancak bu boyutsal farklılık modellerin sıralamasını esasen değiştirmedi. LASSO ve SHAP özellik kümeleri geliştirme kümesi üzerinde tek seferde belirlenip, benchmark çapraz doğrulamasından önce sabitlendi ve her bir katman içinde yeniden seçilmedi. Hiçbir model ailesi kesin olarak üstün bulunmadı: rastgele orman tam özellik kümesi altında en iyi performansı gösterdi (ortalama çapraz doğrulama AUC’si 0,763); XGBoost (0,749) ve CatBoost (0,751) ise yalnızca marjinal olarak daha düşük sonuçlar verdi. Düzenlenmiş lojistik regresyon (0,745) ve elastik ağ (0,746) en iyi modelden 0,02’den daha az bir farkla geride kaldı; çok katmanlı algılayıcı ise en düşük performansı sergiledi (0,674–0,709). Sabit test kümesinde, cezalı doğrusal modeller —özellikle LASSO lojistik regresyonu (test AUC’si 0,764) ve tam özellikli lojistik regresyon (0,749)— sayısal olarak seçilen rastgele ormandan (0,722; Şekil 1’de gösterilen LASSO-1SE eğrisi, LASSO-1SE rastgele ormanıdır, test AUC’si 0,709) daha iyi sonuç verdi; ancak DeLong testi anlamlı bir fark bulamadı (tüm P > 0,05). Önceden belirlenmiş iki aşamalı kural, pozitif sınıf için 1,5 ağırlığına ve izotonik kalibrasyona sahip bir rastgele ormanı nihai model olarak seçti.

Nihai model performansı ve iç doğrulama

Geliştirme setinde nihai model, katman dışı bir AUC değeri olan 0,760 elde etti. Sabit test setinde ise 0,722 (%95 GA 0,634–0,799) AUC, 0,363 hassasiyet–hatırlama AUC’si ve 0,124 Brier skoru kaydetti; seçilen eşikte pozitif öngörü değeri 0,224, negatif öngörü değeri ise 0,922 idi (Tablo 2; Şekil 1). Tarama odaklı eşik (hassasiyet ≥0,80), Youden-optimal eşiğiyle (0,130) örtüşerek test setinde sırasıyla 0,762 (%95 GA 0,632–0,882) hassasiyet ve 0,515 (%95 GA 0,449–0,581) özgüllük sağladı. Dolayısıyla test seti hassasiyeti, önceden belirlenmiş 0,80 hedefinin altına düştü; bu durum, geliştirme setinden türetilen bir eşiğin ayrılmış bir sete aktarılmasının beklenen bir sonucuydu. Kalibrasyon mükemmel değildi: test setinde kesme noktası −0,604 ve eğim 0,631 idi (Şekil 2). Bununla birlikte, karar eğrisi analizi, pratik eşik olasılıkları aralığında net klinik fayda olduğunu gösterdi (Şekil 3). Model, hassasiyet analizlerinde de sağlam kaldı: IABP’nin çıkarılması test AUC’sini 0,722’den 0,699’a düşürdü (Δ −0,023); eksik değeri olmayan 1.306 hasta ile yapılan eksiksiz vaka analizi ise 0,723’lük bir test AUC’si verdi. Her iki sonuç da yön ve büyüklük açısından ana analizle tutarlıydı.

Ölçüt Değer
Geliştirme seti katman dışı AUC 0,760
Test seti AUC’si (%95 GA) 0,722 (0,634–0,799)
Hassasiyet–hatırlama AUC’si 0,363
Brier skoru 0,124
Tarama eşiği (hassasiyet ≥0,80) 0,130
Hassasiyet 0,762 (0,632–0,882)
Özgüllük 0,515 (0,449–0,581)
Pozitif öngörü değeri 0,224 (0,159–0,295)
Negatif öngörü değeri 0,922 (0,872–0,964)
Kalibrasyon kesme noktası −0,604
Kalibrasyon eğimi 0,631

