Rutin sağlık kontrollerinde, acil servislerde ve hastane polikliniklerinde en sık istenen laboratuvar tetkiklerinden biri olan tam kan sayımı, lösemi açısından şüpheli hastaların daha erken fark edilmesine yardımcı olabilir mi?
Çin’deki araştırmacılar bu sorudan hareketle, tam kan sayımı verilerini yapay zekâ yardımıyla analiz eden LeukoAlert adlı bir sistem geliştirdi. Çok merkezli araştırmanın sonuçları, 25 Temmuz 2026 tarihinde npj Digital Medicine dergisinde yayımlandı.
Model; lökosit, hemoglobin ve trombosit gibi standart sonuçların yanı sıra kan hücrelerinin sayısı, dağılımı, hacmi ve yapısal özellikleriyle ilişkili toplam 72 laboratuvar parametresini birlikte değerlendiriyor.
203 Binden Fazla Kişinin Verileri Kullanıldı
LeukoAlert’ın geliştirilmesi ve doğrulanması için yedi bağımsız merkezden elde edilen 203 bin 284 kişiye ait toplam 446 bin 558 laboratuvar kaydı incelendi.
Araştırmacılar modeli önce lösemi tanısı bulunan hastalar ile lösemi bulunmayan kişilerin kan sonuçlarını kullanarak eğitti. Daha sonra sistemin, geliştirildiği merkez dışındaki sağlık kuruluşlarının verilerinde de benzer performans gösterip göstermediği değerlendirildi.
Model, eğitim kohortunda lösemi bulunan ve bulunmayan örnekleri ayırt etmede 0,996 eğri altı alan değerine ulaştı. Ancak bu sonuç, modelin eğitildiği veri grubundaki performansını gösteriyor.
Seçilen GBDT modelinin eğri altı alan değeri, üç iç doğrulama merkezinde 0,931 ile 0,974; dört dış doğrulama merkezinde ise 0,925 ile 0,973 arasında değişti. Bulgular, modelin farklı merkezlerde güçlü ayırt etme performansı gösterebildiğine işaret etse de sonuçlar merkezler arasında aynı değildi.
Modelin akut ve kronik lösemi alt gruplarını birbirinden ayırma başarısı ise lösemi bulunan ve bulunmayan örnekleri ayırt etme performansına göre daha sınırlı kaldı.
Gerçek Yaşam Koşullarında 58 Bin Kayıtla Değerlendirildi
Araştırmacılar, retrospektif geliştirme ve doğrulama çalışmalarının ardından LeukoAlert’ı 58 bin 481 seçilmemiş tam kan sayımı kaydının bulunduğu prospektif gerçek yaşam değerlendirmesine aldı.
Model bu aşamada 0,969 eğri altı alan değerine ulaştı. Sistem, özellikle hematoloji dışındaki bölümlerde değerlendirilen bazı hastalarda daha önce fark edilmemiş lösemi olasılığını ve tedavi görmüş bazı kişilerde nüks şüphesini işaretledi.
Ancak bu değerlendirme, yapay zekâ uyarılarının hekim kararlarını yönlendirdiği kontrollü bir klinik çalışma değildi. Modelin tanıya kadar geçen süreyi kısaltıp kısaltmadığı, tedavinin daha erken başlamasını sağlayıp sağlamadığı veya hasta sonuçlarını iyileştirip iyileştirmediği henüz gösterilmedi.
Her Pozitif Uyarı Lösemi Anlamına Gelmiyor
Modelin yüksek eğri altı alan değerleri göstermesi, verdiği her pozitif uyarının lösemi anlamına geldiği şeklinde yorumlanmamalı.
Gerçek yaşam analizinde kayıt düzeyindeki pozitif öngörü değeri yüzde 38,8 olarak hesaplandı. Başka bir ifadeyle, modelin riskli olarak işaretlediği kayıtların yaklaşık yüzde 61’inde lösemi bulunmadı.
Her kişinin yalnızca ilk laboratuvar sonucunun değerlendirildiği kişi düzeyindeki analizde ise pozitif öngörü değeri yüzde 31,5’e geriledi.
Kullanılan karar eşiği, hasta grubunun özellikleri ve löseminin incelenen toplumdaki görülme sıklığı bu oranları değiştirebilir. Bununla birlikte sonuçlar, modelin yanlış pozitif uyarılar üretebileceğini ve tek başına tanı amacıyla kullanılamayacağını gösteriyor.
Enfeksiyonlar, iltihabi hastalıklar, bağışıklık sistemi bozuklukları, bazı ilaçlar ve lösemi dışındaki hematolojik hastalıklar da tam kan sayımında benzer değişikliklere yol açabilir.
Yanlış pozitif sonuçlar gereksiz hasta kaygısına, ek tetkiklere, hematoloji başvurularında artışa ve sağlık sistemi üzerinde ek iş yüküne neden olabilir.
Modelin Önem Verdiği Laboratuvar Bulguları Belirlendi
LeukoAlert, yalnızca bir risk puanı üretmek amacıyla geliştirilmedi. Araştırmacılar, modelin genel karar yapısında etkili olan ve lösemi biyolojisiyle ilişkilendirilebilen dokuz laboratuvar özelliği belirledi.
Bu yaklaşım, sistemin hangi değişkenlere daha fazla ağırlık verdiğinin anlaşılmasına yardımcı oluyor ve tamamen kapalı bir “kara kutu” model yerine daha yorumlanabilir bir yapı sunuyor.
Ancak çalışmada her hasta için klinisyene özel gerekçe sunan, kullanıma hazır bir açıklama arayüzünün gerçek hastane ortamında uygulandığı gösterilmedi. Modelin yorumlanabilir olması da verdiği sonucun mutlaka doğru olduğu anlamına gelmiyor.
