Yapay Zeka Destekli Sistemler Yaşlı Hastalarda Deliryum Bakımını Nasıl Dönüştürüyor?
Makine öğrenimi ve yapay zeka modelleri, hastanede yatan yaşlı bireylerde deliryum riskini önceden tahmin etme ve tespit etme süreçlerinde inceleniyor.
Yayınlanan kapsamlı bir derleme çalışması, yapay zeka, makine öğrenimi ve büyük dil modellerinin yaşlı hastanede yatan yetişkinlerde deliryum durumunu tahmin etme, tespit etme ve önleme rollerini incelemektedir.
Deliryum Sendromunun Genel Özellikleri
Deliryum; dikkat, farkındalık, biliş ve uyanıklık bozukluklarıyla karakterize edilen akut bir nöropsikiyatrik sendrom olarak tanımlanmaktadır. Hastanede yatan yaşlı hastaların yaklaşık beşte birini etkileyen bu durum, yoğun bakım ünitelerinde çok daha yüksek oranlarda görülmektedir.
Tanı ve Tanı Koyma Zorlukları
Klinik heterojenlik, özellikle çekilme, düşük aktivite veya uykululuk haliyle kendini gösteren hipoaktif deliryumun hiperaktif formlardan ayırt edilmesini zorlaştırmaktadır. Araştırmalar, acil tıp hekimlerinin önemli bir oranda deliryum vakalarını gözden kaçırdığını göstermektedir.
Kullanılan Değerlendirme Yöntemleri
Sistematik değerlendirmelerin yapılması ve klinik yargının yanı sıra CAM, CAM-ICU ve 4AT gibi geçerliliği kanıtlanmış araçların kullanılması büyük önem taşımaktadır. Bu doğrulanmış araçlar, hastaların durumunun daha doğru bir şekilde tespit edilmesine katkı sağlamaktadır.
Derleme Metodolojisi ve Araştırma Kapsamı
Ağustos 2026 tarihinde PubMed ve MEDLINE veritabanlarında deliryum, yapay zeka ve yaşlı yetişkinler terimleri kullanılarak birincil arama gerçekleştirilmiştir. Bu arama; tahmin, tespit, doğal dil işleme, önleme, kırılganlık ve büyük dil modellerine yönelik hedeflenmiş aramalarla desteklenmiştir.
Makine Öğrenimi Modelleri ve Performans
Makine öğrenimi modelleri, klinik başlangıçtan önce deliryum riskini tahmin etmek amacıyla istatistiksel örüntüleri belirlemeyi hedeflemektedir. 18 binden fazla hastane yatışını içeren bir çalışmadaki gradyan artırma modeli, geleneksel skorlara kıyasla daha yüksek bir ayrım gücü ortaya koymuştur.
Klinik Kullanımda Karşılaşılan Zorluklar
Prospektif olarak uygulanan rastgele orman algoritması yüksek ayrım gücüne ulaşmış olsa da, klinik kullanım sırasında zayıf kalibrasyon sorunlarıyla karşılaşmıştır. Bu durum, yüksek diskriminasyon yeteneğinin her zaman klinik olarak güvenilir risk tahminleri anlamına gelmediğini göstermektedir.