Küçük örneklem stratejileri, birleştirme ve iyimserlik düzeltmesi

Küçük örneklemli stratejilerin veya topluluk modellerinin hiçbiri ayırt ediciliği iyileştirmedi (Tablo 3). TabPFN, çapraz doğrulanmış AUC değeri olarak 0,752 (±0,046) ve test AUC değeri olarak 0,730 elde etti; her iki durumda da rastgele ormandan daha düşük sonuçlar gösterdi. Stabilite seçimi, 300 yarı örneklemde en az %60 oranında seçilen 23 değişkeni belirledi; bunlardan homosistein, cerrahi yaklaşım ve IABP her alt örneklemde seçildi. Sadece bu çekirdek değişkenlerle sınırlı düzenlenmiş bir lojistik regresyon modeli benzer ayırt edicilik sağladı (katman dışı AUC 0,755, test AUC 0,751); bu sonuç tam lineer modelden hafifçe daha iyi olsa da rastgele ormanı aşamadı. En iyi performans gösteren modellerin basit bir şekilde birleştirilmesiyle elde edilen test AUC değeri 0,743 oldu; bu, kalibre edilmemiş rastgele ormandan (0,708) yüksek, ancak cezalandırılmış lineer modellerden (0,749) hala daha düşüktü. Bootstrap iyimserlik düzeltmesi bu analizler arasında en etkili olanıydı: rastgele ormanın görünür örneklem içi AUC değeri 0,965 iken, düzeltme sonrası 0,724’e düştü ve bağımsız test kümesi AUC değeri olan 0,722’ye oldukça yakın bir sonuç verdi. Lojistik regresyon için karşılık gelen düzeltme daha küçüktü (0,804–0,705).

Yöntem Çapraz Doğrulama AUC Test AUC
Rastgele orman (nihai, kalibre edilmemiş) 0,763 0,708
Rastgele orman + izotonik kalibrasyon (nihai) 0,760 (OOF) 0,722
TabPFN 0,752 ± 0,046 0,730
Stabilite ile seçilen çekirdek (23 değişken), lojistik regresyon 0,755 0,751
Topluluk modeli (en iyi beş model) 0,764 0,743
Düzenlenmiş lineer modeller (referans) 0,745–0,746 0,749

Bootstrap iyimserlik düzeltmesi: rastgele ormanın görünür AUC değeri 0,965 → düzeltme sonrası 0,724; lojistik regresyon 0,804 → 0,705 (500 yeniden örnekleme).

Tahmin edici önem ve bağımsız olarak ilişkili faktörler

SHAP analizi, homosisteini en önde gelen öngörücü faktör olarak sıraladı (ortalama |SHAP| 0,041); bu değer, bir sonraki değişken olan ameliyat süresinden (0,022) yaklaşık iki kat daha fazla katkı sağladı. Bunu ameliyat yaklaşımı, ameliyat öncesi kreatinin, kan transfüzyonu, ameliyat türü, eritrosit transfüzyonu, albümin, IABP ve ürik asit izledi (Şekil 4). Bu hiyerarşi, tek değişkenli lojistik regresyonla da doğrulandı: Homosistein (her 5 μmol/L başına OR 1,49, P < 0,001), IABP (OR 14,20, P < 0,001), pompa altı ameliyat (OR 2,50, P < 0,001), kan transfüzyonu (her 500 mL başına OR 1,40, P < 0,001) ve birleşik ameliyat (OR 2,97, P < 0,001) en güçlü ham ilişkileri gösterdi.

Ayrıca, çok değişkenli lojistik regresyon (n = 1.338 tam veriye sahip hasta; 209 AKI vakası) on faktörü belirledi: IABP (ajust edilmiş OR 13,53, %95 GA 4,63–39,49), pompa altı ameliyat (OR 3,86, 1,89–7,90), diyabet (OR 1,89, 1,19–3,01), kalp yetmezliği (OR 1,69, 1,17–2,45), RAS inhibitörü kullanımı (OR 1,65, 1,08–2,50), hipertansiyon (OR 1,54, 1,02–2,33), homosistein (her 5 μmol/L başına OR 1,38, 1,20–1,59), kan transfüzyonu (her 500 mL başına OR 1,33, 1,12–1,59) ve ameliyat süresi (her saat başına OR 1,18, 1,01–1,39). Buna karşılık, yüksek hemoglobin koruyucu bir etkiye sahipti (her 10 g/L başına OR 0,87, 0,78–0,97; Tablo 4). Homosistein ile olan ilişki sağlamdı ve ham tahminden (1,49) ajust edilmiş tahmine (1,38) geçişte yalnızca mütevazı bir zayıflama gösterdi. IABP, ameliyatın sonuna kadar, yani tahmin referans noktasından önce, intraoperatif olarak kullanıldığı kaydedildi ve bu nedenle sonradan ortaya çıkan bir bilgi niteliği taşımıyor. IABP kullanımı nadir olduğu için (24 maruz hasta, 17’sinde AKI), ilişkiyi Firth cezalı lojistik regresyonla da doğruladık; bu yöntem tahmini neredeyse hiç değiştirmeden (OR 12,14, %95 GA 4,22–34,88) büyük olasılık oranının seyrek verilerden kaynaklanan bir sapma olmadığını teyit etti.

