Yapay zeka modelleri ve platformları
NYU Langone’un PREVIA’sı Acil Servis Anlatılarından TSSB Riskini Belirliyor
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
NYU Langone Health, 9 Kasım 2026’da, PREVIA adlı yapay zekâ model topluluğunun acil servislerdeki travma anlatılarını analiz ederek bir aylık travma sonrası stres bozukluğu (TSSB) riskini tahmin ettiğini ve 145 hastanın katıldığı bir çalışmada en iyi yapılandırmanın %95,4 duyarlılık gösterdiğini duyurdu. Deneysel tarama aracı, acil servis kabulüne uzun bir ruh sağlığı anketi eklemeden risk altındaki hastaları belirlemek üzere tasarlandı.
Nature Communications’ta yayımlanan makalede ayrıca 9 Kasım’da yayımlanan çalışmanın, üç çapraz doğrulama katında %78,5 AUROC ve %46,8 kesinlik bildirdiği ve daha büyük, bağımsız kohortlarda doğrulama yapılması gerektiğini vurguladığı belirtiliyor. Duyarlılık, sonradan TSSB tanısı alan vakaların ne kadarının saptandığını; kesinlik, riskli olarak işaretlenen hastaların ne kadarının gerçekten TSSB geliştirdiğini ölçüyor. AUROC ise puanların iki sonucu birbirinden ne ölçüde ayırabildiğini özetliyor. Bu kesinlik oranı, pozitif tarama sonuçlarının çoğunun yanlış pozitif olacağı anlamına geliyor; bu da takip için gereken personel süresini, hastaların üzerindeki yükü ve kaynak tahsisi maliyetlerini artırabilir. Bununla birlikte, sonraki adım genellikle invaziv bir müdahale değil, kısa bir değerlendirme olur.
PREVIA, uygulamadaki önemli bir açığı gidermek üzere tasarlandı: çalışmaya göre ABD’deki acil servislerin yalnızca yaklaşık %28’i rutin olarak TSSB taraması yapıyor ve bunların da yalnızca üçte ikisi doğrulanmış anketler kullanıyor. Klinisyenlerin hasta başına ayırabildiği süre genellikle 15–20 dakika civarındayken standart değerlendirmeler, acil tıbbi gereksinimlerle zaman açısından yarışıyor. Travmadan sonraki ilk ay, vakaları belirlemek için kritik bir dönem; çünkü bu sürenin sonunda birçok hastanın hastaneyle artık bağlantısı kalmıyor.
Kıdemli yazar ve NYU Grossman Tıp Fakültesi’nde hesaplamalı psikiyatri eş direktörü Katharina Schultebraucks, “PREVIA, yoğun acil servislerde başvuru sürecine hiç zaman eklemeden risk altındaki hastaları belirleyen ve bunun nedenini açıklayan bir yapay zekâ tarama aracı olarak kullanılabilir,” dedi.
Hasta Başındaki Anlatıdan Risk Puanına
Araştırma koordinatörleri, New York City’deki iki 1. düzey travma merkezinde hastalardan acil servise başvurmalarına yol açan olayı anlatmalarını istedi. Katılımcılar travmadan sonraki 24 saat içinde çalışmaya alındı ve bir iPad video kaydı yaparken yanıt vermeleri için kendilerine en fazla üç dakika tanındı. Anlatılar ortalama 374 sözcükten oluşuyordu. Whisper, hastaların konuşmalarını yazıya döktü; anadili İngilizce olan araştırma ekibi üyeleri de dökümleri gözden geçirdi. Bir aylık TSSB sonuçları, klinik tanı görüşmesi olan Klinisyen Tarafından Uygulanan DSM-5 TSSB Ölçeği kullanılarak belirlendi.
PREVIA, her dökümü üç katmanda işler. İlk katmanda Llama ve Mistral; erken dönem travma sonrası stres belirtilerini, travmatik olay sırasındaki tepkileri, risk faktörlerini ve koruyucu faktörleri birbirinden bağımsız olarak değerlendirir. DeepSeek, bu sekiz değerlendirmeyi yapılandırılmış özetler hâlinde birleştirirken iki modelin sayısal puanlarının ortalaması eşit ağırlıkla alınır. Son değerlendirici, özetleri yaş, cinsiyet, travma türü ve TSSB yaygınlığına ilişkin bilgilerle bir araya getirerek 0 ile 100 arasında bir risk puanı ve kısa bir açıklama oluşturur.
