Yapay Zeka Destekli Ultrasonografi Cihazlarının Klinik Faydaları–1

Giriş

Point-of-care ultrasonografi (POCUS), taşınabilirliği, gerçek zamanlı görüntüleme avantajı, pratik kullanım olanağı ve düşük maliyeti nedeniyle başta acil tıp ve yoğun bakım olmak üzere birçok tıbbi branşta yaygın olarak kullanılan bir araçtır. Ancak, POCUS’un doğruluğu, genellikle uygulayan hekimin becerisi, eğitimi ve tecrübesine bağ(ım)lıdır. Son yıllarda bu bağımlılığın önüne geçebilecek yapay zeka (AI) teknikleri, özellikle derin öğrenme (deep learning), POCUS cihazlarına entegre edilerek klinisyenlere, hem görüntülerin daha net elde edilmesinde, hem de görüntülerin yorumlanmasında yardımcı olmaktadır. Bu AI destekli POCUS programları (POCUS-AI), görüntü analizlerini otomatikleştirerek bir nevi standardize eder; kullanıcı bağımlılığını azaltmayı ve karar destek sistemleri sunmayı hedefler ve tecrübesizliği bir handikap olmaktan çıkarır^​1​.

Acil tıbbın pratik hasta yönetim algoritmaları içinde kendine yer edinen yapay zeka uygulamalarının POCUS içerisine yedirilmesi literatür verileri ile de kantitatif şekilde ölçülmüştür ki bu ve bundan bir sonraki yazımızın da konusu bu literatür verilerini irdelemek üzerine olacaktır.

Bu yazımızda POCUS-AI sistemini kardiyak ve pulmoner değerlendirme aşamaları için ele alacağız. Herkese iyi okumalar/dinlemeler….

Kardiyak değerlendirmede POCUS-AI sisteminin performansı

Yapay zekânın, kardiyak POCUS’a (genellikle “odaklanmış kardiyak ultrason” anlamına gelen FoCUS olarak adlandırılır) entegrasyonu, esas olarak sol ventrikül fonksiyonunun değerlendirilmesi ve kardiyak patolojilerin saptanmasına odaklanmıştır. Yaygın bir uygulama, ekokardiyografi görüntülerinden sol ventrikül ejeksiyon fraksiyonunun (LVEF) otomatik olarak hesaplanmasıdır. Çalışmalar, yapay zekâ destekli elde taşınabilir ultrason cihazlarının yatak başında ejeksiyon fraksiyonunu, formal transtoraksik ekokardiyografi ile yüksek korelasyonla tahmin edebildiğini göstermiştir^​2​. Bu çalışma 2023 yılında çok merkezli olarak 424 hasta ile yapılmıştır. 

Hastalar üzerinde test edilen bir yapay zekâ algoritması, ejeksiyon fraksiyonunu standart transtorasik ekokardiyografiyle mükemmel uyum içinde hesaplamıştır. Azalmış ejeksiyon fraksiyonuna (<%50) sahip hastaların saptanmasında model, 0.98 AUC, yaklaşık %92.8 duyarlılık ve %92.3 özgüllük elde etmiştir. Şiddetli sistolik disfonksiyon (EF <%30) için bile AI destekli sistemin performansı yüksek kalmıştır (AUC: 0.99, özgüllük yaklaşık %98, duyarlılık biraz daha düşük olsa da %78 civarında).

Bu sonuçlar, yapay zekânın kardiyak fonksiyonu güvenilir bir şekilde nicelendirebildiğini ve sıklıkla deneyimli klinisyenlerle eşdeğer doğrulukta sistolik disfonksiyonu tanımlayabildiğini göstermektedir^​3​. Sonuçlar FoCUS-AI ile dakikalar içinde resmi kardiyoloji konsultasyonunu beklemeye gerek kalmadan hızlı değerlendirmeye olanak tanındığını göstermektedir. Sistolik fonksiyonun ötesinde, modern AI destekli platformlar, ventrikül boyutları ve atriyum alanları gibi odacık boyutlarını da ölçebilir, diyastolik fonksiyon göstergelerini yorumlayabilir. Hatta kapak patolojilerini de belirleyebilir ve böylece POCUS muayenelerinin kapsamını genişletmektebilmektedir^​4​.