Değişken β OR (%95 GA) P
İntra-aortik balon pompa kullanımı (evet/hayır) 2.605 13.53 (4.63–39.49) <0.001
Pompa altında cerrahi (evet/hayır) 1.351 3.86 (1.89–7.90) <0.001
Diyabet (evet/hayır) 0.638 1.89 (1.19–3.01) 0.007
Kalp yetmezliği (evet/hayır) 0.527 1.69 (1.17–2.45) 0.005
RAS inhibitörü kullanımı (evet/hayır) 0.498 1.65 (1.08–2.50) 0.02
Hipertansiyon (evet/hayır) 0.434 1.54 (1.02–2.33) 0.04
Homosistein (her 5 μmol/L başına) 0.323 1.38 (1.20–1.59) <0.001
Kan transfüzyonu (her 500 mL başına) 0.289 1.33 (1.12–1.59) 0.001
Cerrahi süresi (her saat başına) 0.168 1.18 (1.01–1.39) 0.04
Hemoglobin (her 10 g/L başına) −0.142 0.87 (0.78–0.97) 0.01

OR, olasılık oranı; GA, güven aralığı. Referans kategorisi her bir durumun yokluğudur (seviye 0).

Klinik uygulamalar için yalın modeller

Hiçbir model ailesinin kesin olarak üstün olmadığı göz önüne alındığında, sabit test kümesinde yalın alternatifleri de inceledik (Tablo 5). Geliştirme kümesi içinde önceden belirlenmiş kararlılık seçimiyle elde edilen 23 değişkenlik kararlılık seçilmiş çekirdek model, test AUC değeri olarak 0,751 (%95 GA 0,672–0,825) elde etti; bu, 9 değişken daha az kullanmasına rağmen rastgele orman modelinden (0,722; DeLong P = 0,36) sayısal olarak daha yüksekti. Sabit test kümesinde, 23 değişkenlik çekirdek model 0,357’lik bir kesinlik–hatırlama AUC’si ve 0,168’lik bir Brier skoru elde etti. Ayrıca, geliştirme kümesinde seçilen 0,301’lik eşik değerinde %85,7 duyarlılık, %54,6 özgüllük, %25,7 pozitif öngörü değeri ve %95,4 negatif öngörü değeri gösterdi; kalibrasyonu da kusurluydu (kesme −1,409, eğim 0,738). Çok değişkenli seçimle oluşturulan yedi faktörlü lojistik model ise testte 0,677’lik bir AUC elde etti (DeLong P = 0,23); bu da daha agresif boyut azaltımının neden olduğu ayırt edicilik kaybını göstermektedir.

Model Öngörücüler (n) Test AUC DeLong P değeri (son RF ile karşılaştırma)
Rastgele orman + izotonik kalibrasyon (son) 32 0,722 Referans
Kararlılık seçilmiş çekirdek, lojistik regresyon 23 0,751 0,36
Çok değişkenli seçilmiş (7 faktör), lojistik regresyon 7 0,677 0,23

DeLong, iki yönlü test, sabit test kümesi (n = 271); karşılaştırmaların hiçbiri P < 0,05 düzeyinde anlamlı değildi.

