Kazanimlar:
- Elektronik sağlık kaydı (EHR) verisinin temizlenmesi, kodlanması ve yapay zeka ile analizindeki adımları açıklayabilme
- Eksik veri, önyargı, sınıf dengesizliği ve zamansal sızıntı gibi klinik veri risklerini tanıyabilme
- Öngörü modeli çıktılarını kalibrasyon, alt grup performansı ve klinik yararlılıkla doğrulayabilme
Modern hastanelerin belleği elektronik sağlık kaydıdır (İngilizce Electronic Health Record, kısaca EHR): tanılar, laboratuvar sonuçları, ilaçlar, işlemler, hemşire notları ve doktor gözlemlerinin dijital toplamı. Bu veri, yapay zeka için hem bir hazine hem bir mayın tarlasıdır. Hazine, çünkü milyonlarca hasta yıllık örüntü içerir; mayın tarlası, çünkü klinik veri düzensiz, eksik, önyargılı ve zamansal tuzaklarla doludur. Bu ünitede EHR verisinin temizlenmesini, kodlanmasını ve yapay zeka ile analizini; en sinsi hataları (zamansal sızıntı, önyargı, sınıf dengesizliği); ve öngörü modeli çıktılarının nasıl doğrulandığını göreceğiz.
Baştan hatırlatalım: bir risk modeli "bu hastanın yeniden yatış olasılığı yüksek" diyebilir; ama bu bir karar destek çıktısıdır, tanı veya tedavi kararı değil. Yapay zeka teşhis koymaz; karar hekim ve klinik ekibindir.
EHR Verisiyle Çalışmanın Adımları
Adım 1 — Çıkarma ve birleştirme. Veri farklı sistemlerden (laboratuvar, eczane, radyoloji) gelir; hasta kimliğiyle birleştirilir. Bu aşamada gizlilik en yüksek önceliktir (bkz. Ünite 10).
Adım 2 — Temizleme. Eksik değerler, birim tutarsızlıkları (mg/dL ve mmol/L karışması), yinelenen kayıtlar ve olmayacak değerler (yaş 200, tansiyon 0) ayıklanır. Yapay zeka aykırı değer işaretleme ve serbest metin yapılandırmada burada güçlüdür.
Adım 3 — Kodlama ve standardizasyon. Tanılar ICD (Uluslararası Hastalık Sınıflaması) gibi standart kodlara, ilaçlar standart sözlüklere eşlenir. Serbest metin notlardan yapılandırılmış bilgi çıkarmaya doğal dil işleme (İngilizce NLP) denir; AI burada değerlidir ama çıktısı doğrulama ister.
Adım 4 — Özellik mühendisliği. Ham veriden model girdileri üretilir: son laboratuvar değeri, eğilim, ilaç sayısı, komorbidite skoru gibi.
Adım 5 — Modelleme ve değerlendirme. Öngörü modeli kurulur ve — en kritik kısım — dikkatli, sızıntısız bir şekilde değerlendirilir.
En Sinsi Üç Hata
Zamansal sızıntı (temporal leakage). Tahmin anında henüz var olmayan bir bilgiyi özelliğe koymak. Örneğin yatış anındaki ölüm riskini tahmin ederken taburcu tanısını veya son gün laboratuvarını kullanmak. Model laboratuvarda mükemmel görünür, gerçek kullanımda çöker çünkü "geleceği" görmüştür.
Önyargı (bias). Veri geçmiş klinik kararları yansıtır; bu kararlar zaten eşitsizse model bunu öğrenir ve pekiştirir. Örneğin belirli bir gruba tarihsel olarak daha az test istenmişse, model o grupta "hastalık az" sanabilir.
Sınıf dengesizliği. İlgilenilen olay (örneğin nadir bir komplikasyon) verinin %1'iyse, her zaman "olay yok" diyen bir model %99 doğru görünür ama işe yaramaz. Doğruluk yerine duyarlılık, kesinlik ve olay bazlı metrikler gerekir.
Değerlendirme: Ayrım Yetmez, Kalibrasyon Şart
İki farklı soru vardır. Ayrım (İngilizce discrimination, tipik ölçüsü AUC): model hastaları riske göre doğru sıralıyor mu? Kalibrasyon: modelin verdiği olasılıklar gerçek sıklıklarla uyuşuyor mu? "%20 risk" dediği hastaların gerçekten yaklaşık %20'sinde olay oluyor mu? Klinikte kararlar eşiklere göre alındığından, iyi sıralayan ama kötü kalibre bir model yanlış eşik kararlarına yol açar. Ayrıca alt grup performansı (yaş, cinsiyet, etnisite, hastane) ayrı ayrı raporlanmalı ve klinik yararlılık (bu modeli kullanmak gerçekten daha iyi sonuç doğuruyor mu?) sorusu sorulmalıdır.
Üç Mini Vaka: Rakamlarla
Vaka 1 — Sızıntının şişirdiği başarı. Bir yeniden yatış modeli iç testte 0,92 AUC verdi; harika görünüyordu. İnceleme, özellikler arasında "taburcu sonrası poliklinik randevusu" olduğunu ortaya çıkardı; bu bilgi tahmin anında yoktu. Sızıntı temizlenince AUC 0,71'e indi — gerçekçi ve kullanılabilir bir değere.
Vaka 2 — Kalibrasyon kayması. Bir sepsis erken uyarı skoru, geliştirildiği hastanede iyi kalibreyken, hasta profili farklı bir hastanede aynı skor için gerçek olay oranını iki katı gösterdi. Skor doğru sıralıyordu ama olasılıkları yanlıştı; eşik yeniden kalibre edilmeden kullanılamazdı.