Bütün bunlara ek olarak erken dönem çalışmalar ayrıca yapay zekânın daha ince kardiyak bulguları da tanıyabildiğini göstermektedir. Örneğin; deneysel derin öğrenme (DL) modelleri, POCUS görüntülerinden hipertrofik kardiyomiyopati veya kardiyak amiloidoz gibi hastalıkları, deneyimsiz kullanıcıların gözünden kaçabilecek düzeyde bile olsa saptayabilmiştir (bu modeller hâlâ araştırma aşamasındadır, ancak yapay zekânın kardiyomiyopatiler için olası tarama potansiyelini göstermektedir) (Figür 3)^​5​.

Klinik olarak bu gelişmeler, ön saflarda görev yapan sağlık çalışanlarının yapay zekâ destekli ultrason cihazlarını kullanarak kritik kardiyak durumları (sistolik kalp yetmezliği, kapak hastalıkları, kardiyomiyopatiler) hızlıca tanıyabilmesini ve uygun tedaviye veya sevke çok daha hızlı şekilde başlamasını sağlayabilir. Yapay zekâ ile yönlendirilen sistemlerin, yeni başlayan kullanıcıların bile tanısal kardiyak görüntüleme yapabilmesini mümkün kıldığına dair kanıtlar mevcuttur. Bir çalışmada, derin öğrenme destekli bir ultrason sistemi, hemşirelere apikal kardiyak görüntüler elde etmeleri için rehberlik etmiş ve elde edilen görüntülerin %90’ından fazlasının tanısal kaliteye ulaştığı raporlanmıştır^​1​.

Kardiyak POCUS’a yapay zekâ entegrasyonu (AI-FoCUS), tanısal performansı (örneğin düşük EF veya kapak lezyonları için yüksek duyarlılık/özgüllük) önemli ölçüde artırmış ve erişilebilirliği geliştirmiştir. Bu sayede daha az deneyimli kullanıcılar bile uzmanlara yakın doğrulukta tarama amaçlı ekokardiyografi yapabilmektedir. Bu, akut durumlarda klinik karar verme sürecini hızlandırabilir (örneğin akut kalp yetmezliği veya kardiyak tamponadı yatak başında doğrulamak gibi) ve kardiyak ultrasonun, kardiyolog bulunmayan alanlarda kullanımını yaygınlaştırabilir.

Pulmoner değerlendirmede POCUS-AI sisteminin performansı

POCUS için yapay zekânın en başarılı olduğu alanlardan biri akciğer ultrasonografisidir. Bu alanda doğrudan organ görüntülemeden çok, artefaktların (A-line, B-line, konsolidasyonlar vb.) yorumlanmasına dayanılır. Yapay zekâ algoritmaları, akciğer patolojisi göstergelerini saptama konusunda dikkate değer bir yetenek sergilemiştir.

Öne çıkan bir örnek, B-line’ların otomatik tespiti ve sayımıdır. Bu dikey reverberasyon artefaktları, interstisyel ödemi (örneğin akut kalp yetmezliği veya ARDS gibi durumlarda) işaret eder. B-line’ların sayımı, deneyimsiz klinisyenler için zor olabilir, ancak yapay zekâ bu çizgileri tutarlı biçimde tanıyabilir. Baloescu ve arkadaşları akciğer ultrasonunda B-line tanımlamak üzere bir derin öğrenme modeli geliştirdi; Verileri bu farklı formatlarda standartlaştırmak için, görüntüler tutarlı bir doğrusal formata işlendi, burada B-çizgileri her zaman ultrason ışını yönü ile hizalanmış dikey çizgiler olarak ortaya çıktı (Figür 5). Uzman yorumlarıyla karşılaştırıldığında, bu yapay zekâ modeli %93 duyarlılık ve %96 özgüllük ile B-line varlığını tespit etti (κ = 0.88 uyum)^​6​.