Tartışma

Düzenlileştirme ve karmaşıklık karşılaştırması

Makine öğrenmesinin klinik tahminlerde lojistik regresyondan tutarlı bir şekilde daha üstün olmadığına dair sistematik kanıtlarla uyumlu olarak (), benchmark çalışmamızda hiçbir model ailesi kesin bir üstünlük göstermedi. Random forest, XGBoost, CatBoost ve düzenlileştirilmiş lineer modeller, çapraz doğrulanmış AUC değerlerinde birbirlerinden en fazla 0,02 sapma gösterdi; bu sıralama, 32 öngörücünün tamamının mı yoksa istatistiksel olarak seçilen 24, 28, 18 veya 7 değişkenin mi kullanıldığına bakılmaksızın özellik seçimi stratejisinden etkilenmedi. Ayrılmış test setinde, cezalandırılmış lineer modeller (AUC 0,749–0,764), seçilmiş random forest modeline (0,722) denk veya daha iyi performans sergiledi. En karmaşık model olan çok katmanlı algılayıcı en düşük performansı gösterdi; bu durum, bu örneklem büyüklüğünde yüksek kapasiteli modellerin aşırı uyum riskini ortaya koydu. Stabilite seçimi de bu bulguyu pekiştirerek, düzenlileştirilmiş lineer modeli tam modelle karşılaştırılabilir performans gösteren 23 değişkenlik bir çekirdek seti belirledi. Random forest, belirgin bir performans avantajından ziyade önceden tanımlanmış, tarama odaklı bir kurala göre seçilmişti; sadeleştirilmiş düzenlileştirilmiş lineer modelin benzer performansı ise bu bağlamda yorumlanabilirliği desteklemektedir.

Doğrulama ve iyimserlikten düzeltilmiş performans

Bootstrap iyimserlik düzeltmesi analizlerimizin en belirgin etkisine sahip olanıydı: örneklem içi görünen 0,965’lik AUC değeri 0,724’e düşerek bağımsız test kümesindeki 0,722’lik AUC değeriyle neredeyse tamamen aynılaştı. Bu iki bağımsız tahmin, kalp cerrahisinin sonunda rutin preoperatif ve intraoperatif değişkenlerden elde edilen iyimserlik düzeltmeli iç performans tahmini olarak yaklaşık 0,72’de birleşiyor. Kesin değer olarak mütevazı olsa da 0,363’lük kesinlik–geri çağırma AUC’si, insidans tabanlı 0,156’lık başlangıç değerinin iki katından fazladır. Bu rakam, bildirilen bazı CSA-AKI modellerinden [genel olarak 0,78–0,85 (, )] daha düşük, ancak postoperatif laboratuvar verilerinin dahil edildiği modellerden () daha yüksektir; fakat bu modeller genellikle postoperatif verileri, daha yüksek insidanslı kohortları (%22–%44) veya çok daha büyük kayıt sistemlerini kullanmaktadır. Bizim tahminimiz daha düşük insidanslı (%15,6) bir kohortu ve daha erken, daha kısıtlayıcı bir tahmin penceresini yansıtmaktadır. Bu tahmini açıkça raporluyoruz, çünkü şişirilmiş bir görünür AUC, klinisyenler için abartılı bir tahminden daha az faydalıdır.

Cerrahinin sonundaki tahmin ve tarama

Modelin klinik mantığı zamanlamaya dayanmaktadır. Serum kreatinin seviyesi hasardan yalnızca 48–72 saat sonra yükseldiğinden, postoperatif kreatinin, elektrolit veya hemodinamik değişikliklere dayanan modeller AKI’yi oluşmadan önce değil, gelişirken tespit eder (). Tahmin edicileri preoperatif ve intraoperatif değişkenlerle sınırlayarak modelimiz, erken böbrek koruma önlemlerinin hâlâ başlatılabileceği cerrahinin sonunda risk katmanlaması sağlar. Tarama odaklı eşik (duyarlılık ≥0,80), özgüllükten (0,515) feragat ederek yüksek riskli hastaların kaçırılmamasını kasıtlı olarak önceliklendirir; bu da modelin bir tanı testi olmaktan ziyade bir uyarı aracı olmasına uygundur. Karar eğrisi analizi de pratik eşik olasılıkları aralığında net faydayı doğrulamıştır.

