Özet
Ev sahibi temelli tanı yöntemlerinin makine öğrenimi ile birleştirilmesi, enfeksiyöz durumların daha hızlı ayırt edilmesine ve gereksiz antimikrobiyal tedaviye yönelik ihtiyacın azaltılmasına yardımcı olabilir. Bu çalışmada, patojen tespiti, enfeksiyon sınıflandırması veya bunlarla yakından ilişkili ev sahibi yanıt tanıları için klinik hasta verilerine makine öğrenimi yöntemlerini uygulayan güncel çalışmalar gözden geçirildi. Değerlendirilen enfeksiyon hedefleri arasında bakteriyel ve viral enfeksiyonlar, bakteriyel-viral ayırıcı tanı ve sepsis gibi sendrom temelli sunumlar yer aldı. Sıtma ise karışık ateşli hasta kohortları içinde değerlendirildiğinde dahil edildi. Ocak 2020 ile Ağustos 2025 arasında yayımlanan makaleler için dört literatür kaynağı tarandı. Elde edilen 144 kayıttan 51’i başlangıçtaki ev sahibi tanı taramasını geçti ve 21 makale nihai uygunluk kriterlerini karşıladı. Dahil edilen makaleler yapılandırılmış klinik değişkenleri, gen veya moleküler ekspresyon ölçümlerini, tıbbi görüntülemeyi, fizyolojik sinyalleri ve mikroskopiyi kapsadı. Nicel model sınıfları karşılaştırması için dört ana model sınıfına ait 54 değerlendirme çıkarıldı: rastgele orman (23), sinir ağı (17), destek vektör makinesi (9) ve lojistik regresyon (5). Gradyan yükseltme, karar ağaçları, saf Bayes ve k-en yakın komşular gibi daha az değerlendirilen yaklaşımlar betimsel olarak özetlendi. Girdi modaliteleri, kohortlar, ön işleme, doğrulama, hiperparametre seçimi ve sonuç ölçütlerindeki farklılıklar doğrudan performans karşılaştırmalarını engelledi. 54 ana sınıf değerlendirmesinden 14’ü yalnızca doğruluğu, 20’si yalnızca alıcı işletim karakteristik eğrisi altındaki alanı (AUC) ve 20’si ise her ikisini de bildirdi. Sadece 16 değerlendirme duyarlılık, özgüllük, F1 skoru veya Matthews korelasyon katsayısı gibi ek ölçütleri içerdi. Görüntüleme çalışmaları genellikle sinir ağı yaklaşımlarını tercih ederken, moleküler ekspresyon çalışmaları sıklıkla rastgele ormanları kullandı. Ancak kanıtlar evrensel olarak en uygun bir modelin varlığını desteklemedi.
1 Giriş
Enfeksiyöz bir hastalığın etiyolojisinin erken tespiti, uygun klinik tedavinin temelini oluşturur. Laboratuvar testleri mevcut olmadığında, geciktiğinde veya sonuçları belirsiz olduğunda, klinisyenler mevcut semptomlara ve standart bakım değerlendirmelerine dayanarak tedaviye başlayabilirler. Bu belirsizlik, önlenebilir antibiyotik kullanımına yol açar. Birleşik Devletler’deki ayakta bakım ziyaretlerine ilişkin bir analiz, ayakta antibiyotik reçetelerinin yaklaşık %30’unun gereksiz olduğunu tahmin etmiştir (). Uygun olmayan antimikrobiyal maruziyet, dirençli organizmaların seçilmesini ve yayılmasını teşvik edebilir ().
Ev sahibi temelli tanı yöntemleri, önceden belirlenmiş bir patojeni doğrudan test etmek yerine hastanın biyolojik yanıtını değerlendirir. İlgili ölçümler arasında kan hücresi sayıları, inflamatuar proteinler, sitokinler, transkripsiyonel imzalar, metabolitler, mikrobiyom özellikleri, görüntüleme bulguları ve fizyolojik sinyaller yer alabilir. Makine öğrenimi, verilerden örüntüler öğrenen, tahmin veya sınıflandırma için etiketli örnekleri ve temel yapıyı belirlemek için etiketsiz gözlemleri kullanan hesaplama yöntemlerini kapsar (). Ev sahibi yanıt ölçümlerini makine öğrenimi ile birleştirmek, neden olan patojen bilinmediğinde geniş bir tanısal yardımcı sağlayabilir.