Benzer şekilde, diğer çalışmalar da AI’nin akciğer artefaktlarını nicelendirmede insan uzmanlarla yüksek düzeyde örtüştüğünü raporlamıştır. Örneğin 2022 yılında yapılan bir çalışmada, bir AI modeli ile klinisyenler arasında B-line, plevral hat anormallikleri ve konsolidasyonların tanımlanmasında %88’den fazla uyum sağlandığı bildirilmiştir^​1​. Uygulamada, bir acil servis hekimi, AI destekli bir cihaz kullanarak yaygın B-line’ları (pulmoner ödem göstergesi) veya büyük bir konsolidasyonu (pnömoni göstergesi) hızla tanıyabilir. Üstelik bunu kapsamlı ultrason eğitimi olmadan da AI sayesinde yapabilir. Bu sayede POCUS ile pulmoner ödemin hızlı tespiti, kalp yetmezliğinde diürez tedavisini hızlandırabilir; POCUS-AI ile pnömoni konsolidasyonunun saptanması ise uygun antibiyotik tedavisinin daha erken başlanmasına olanak tanır.

AI modelleri, pandemi döneminde de klinisyenlerin işini oldukça kolaylaştırdı. Akciğer ultrasonu (LUS), COVID-19 salgını sırasında hastabaşı pnömoni şiddetini değerlendirmek için hızlı, radyasyonsuz bir araç olarak öne çıktı. Kuroda ve ark. tarafından 2023’te yapılan bir çalışmada, ultrason açısından deneyimi kısıtlı (acemi!) klinisyenler tarafından derin öğrenme (deep learning) algoritmasının kullanıldığı cep boyutunda bir POCUS cihazı COVID pnömonisini taramak için kullanıldı ve toraks BT bu yöntemin doğruluğunu değerlendirmek için altın standart olarak kullanıldı. AI destekli LUS, BT bulgularıyla karşılaştırıldığında pnömoniyi tespit etmek için %92,3 duyarlılık ve %100 özgüllük gösterdi^​7​. Başka bir deyişle, AI destekli akciğer ultrasonografisi (AI-LUS), BT ile doğrulanmış tüm pnömoni vakalarını (bu seride yanlış negatif yok) tespit etti ve yanlış pozitif sonuç vermedi; bu da genel olarak hasta düzeyinde yaklaşık %94,5’lik bir tanı doğruluğu sağladı​. Bu çalışma; AI-LUS’un BT taramlarının tanısal güvenilirliğine yaklaştığını ve bunu yaparken de yorumlama zorluğunun önüne geçerek klinisyene destek olmasını göstermesi açısından çarpıcı sonuçlara sahipti.

COVID’in ötesinde, benzer AI-LUS yaklaşımları muhtemelen tipik bakteriyel pnömoniyi veya ultrasonda diğer akciğer patolojilerini tespit etmeye genelleştirilebilir. AI tarafından klinisyeni yönlendiren pnömotoraks tespiti üzerine yapılmış çalışmalar da umut vericidir: Örneğin, akciğer kayması (Lung Sliding) hareketinin yokluğu (pnömotoraksın temel işareti)  için ultrason videosunu analiz eden modeller, biraz daha düşük özgüllüğe sahip olsa da (%70-80), yaklaşık %85-90 düzeyinde duyarlılık gösterdi^​8​.

Klinik uygulamada AI-LUS, hasta yatağı başında radyolog olmayan birinin bile (acilci, yoğun bakımcı, göğüsçü, kardiyolog, dahiliyeci…v.s) akciğer patolojilerini hızlı ve doğru bir şekilde teşhis edebileceği bir sistem ile klinisyene destek sunmaktadır. Örneğin, B-line sayımları yoluyla pulmoner ödem ile KOAH alevlenmesini ayırt edebilir veya göğüs röntgeni beklemekten daha hızlı bir şekilde şüpheli bir pnömotoraksı doğrulayabilir. Bu iyileştirmeler, noninvaziv ventilasyon başlatma, pnömonileri sınıflandırma veya göğüs tüpü yerleştirmeye karar verme gibi hasta için kritik kararları hızlandırabilir ve böylece acil ve yoğun bakım ortamlarında hasta sonuçlarını iyileştirebilir. Bakalım daha neler göreceğiz…