Homosistein: yeterince incelenmemiş bir tahmin edici

Homosistein, nihai modelde en baskın öngörücü faktördü (ortalama |SHAP| değeri bir sonraki değişkenin yaklaşık iki katıydı), tüm kararlılık-seçim alt örneklerinde seçildi ve çok değişkenli regresyonda bağımsız bir faktör oldu (her 5 μmol/L başına OR 1.38); bu etki, ham ilişkisinden (1.49) yalnızca mütevazı bir şekilde zayıfladı. Mekanizma açısından, hiperhomosisteinemi oksidatif stresi ve endotelyal disfonksiyonu artırır ve AKI’den kronik böbrek hastalığına geçişi hızlandırır (, ). Bu makuliyete rağmen, homosistein kardiyak cerrahi sonrası AKI’nin bir öngörücüsü olarak çok az ilgi görmüştür (, ): erken bir çalışma, ameliyat öncesi homosistein seviyelerini kardiyak cerrahi sonrası genel morbidite ve mortalite ile ilişkilendirmişti (), grubumuzun daha önceki çalışması ise ameliyat sonrası AKI ile bir ilişki bildirmişti (). Büyük bir kohortta elde ettiğimiz ve tamamlayıcı analizlerde (aynı veriler üzerinde SHAP ve lojistik regresyon) tutarlı olan bulgumuz, homosisteini nispeten az çalışılmış, rutin olarak ölçülebilen bir ameliyat öncesi belirteç olarak konumlandırıyor. Homosisteinin böbrek fonksiyonu, folat/B12 vitamini durumu ve yaş ile yakından ilişkili olması ve eGFR verilerinin mevcut olmaması nedeniyle, başlangıçtaki böbrek fonksiyonundan kaynaklanan kalıntı karıştırıcılık göz ardı edilemez; bu ilişki, homosisteinin değiştirilebilir olduğu anlamına gelmez ve prospektif doğrulama gerektirir.

Klinik çıkarımlar

Ameliyatın sonunda uygulanabilecek tarama odaklı ve yorumlanabilir bir model, en yüksek risk altındaki hastalarda erken böbrek korumasına (hedefe yönelik hemodinamik optimizasyon, nefrotoksinlerden kaçınma ve yoğunlaştırılmış kreatinin takibi) rehberlik edebilir; SHAP açıklamaları ise bireysel risk faktörlerini açıkça ortaya koyar. Ameliyat öncesi ölçüldüğü durumlarda homosistein, yoğunlaştırılmış takibe alınacak hastaları belirlemek için düşük maliyetli bir belirteç olarak da kullanılabilir. Nihai model kompakt bir yapıya sahiptir ve sabit karar eşiğiyle birlikte, dış geçerlilik testinden ve (gerekirse) yeniden kalibrasyondan sonra, ekibimizin daha önce kullanıma sunulan web tabanlı tahmin modellerine benzer şekilde bir klinik karar destek aracına entegre edilebilir (, ). Model, klinik muhakemenin bir alternatifi değil, bir tamamlayıcısı olarak tasarlanmıştır. Uygulamada, eksik veya mantıksız tahmin edici değerler, geliştirme aşamasında kullanılan aynı medyan veya mod değerleriyle tamamlanmalı ve eğitim dağılımının dışındaki değerlere sahip bireyler için yapılan tahminler ihtiyatla yorumlanmalıdır.

Modelin basitliği ve klinik uygulama

Modelin basitliği açısından, kararlılık seçimiyle belirlenen 23 değişkenlik çekirdek model, tam modelle karşılaştırılabilir ve sayısal olarak daha yüksek bir ayırt ediciliğe ulaşırken (0.751’e karşı 0.722; DeLong P = 0.36), 9 değişken daha az kullanmış ve şeffaf, düzenlenmiş bir lineer form sunmuştur. Bu çekirdek model, post hoc bir seçim yerine önceden belirlenmiş kararlılık seçimiyle elde edildiği için, yorumlanabilirliğin ve veri toplama yükünün azaltılmasının öncelikli olduğu ortamlarda tercih edilen basit model olarak kabul ediyoruz. Çok değişkenli seçimle oluşturulan yedi faktörlü model (0.677), ondan daha az faktöre indirgenmenin ayırt ediciliği azalttığını göstermektedir. Tam 32 değişkenli rastgele orman modeli ise benchmark seçimiyle belirlenen referans model olmaya devam etmektedir ve herhangi bir basitleştirilmiş modelin kullanıma sunulmadan önce dış geçerlilik testinden geçmesi gerekir.