Şüpheli bir enfeksiyonun klinik değerlendirmesi, tam kan sayımlarını ve C-reaktif protein ile prokalsitonin gibi inflamatuar biyobelirteç ölçümlerini, bakteriyel kültürler ve patojene özgü polimeraz zincir reaksiyonu (PCR) testleri gibi patojen odaklı yöntemlerle birleştirebilir (). Her yaklaşım faydalı bilgiler sağlar, ancak tek bir test tüm sunumları çözemez. Kültür yavaş olabilir, hedefe yönelik PCR şüpheli bir organizmayı gerektirir ve spesifik olmayan inflamatuar biyobelirteçler bakteriyel, viral ve enfeksiyöz olmayan durumlar arasında örtüşebilir. Bir ev sahibi yanıt modeli, daha kesin testler devam ederken bir enfeksiyon kategorisini veya klinik olarak ilgili bir durumu tahmin ederek bu yöntemleri tamamlayabilir.
Güncel literatür, ev sahibi temelli tanıları yapay zekânın (YZ) enfeksiyöz hastalık bakımındaki uygulamaları bağlamına yerleştirir; bunlara görüntü yorumlama, hastalık gözetimi, tedavi seçimi ve ilaç keşfi dahildir (). Klinik uygulama da gelişmektedir: elektronik sağlık kayıtlarını kullanan derin öğrenme tabanlı bir sepsis sistemi olan COMPOSER’ın kullanımı, sepsis paketi uyumunda iyileşme ve hastane içi mortalitede düşüş ile ilişkilendirilmiştir (). Bu çalışma, retrospektif modellemeden klinik karar desteğine geçişi göstermektedir. Bu bağlamda, ev sahibi temelli tanı, belirli bir organizmanın tanımlanmasını gerektirmek yerine hasta yanıtlarını yorumlayarak tamamlayıcı bir yaklaşım sunar.
Model-veri ilişkisi biyolojik uygulamalarda özellikle önemlidir. Transkriptomik ölçümler, yapılandırılmış klinik değişkenler, mikroskopi görüntüleri, bilgisayarlı tomografi (BT) taramaları ve elektrokardiyografik (EKG) sinyaller boyutsal yapı, gürültü yapısı, eksiklik ve yorumlanabilirlik açısından farklılık gösterir. Yaş, cinsiyet, komorbiditeler, tedavi maruziyeti ve immün durum da bu ölçümleri etkileyebilir, bu da model geliştirmeyi karmaşıklaştırabilir veya popülasyonlar arasında performans değişikliklerine neden olabilir. Dolayısıyla, bir modalite için iyi performans gösteren bir algoritma başka bir modalite için uygun olmayabilir. Bu derleme, güncel ev sahibi temelli tanı çalışmalarının veri modalitelerini makine öğrenimi yöntemleriyle nasıl eşleştirdiğini, model performansının nasıl değerlendirildiğini ve hangi raporlama uygulamalarının tekrarlanabilirliği ve çalışmalar arası karşılaştırmayı sınırladığını inceledi. Kavramsal bir akış şeması Şekil 1’de gösterilmektedir.
Nicel karşılaştırmayı, aramamızda en sık değerlendirilen dört denetimli model sınıfına odakladık: sinir ağları, lojistik regresyon, rastgele ormanlar ve destek vektör makineleri. Gradyan yükseltme, saf Bayes, karar ağaçları ve k-en yakın komşular gibi daha az değerlendirilen yöntemler, çalışma düzeyinde ve modaliteye özgü sentezde yer aldı, ancak dört sınıflı nicel karşılaştırmaya dahil edilmedi. Amaç, evrensel olarak üstün bir algoritmayı belirlemek değil, belirli yaklaşımların nerede kullanıldığını tanımlamak, performans raporlamasının tutarlılığını değerlendirmek ve klinik olarak yorumlanabilir ve tekrarlanabilir tanı modelleri için pratik gereksinimleri belirlemekti.
