Hipoglisemi tek bir hastalık değildir; altında yatan neden doğru tespit edilmediğinde tedavi başarısız kalır. Klasik ayırıcı tanıda hipoglisemi anında bakılan biyokimyasal belirteçler, her etiyolojiye özgü bir "biyokimyasal parmak izi" oluşturur. Bu sistem, söz konusu parmak izlerini olasılıksal olarak değerlendirerek hekime ön değerlendirme sunar.
5
Hipoglisemi Fenotipi
10
Biyokimyasal Belirteç
2Fenotip Parmak İzleri
Her hipoglisemi alt tipi, kendine özgü bir biyobelirteç paterni gösterir. Sistemin tanıdığı beş fenotip ve anahtar belirteç profilleri:
İlaç ile uyarılmış endojen insülin salgısı. İnsülinoma'ya benzer patern (İnsülin ↑, C-peptid ↑) — ayırt edici anahtar sülfonilüre taramasının pozitif olmasıdır.
NICTH — Non-Islet Cell Tumor Hypoglycemia
Pankreas dışı tümörden büyük IGF-2 salgısı. İnsülin ↓, C-peptid ↓ iken IGF-2/IGF-1 oranı ↑↑ — insülin benzeri etki insülin dışı bir kaynaktan gelir.
Reaktif (Postprandiyal) Hipoglisemi
Yemek sonrası aşırı insülin yanıtı. Açlık değerleri normal, ancak tokluk glukoz nadiri düşük. Karışık öğün testi ile doğrulanır.
Fenotip
İnsülin
C-peptid
Proinsülin
IGF Oranı
SÜ Tarama
İnsülinoma
↑ Yüksek
↑ Yüksek
↑ Yüksek
Normal
Negatif
Ekzojen İnsülin
↑ Yüksek
↓ Baskılı
↓ Düşük
Normal
Negatif
Sülfonilüre
↑ Yüksek
↑ Yüksek
↑ Yüksek
Normal
Pozitif
NICTH (IGF-2)
↓ Baskılı
↓ Baskılı
↓ Düşük
↑↑ Yüksek
Negatif
Reaktif
Normal
Normal
Normal
Normal
Negatif
3Sistem Nasıl Çalışır?
Sistem, her fenotip için klinik literatürden türetilmiş beklenen biyobelirteç dağılımlarını kullanır. Girilen hasta değerleri bu dağılımlara karşı olasılıksal olarak değerlendirilir.
🔬
Biyobelirteçler girilir
→
📊
Olasılık hesaplanır
→
🎯
Fenotip sıralanır
→
📋
Ön değerlendirme sunulur
Olasılıksal Sınıflandırma
Her fenotip için hastanın değerleri, o fenotibe ait olma olasılığına dönüştürülür
Eksik değerler tolere edilir — bilinmeyen belirteçler hesaplamadan çıkarılır
Sonuçlar normalize edilerek her fenotip için % olasılık sunulur
En ayırt edici belirteçler otomatik olarak belirlenir ve raporlanır
4Gerekli Klinik Veriler
Hipoglisemi anında veya kontrollü açlık testi sırasında alınan aşağıdaki parametreler değerlendirilir. Tüm alanların doldurulması gerekmez; mevcut olan değerler ile analiz yapılır.
Açlık Glukozu
mg/dL · <55 hipoglisemi
İnsülin
µIU/mL · Açlık 2–25
C-peptid
ng/mL · 0.8–3.1
Proinsülin
pmol/L · <10
β-OHB
mmol/L · Keton cismi
IGF-2/IGF-1
Oran · Normal ~3
Tokluk Nadiri
mg/dL · Postprandiyal
Glukagon Yanıtı
Δ mg/dL · Artış
SÜ Tarama + Antikor
Pozitif / Negatif
5Sistem Ne Sunar?
Değerlendirme sonucunda hekim aşağıdaki bilgileri alır:
Fenotip olasılık sıralaması — her beş fenotip için % güven skoru
Ayırt edici belirteçler — hangi değerlerin sonucu en çok etkilediği gösterilir
Belirteç durum özeti — her değer referans aralığına göre ↑/↓/Normal olarak işaretlenir
Detaylı fenotip raporu — her fenotip için uyumlu/uyumsuz kanıtlar ve önerilen klinik yaklaşım
6Sınırlılıklar ve Önemli Notlar
Bu bir kavram kanıtıdır (proof-of-concept). Sistem şu anda klinik literatürden esinlenerek üretilmiş sentetik veri ile çalışmaktadır. Gerçek hasta verisi kullanılmamıştır. Sunulan yüksek performans prototipin çalıştığını kanıtlar, klinik tanı doğruluğunu değil.