Sınırlılıklar

Bu çalışmanın birkaç sınırlaması bulunmaktadır. Birincisi, çalışma tek merkezlidir ve klinik kullanımdan önce atılması gereken en önemli adım olan bağımsız dış validasyondan yoksundur (); kohort, grubumuzun önceki homosistein çalışmasıyla örtüşmektedir () ve 2016–2024 verilerinin zamansal olarak ayrılması, kullandığımız rastgele katmanlı bölmeden daha bilgilendirici olabilirdi. İkincisi, test seti yalnızca 42 AKI vakası içermektedir ki bu da validasyon için genel olarak önerilen ∼100 vakadan daha azdır (). Üçüncüsü, modelimizi yerleşik bir CSA-AKI risk skoruyla (örneğin Cleveland Clinic skoru) karşılaştırmadık; zira bu skorun gerektirdiği değişkenler toplanmamıştı. Dördüncüsü, dikkatli değişken seçimine rağmen retrospektif tasarım kalıntı karıştırıcı etkiler bırakmaktadır. Beşincisi, kalibrasyon mükemmel değildi (test seti eğimi 0.631); bu nedenle tahmin edilen olasılıklar ihtiyatla yorumlanmalıdır. Altıncısı, birincil rastgele orman modeli sabit test seti üzerinde yalnızca bir kez değerlendirildi, ancak aynı set daha sonra TabPFN, kararlılık seçimiyle belirlenen çekirdek model, yedi faktörlü model, birleştirme ve duyarlılık analizlerini karşılaştırmak için kullanıldı. Dolayısıyla bu keşifsel karşılaştırmalar tam bağımsız validasyon yerine post hoc olarak görülmelidir. Yedincisi, AKI evrelemesi kaydedilmediği için evre 2–3 AKI’yı ayrı olarak inceleyemedik ve model daha az şiddetli AKI vakaları tarafından domine edilebilir. Son olarak, cinsiyet bir tahmin edici olarak dahil edilmiş ve hiçbir grup a priori olarak dışlanmamış olsa da, gelecekteki değerlendirmelerde ele alınması gereken açık alt grup adalet analizleri gerçekleştirmedik.

Sonuçlar

Sadece rutin preoperatif ve intraoperatif değişkenler kullanılarak, kardiyak cerrahinin sonunda ortaya çıkabilecek akut böbrek hasarını öngören, taranmaya yönelik ve yorumlanabilir bir makine öğrenmesi modeli geliştirdik; modelin ayırt ediciliği orta düzeydeydi (test AUC değeri 0,72). Önceden belirlenmiş 210 kombinasyonluk bir kıyaslama, herhangi bir model ailesinin kesin olarak üstün olmadığını gösterdi; küçük örneklem stratejileri veya topluluk oluşturma yöntemleri de ayırt ediciliği artırmadı. Bootstrap düzeltmesi, iyimserlikten arındırılmış bir iç performans tahmini olarak 0,72 verdi. Homosistein, prospektif bir çalışma gerektiren, nispeten az incelenmiş bir öngörücü faktör olarak öne çıktı. Önceden belirlenmiş basit alternatifler arasında, kararlılık seçimiyle oluşturulan 23 değişkenlik çekirdek model de benzer bir ayırt edicilik (0,751) sağladı ve klinik uygulamalar için şeffaf, yorumlanabilir bir seçenek sunuyor. Klinik kullanımdan önce dış geçerliliğinin doğrulanması gerekmektedir.

Beyanlar

Veri erişilebilirliği beyanı

Çalışmada sunulan orijinal katkılar makalede/ek materyallerde yer almaktadır; daha fazla bilgi için ilgili yazarlarla iletişime geçilebilir.

Etik beyanı

İnsanları içeren çalışmalar Linyi Halk Hastanesi Bilim ve Teknoloji Etik Komitesi tarafından onaylanmıştır (onay no. 202504-H-014). Çalışmalar yerel mevzuata ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Retrospektif tasarım nedeniyle etik komite/kurumsal inceleme kurulu, katılımcılardan veya yasal vasilerinden/yakınlarından yazılı bilgilendirilmiş onam alınması gerekliliğinden feragat etmiştir.

Yazar katkıları

ZL: Kavramlaştırma, veri kürasyonu, araştırma, doğrulama, orijinal taslak yazımı. WZ: Kavramlaştırma, araştırma, orijinal taslak yazımı, metodoloji, yazılım, görselleştirme. YW: Araştırma, orijinal taslak yazımı, veri kürasyonu, doğrulama. WL: Veri kürasyonu, doğrulama, orijinal taslak yazımı, proje yönetimi, denetim. FZ: Veri kürasyonu, doğrulama, orijinal taslak yazımı, araştırma. YH: Veri kürasyonu, doğrulama, orijinal taslak yazımı. SW: Doğrulama, kavramlaştırma, fon sağlama, proje yönetimi, denetim, inceleme ve düzenleme yazımı. XL: Kavramlaştırma, proje yönetimi, denetim, inceleme ve düzenleme yazımı.