3 Sonuçlar
3.1 Dahil edilen çalışmalar ve tanısal veri girdileri
Dahil edilen çalışmalar, bakteriyel-viral ateş, deng ve sıtma, COVID-19, influenza, tüberküloz, sepsis ve karışık enfeksiyöz hastalık kohortları da dahil olmak üzere geniş bir klinik yelpazeyi temsil etti. Tran ve arkadaşları () ile Vu ve arkadaşları () ateş ve enfeksiyon sınıflandırması için yapılandırılmış klinik değişkenleri kullanırken, Mor ve arkadaşları () bakteriyel-viral ayırıcı tanı için üç proteinli bir ev sahibi yanıt skorunu değerlendirdi. Görüntüleme ve sinyal tabanlı analizler arasında bilgisayarlı tomografi, elektrokardiyografik kayıtlar, mikroskopi ve göğüs radyografisi yer aldı (–). Moleküler girdiler arasında transkriptomik, patojen genomikleri, metagenomik, sitokinler, metabolitler, immün biyobelirteçler ve mikrobiyom ölçümleri bulunuyordu (–).
Temel Bulgular ve Genel Değerlendirme
5 Sonuç
Ev sahibi temelli tanı verilerine uygulanan makine öğrenimi, bakteriyel ve viral enfeksiyonların tespiti ve sınıflandırılmasına destek olma konusunda açık bir potansiyele sahiptir, ancak mevcut kanıtlar metodolojik olarak heterojendir. Hiçbir model sınıfı klinik değişkenler, moleküler ölçümler, görüntüler ve fizyolojik sinyaller arasında tutarlı bir şekilde üstün olmadı. Model seçimi, girdi verilerinin yapısına ve pratik kısıtlamalarına göre yönlendirilmeli ve performans bağımsız doğrulama yoluyla teyit edilmelidir.
Bu alan için en acil fırsat, standartlaşmanın iyileştirilmesidir. Ön işleme, doğrulama, hiperparametre seçimi, AUC, sınıfa özgü performans, kalibrasyon ve özellik önemine ilişkin tutarlı raporlama, çalışmaları daha tekrarlanabilir ve klinik olarak yorumlanabilir hale getirecektir. Gelecekteki çalışmalar, genelleştirilebilir, hastalıktan bağımsız çıktıları ve klinik olarak kullanışlı zaman dilimleri içinde ölçülebilen hedefe yönelik biyobelirteç panellerini önceliklendirmelidir. Bu iyileştirmelerle, ev sahibi temelli makine öğrenimi sistemleri, yalıtılmış retrospektif gösterimler yerine değerli karar destek araçları haline gelebilir.
Beyanlar
Üretken YZ beyanı
Yazar(lar), bu makalenin oluşturulmasında üretken yapay zekânın kullanılmadığını beyan etmiştir.
Bu makaledeki şekillerle birlikte sunulan tüm alternatif metinler (alt metinler) Frontiers tarafından yapay zeka desteğiyle oluşturulmuş olup, doğruluğu sağlamak için makul çabalar sarf edilmiş ve mümkün olduğunda yazarlar tarafından incelenmiştir. Herhangi bir sorun tespit ederseniz lütfen bizimle iletişime geçin.
Yayıncının notu
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, 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.
Özet
Anahtar kelimeler
klinik tanı, konakçı tabanlı tanı, bulaşıcı hastalık, makine öğrenmesi, sinir ağı, rastgele orman
Atıf
Harrington S, Nace S, Martinez KM ve Kubicek-Sutherland JZ (2026) Konakçı tabanlı bulaşıcı hastalık tanıları için makine öğrenmesi uygulaması. Front. Digit. Health 8:1986989. doi: 10.3389/fdgth.2026.1986989
Alınma tarihi
02 Eylül 2026
Gözden geçirme tarihi
03 Kasım 2026
Kabul tarihi
04 Kasım 2026
Yayınlanma tarihi
17 Kasım 2026
8 – 2026
Shang-Ming Zhou, Plymouth Üniversitesi, Birleşik Krallık
Srivastava Vartika, Cleveland Clinic, Amerika Birleşik Devletleri
Jun Ma, Shaanxi Bilim ve Teknoloji Üniversitesi, Çin
© 2026 Harrington, Nace, Martinez ve Kubicek-Sutherland.
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: Kaitlyn M. Martinez kaitlynm@lanl.gov
Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve yazarların bağlı olduğu kuruluşların, 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.