Vaka 3 — NLP ile zaman kazancı. Bir araştırma ekibi, 12.000 hasta notundan sigara öyküsünü elle çıkarıyordu; not başına yaklaşık 2 dakika, toplam 400 saat. NLP destekli çıkarma bunu birkaç saate indirdi; ekip yalnızca modelin "belirsiz" bıraktığı ve rastgele seçilen bir doğrulama örneğini elle kontrol etti. Kritik olan, doğrulama örneğinin titizce incelenmesiydi.
Zayıf Prompt / Güçlü Prompt
Zayıf prompt:
Bu hasta verilerinden bir risk modeli kur ve sonuç söyle.[veri]
Güçlü prompt:
Rolün: Klinik veri analiz asistanısın (KARAR VERMİYORSUN).Aşağıdaki anonim değişken listesi için bir öngörü modeli PLANI eleştir:- Her değişkenin tahmin anında mevcut olup olmadığını işaretle (zamansal sızıntı riski).- Sınıf dengesizliği ve olası önyargı kaynaklarını listele.- Değerlendirme için ayrım + kalibrasyon + alt grup + klinik yararlılık öner.- Kararın klinik ekibe ait olduğunu belirt.Anonim değişkenler ve hedef:[liste]
Dört Kopyalanabilir Şablon
1) Sızıntı denetimi:
Aşağıdaki özellik listesini "tahmin anında mevcut" / "gelecek bilgisi (sızıntı)"olarak sınıfla ve gerekçelendir. Hedef ve tahmin anı: [tanım]. Özellikler: [liste]
2) Veri kalite raporu:
Bu anonim tablo için eksik değer oranı, olmayacak değerler, birim tutarsızlığıve yinelenen kayıt kontrolü yap; bir kalite özeti tablosu çıkar. Tablo: [veri]
3) NLP çıkarım doğrulama planı:
Serbest metin notlardan [değişken] çıkaran bir NLP adımı için doğrulama planı yaz:rastgele örnek boyutu, altın standart etiketleme, uyum metriği, hata analizi.
4) Değerlendirme çerçevesi:
Bu klinik model için değerlendirme çerçevesi taslağı yaz: ayrım (AUC),kalibrasyon eğrisi, alt grup performansı, karar eğrisi analizi. Model: [tanım]
Modelin Rolü: Görev Türüne Göre
Görev türü
AI katkısı
Kritiklik
Doğrulama
Veri temizleme/aykırı değer
Yüksek
Düşük
Nokta kontrol
Notlardan NLP çıkarımı
Yüksek
Orta
Örnek doğrulama
Risk/öngörü skorlama
Orta
Yüksek
Kalibrasyon + alt grup
Kaynak/kapasite planlama
Orta
Orta
İş birimi onayı
Tedavi kararı
Sınırlı
Çok yüksek
Tam hekim onayı
İpucu: Bir klinik modelin AUC'si beklenmedik biçimde yüksekse (örneğin 0,95 üstü), sevinmeden önce zamansal sızıntı arayın. Gerçek dünyada bu kadar yüksek değerler genellikle bir bilgi kaçağının işaretidir.
Dikkat: Model, geçmiş verideki eşitsizlikleri öğrenip pekiştirebilir. Yüksek genel doğruluk, belirli hasta gruplarında sistematik zarar anlamına gelebilir; performans her zaman alt gruplara ayrılarak raporlanmalıdır.
Sık yapılan hatalar
- Zamansal sızıntıyı fark etmemek. Gelecek bilgisi, laboratuvarda sahte başarı üretir.
- Doğrulukla yetinmek. Dengesiz veride doğruluk yanıltıcıdır; duyarlılık ve kalibrasyon gerekir.
- Alt grupları raporlamamak. Genel metrik önyargıyı ve eşitsizliği gizler.
- Kalibrasyonu atlamak. İyi sıralayan model bile eşik kararlarında yanılabilir.
- Kararı modele bırakmak. Çıktı destektir; tedavi kararı klinik ekibindir.
Özetle
- EHR verisi güçlü ama düzensiz, eksik ve önyargılıdır; temizleme ve kodlama kritik adımlardır.
- Zamansal sızıntı en sinsi hatadır; gelecek bilgisi laboratuvarda sahte başarı üretir.
- Sınıf dengesizliği ve önyargı, doğruluk metriğini yanıltıcı kılar.
- Değerlendirme ayrım, kalibrasyon, alt grup ve klinik yararlılığı birlikte içermelidir.
- Öngörü çıktıları destektir; tanı ve tedavi kararı klinik ekibindir.
Uygulama görevi
Bir öngörü hedefi ve on değişkenlik bir liste kurgulayın (içine kasten bir "gelecek bilgisi" değişkeni koyun, örneğin taburcu tanısı). Güçlü promptu kullanarak modele sızıntı denetimi yaptırın ve bu değişkeni yakalayıp yakalamadığını gözlemleyin. Ardından bu model için ayrım, kalibrasyon ve alt grup içeren bir değerlendirme çerçevesini üç maddeyle yazın.
Kontrol listesi
- [ ] EHR verisiyle çalışmanın çıkarma, temizleme, kodlama ve modelleme adımlarını biliyorum.
- [ ] Zamansal sızıntıyı tanıyıp özellik listesini denetleyebiliyorum.
- [ ] Sınıf dengesizliği ve önyargının doğruluğu nasıl yanılttığını kavradım.
- [ ] Ayrım ile kalibrasyonun farkını ve ikisinin de gerekliliğini biliyorum.
- [ ] Öngörü çıktısını karar değil destek olarak konumlandırabiliyorum.