Klinik Validasyon Gereksinimleri
Etik kurul onayı ve KVKK uyumu — hasta verisi için zorunlu ilk adım
Prospektif veri toplama — standart form ile tipler arası dengeli sayıda hasta
Klinik doğrulama — hekim geri bildirimiyle iyileştirme ve yayın
7Analiz Süreci — Veriden Karara
Sistem, klinik karar desteği sunmak için yapılandırılmış bir veri bilimi boru hattı izler. Bu süreç aşağıdaki adımlardan oluşur:
Adım 1: Sentetik Veri Üretimi
Her hipoglisemi fenotipi için klinik literatürden türetilmiş beklenen ortalama ve standart sapma değerleri tanımlanır. Bu parametreler kullanılarak, her fenotipe ait gerçekçi biyobelirteç değerleri üretilir. Gerçek hayatı taklit etmek için bazı değerler kasıtlı olarak eksik bırakılır — çünkü pratikte her hastadan tüm testler alınamayabilir.
1500+
Sentetik hasta
5
Fenotip sınıfı
~%15
Eksik veri oranı
Adım 2: Veri Ön İşleme
Veriler eğitim (%75) ve test (%25) olarak ikiye ayrılır. Eksik değerler, her belirteçin medyan değeri ile doldurulur (imputation). Bu sayede eksik test sonuçları olan hastalar da değerlendirilebilir.
Klinik not: Gerçek veriye geçişte aynı hastanın birden fazla ölçümü olabilir. Bu durumda GroupKFold yöntemi kullanılarak aynı hastanın verileri hem eğitim hem test setine düşmesi engellenir.
Adım 3: Model Eğitimi ve Karşılaştırma
Birden fazla sınıflandırma algoritması aynı veri üzerinde eğitilip yarıştırılır. Her model üç ölçütle değerlendirilir:
Doğruluk (Accuracy): Tüm tahminlerin kaçı doğru?
Makro F1 Skoru: Her sınıf için hassasiyet ve duyarlılığın dengeli ortalaması
Makro AUC: Sınıfları birbirinden ayırt etme kapasitesi
Adım 4: Duyarlılık Analizi (Confusion Matrix)
Klinik bir problemde tek başına doğruluk yeterli değildir. Asıl kritik soru şudur: "Gerçek hastaların kaçını yakaladık?"
Duyarlılık (Recall): Bir insülinomayı kaçırmak ciddi sonuç doğurabilir — bu nedenle duyarlılık izlenir
Karışıklık Matrisi: Model neyi neyle karıştırıyor? Hangi fenotipleri birbirine benzer buluyor?
Klinik içgörü: Model bazı sülfonilüre vakalarını insülinoma ile karıştırabilir — çünkü her ikisinde de insülin ve C-peptid yüksektir. Ayırt edici fark sülfonilüre tarama testi sonucudur. Bu karışıklık modelin "hata yapması" değil, klinik gerçekliği yansıtmasıdır.
Karışıklık Matrisi (Confusion Matrix)
Köşegen üzerindeki değerler doğru tahminleri gösterir. Köşegen dışı değerler modelin hangi fenotipleri birbirine karıştırdığını ortaya koyar.
Adım 5: Açıklanabilirlik (SHAP Analizi)
Bir yapay zeka modeli "kara kutu" olmamalıdır. Özellikle sağlıkta hekimin neden o sonucun çıktığını görmesi gerekir. SHAP (SHapley Additive exPlanations) analizi, her kararın arkasındaki belirteç katkılarını ortaya koyar:
Genel özellik önemi: Hangi belirteçler fenotip ayrımında en etkili? (C-peptid, IGF oranı, insülin düzeyi en öne çıkanlar)
Sınıfa özel analiz: Tek bir fenotip için (örneğin İnsülinoma) hangi değerlerin yüksekliği/düşüklüğü tanıyı yönlendiriyor?
Dürüstlük kontrolü: Kuralları biz tanımladığımıza göre, SHAP da aynı kuralları öne çıkarmalıdır. Çıkarıyorsa, boru hattı doğru çalışıyor demektir.
SHAP — Genel Özellik Önemi
Her belirtecin fenotip ayrımındaki toplam etkisi. C-peptid, IGF-2/IGF-1 oranı ve insülin en yüksek ayırt edici güce sahip belirteçlerdir.
SHAP — İnsülinoma İçin Belirteç Yönü Analizi
İnsülinoma sınıfı için her belirtecin yönsel etkisi. Sağa giden kırmızı noktalar, o özelliğin yüksek değerinin İnsülinoma olasılığını artırdığını gösterir.
Adım 6: Hekim Ekranı
Tüm bu analiz altyapısının hekime dönük yüzü, şu anda kullandığınız Glyko arayüzüdür. Yeni bir hastanın belirteç değerleri girildiğinde sistem:
Nihai karar her zaman hekime aittir. Sistem bir karar destek aracıdır; bağımsız bir tanı aracı olarak konumlandırılmamıştır. Gerçek klinik değer, prospektif hasta verisi ile validasyon sonrasında belirlenecektir.