Çıkar çatışması

Yazar(lar), bu çalışmanın potansiyel bir çıkar çatışması olarak yorumlanabilecek herhangi bir ticari veya finansal ilişki olmaksızın yürütüldüğünü beyan etmiştir.

Üretken yapay zeka beyanı

Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekanın kullanıldığını beyan etmiştir. Yazar(lar), bu makalenin hazırlanmasında üretken yapay zekanın kullanımını doğrulamakta ve bunun için tam sorumluluğu üstlenmektedir. Üretken yapay zeka şu şekilde kullanılmıştır: DeepSeek yalnızca makalenin İngilizce dilini geliştirmek ve düzeltmek için kullanılmıştır. Yazar(lar), tüm bilimsel içeriğin, veri toplamanın, istatistiksel analizlerin, sonuçların ve çıkarımların yazarlar tarafından üretildiğini ve doğrulandığını, üretken yapay zekanın herhangi bir bilimsel içeriği veya analizi oluşturmak için kullanılmadığını beyan etmektedir. Yazar(lar), yapay zeka destekli tüm dil düzenlemelerini incelemiş ve onaylamış olup, nihai makalenin doğruluğu, özgünlüğü ve bütünlüğü için tam sorumluluğu üstlenmektedir.

Bu makaledeki şekillerin yanında sunulan herhangi bir alternatif metin (alt metin), Frontiers tarafından yapay zeka desteğiyle oluşturulmuştur ve yazarların mümkün olduğunda inceleme yapması da dahil olmak üzere doğruluğu sağlamak için makul çabalar gösterilmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.

Yayıncının notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek iddialar, yayıncı tarafından garanti edilmez veya onaylanmaz.

Ek materyaller

Bu makalenin Ek Materyalleri çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fmed.2026.1992789/full#supplementary-material

Özet

Anahtar kelimeler

akut böbrek hasarı, kalp cerrahisi, homosistein, yorumlanabilir tahmin modeli, perioperatif dönem

Atıf

Li Z, Zhang W, Wei Y, Liu W, Zhang F, Han Y, Wang S ve Li X (2026) Kalp cerrahisinin sonunda rutin perioperatif değişkenler kullanılarak akut böbrek hasarının tahmini: 210 makine öğrenimi kombinasyonunun önceden belirlenmiş bir kıyaslaması. Front. Med. 13:1992789. doi: 10.3389/fmed.2026.1992789

Alındı

09 Eylül 2026

Değiştirildi

26 Ekim 2026

Kabul edildi

31 Ekim 2026

Yayınlandı

16 Kasım 2026

Cilt

13 – 2026

Editör

Ovidiu Constantin Baltatu, Anhembi Morumbi Üniversitesi, Brezilya

Vladimir Đurović, Novi Sad Üniversitesi, Sırbistan

Soroush Najdaghi, İsfahan Tıp Bilimleri Üniversitesi, İran

© 2026 Li, Zhang, Wei, Liu, Zhang, Han, Wang ve Li.

Bu, Creative Commons Atıf Lisansı (CC BY) şartları altında dağıtılan açık erişimli bir makaledir. Orijinal yazarların ve telif hakkı sahiplerinin belirtilmesi ve bu dergideki orijinal yayına kabul edilen akademik uygulamalara uygun olarak atıfta bulunulması koşuluyla, diğer platformlarda kullanılması, dağıtılması veya çoğaltılmasına izin verilir. Bu şartlara uymayan hiçbir kullanım, dağıtım veya çoğaltmaya izin verilmez.

*İletişim: Shiming Wang 2079039981@qq.com; Xiao Li lixiao1688@163.com; x.li@sdu.edu.cn

†
Bu yazarlar bu çalışmaya eşit düzeyde katkıda bulunmuş olup ilk yazarlık unvanını paylaşırlar

‡

ORCID Xiao Li orcid.org/0000-0002-1148-9898

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kurumların, yayıncının, editörlerin veya hakemlerin görüşlerini yansıtmak zorunda değildir. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya onaylanmaz.

Frontiers | Prediction of acute kidney injury at the end of cardiac surgery using routine perioperative variables: a pre-specified benchmark
Frontiers | Prediction of acute kidney injury at the end of cardiac surgery using routine perioperative variables: a pre-specified benchmark
Kaynak: Frontiersin ↗
BENZER İNCELEMELER

İlgili Diğer Rehberler