İşlem hattında, çalışma örnekleminde parametre eğitimi veya ince ayar yapılmadan sıfır örnekli istemler kullanılıyor. Sınıflandırma eşiğini optimize etmek ve değerlendirmek için çapraz doğrulamadan yararlanıldı.
Daha Basit Modeller ve Bir Uzmanla Karşılaştırmalı Performans
Makalede, birçok ölçütte PREVIA ile O3, Llama ve Mistral’in tekil sıfır örnekli yapılandırmalarının genel performansının büyük ölçüde benzer olduğu; PREVIA’nın en belirgin üstünlüğünün ise duyarlılıkta görüldüğü bildiriliyor. Tam tanı eşiğinin altındaki ancak klinik açıdan anlamlı belirtileri ifade eden eşik altı TSSB’de PREVIA, %89,7 duyarlılığa ve kesinlik ile duyarlılığı bir arada ölçen %69,4 F1 puanına ulaştı.
Çalışmada, TSSB vakalarından dokuzunu içerecek şekilde tabakalandırılarak rastgele seçilmiş 30 anlatının ayrı bir karşılaştırması da raporlanıyor. Bu karşılaştırmada PREVIA %100 duyarlılık ve %84,4 AUROC elde etti. Bir acil servis klinisyeni ise %88,9 duyarlılık ve %83,9 AUROC kaydetti; her ikisinin kesinliği de %50 oldu. Klinisyenin acil tıp alanında 24 yılı aşkın deneyimi ve TSSB araştırmalarında uzmanlığı vardı. Tek değerlendiricili tasarım, karşılaştırma sonuçlarının farklı deneyim düzeylerine ve klinik ortamlara genellenip genellenemeyeceğini belirsiz bırakıyor.
Doğrulama ve Uygulamaya Alma Gereklilikleri
Katılımcılar, İngilizce konuşan, tıbbi açıdan stabil ve 18–80 yaş aralığındaki yetişkinlerden oluşuyordu; örneklemin %31’ini kadınlar oluşturuyordu. Tıbbi açıdan stabil olmayan hastalar çalışmaya alınmadı; bu nedenle kronik TSSB açısından en yüksek risk altındaki bazı hastalar dışarıda kalmış olabilir. Yazarlar, başka dillerde test yapılmasını, TSSB’nin uzun vadeli seyrinin incelenmesini, depresyon gibi eş tanıların değerlendirilmesini ve klinisyen yargısı ile acil servis iş akışlarına entegrasyonu gelecekteki çalışmalar arasında sayıyor.
Yazarlar, kısa bir ses kaydını elektronik sağlık kaydındaki demografik ve travmayla ilgili değişkenlerle birleştiren, ardından klinisyenden ek girdi almadan risk puanı ve açıklama sunan bir klinik iş akışı öneriyor. Çalışma, bu tür bir taramanın hasta sonuçlarını iyileştirdiğini ortaya koymadı. PREVIA, NVIDIA A100 GPU’larda, HIPAA gerekliliklerine uygun bir yüksek başarımlı hesaplama ortamında çalıştırıldı. Sistemin kurum içinde barındırılması hasta verileri üzerinde denetim olanağı sağlıyor; ancak benimsenmesi, hastanelerin uygun bilişim ve yönetişim altyapısına sahip olmasına bağlı.
Herkese açık PREVIA deposu, uçtan uca bir gösterim için uçtan uca işlem hattının tamamını, yerel olarak çalışan açık ağırlıklı modellere yönelik istemleri ve beş kurmaca anlatıyı sunuyor. Kimliği belirlenebilir klinik anlatılar ve psikiyatrik değerlendirmeler, mahremiyet ve rıza gerekçeleriyle erişime kapalı tutuluyor. Bu nedenle gösterim, sistemin işleyişini sınayabiliyor ancak makalenin nicel sonuçlarını yeniden üretemiyor.
PREVIA’nın doğrudan katkısı, rutin bir acil servis başvurusu ve klinisyen değerlendirmesiyle belirlenen sonuçlardan yararlanılarak geliştirilmiş, bağımsız olarak sınanabilir bir tarama yaklaşımı sunmasıdır. Klinik değeri artık bağımsız doğrulamaya bağlı: Daha büyük kohortlarda duyarlılığı koruyup korumayacağına, hizmet birimlerinin yanlış pozitifleri yönetip yönetemeyeceğine ve hastanelerin acil bakımı aksatmadan kayıt alma, takip ve güvenli bilişim süreçlerini uygulamaya alıp alamayacağına.