Yapay zekâ uyarılarının hastanın belirtileri, muayene bulguları ve diğer laboratuvar sonuçlarıyla birlikte değerlendirilmesi gerekiyor.
Her Laboratuvar Raporuyla Doğrudan Çalışmayabilir
LeukoAlert’ın önemli potansiyel avantajlarından biri, günlük laboratuvar iş akışında zaten üretilen tam kan sayımı verilerinden yararlanması.
Uyumlu laboratuvar cihazları ve hastane bilgi sistemleriyle bütünleştirilmesi hâlinde sistem, yeni bir kan örneği alınmadan mevcut verileri otomatik olarak analiz edebilir.
Ancak model yalnızca standart laboratuvar raporlarında görülen birkaç temel değeri kullanmıyor. Kan sayımı cihazlarının ürettiği hücre popülasyonu verileri, farklı ölçüm kanallarından elde edilen araştırma parametreleri ve cihaz uyarıları da analizde yer alıyor.
Bu özelliklerin bütün laboratuvar cihazlarında aynı şekilde üretilip üretilemeyeceği veya farklı marka ve modeller arasında doğrudan karşılaştırılıp karşılaştırılamayacağı henüz bilinmiyor.
Yazılım entegrasyonu, cihaz uyumluluğu, lisanslama, veri güvenliği ve klinik doğrulama süreçleri de ek altyapı ve maliyet gerektirebilir. Bu nedenle sistemin hiçbir ek maliyet oluşturmadan kullanılabileceğini söylemek için yeterli kanıt bulunmuyor.
Kesin Tanı İçin İleri İncelemeler Gerekiyor
Lösemi tanısı yalnızca tam kan sayımı sonuçlarına veya bir yapay zekâ modelinin ürettiği risk puanına dayanılarak konulamıyor.
Şüpheli vakalarda periferik kan yaymasının değerlendirilmesi, kemik iliği aspirasyonu veya biyopsisi, akım sitometrisi, sitogenetik incelemeler ve moleküler testler gibi ileri yöntemlere ihtiyaç duyulabiliyor.
LeukoAlert; kemik iliği incelemesinin, hematopatolojik değerlendirmenin, akım sitometrisinin veya genetik testlerin yerine geçemez.
Sistemin vereceği uyarı, yalnızca hastanın hematoloji uzmanı tarafından değerlendirilmesi ve gerekli görülmesi hâlinde ileri testlerin planlanması için destekleyici bir bulgu olabilir.
Farklı Ülkelerde Bağımsız Doğrulama Gerekiyor
Araştırma yedi farklı merkezden gelen geniş bir veri setine dayanmasına rağmen merkezlerin tamamının Çin’de bulunması, sonuçların genellenebilirliğini sınırlandırıyor.
Modelin farklı ülkelerde, toplumlarda, yaş gruplarında, laboratuvar cihazlarında ve sağlık sistemlerinde bağımsız olarak doğrulanması gerekiyor.
Ayrıca klinik kullanıma geçebilmesi için yalnızca teknik performansının değil, gerçek hasta sonuçlarına katkısının, maliyet etkinliğinin ve sağlık çalışanlarının karar süreçleri üzerindeki etkisinin de prospektif kontrollü çalışmalarla gösterilmesi gerekiyor.
Tanı Aracı Değil, Potansiyel Bir Dijital Alarm
LeukoAlert, tek bir kan testiyle lösemi tanısı koyan bir teknoloji değil. Bununla birlikte rutin laboratuvar verilerinde gözden kaçabilecek örüntülerin yapay zekâ aracılığıyla belirlenebileceğini gösteriyor.
Bağımsız klinik araştırmalarla doğrulanması hâlinde sistem; laboratuvar sonuçlarının arka planında çalışan, şüpheli bulguları hekimlerin dikkatine sunan bir “dijital alarm” görevi üstlenebilir.
Ancak bu aşamada LeukoAlert’ın toplum genelinde kullanılmaya hazır bir lösemi tarama testi olarak değil, araştırma aşamasındaki açıklanabilir bir klinik karar destek modeli olarak değerlendirilmesi gerekiyor.
Çalışma düzeyi
Çok merkezli retrospektif yapay zekâ geliştirme, iç ve dış doğrulama araştırması ile prospektif gerçek yaşam performans değerlendirmesi.
Temel sınırlılık
Model kesin lösemi tanısı koyamaz ve kemik iliği incelemesi, akım sitometrisi, sitogenetik veya moleküler testlerin yerine geçemez. Gerçek yaşam analizlerindeki sınırlı pozitif öngörü değerleri, yanlış pozitif uyarıların önemli olabileceğini gösteriyor. Farklı ülkelerde bağımsız doğrulama, cihazlar arası uyumluluk, maliyet etkinlik ve hasta sonuçlarına katkı henüz yeterince gösterilmiş değildir.
Araştırma desteği
Çalışma Çin Ulusal Doğa Bilimleri Vakfı tarafından desteklendi. Araştırmacılar, Sysmex Corporation’ın cihaz ve teknik destek sağladığını bildirdi. Yazarlar çıkar çatışması bulunmadığını; fon sağlayıcıların çalışma tasarımı, veri toplama ve analizi, yayımlama kararı veya makalenin hazırlanmasında rol almadığını beyan etti.
Editör notu
Makale, erken erişim amacıyla yayımlanan ve henüz son editoryal düzenlemelerden geçmemiş sürümdür. Nihai yayında bazı ayrıntılar değişebilir.
