ST Segment Yükselmesi Miyokard Enfarktüsünde No-Reflow Fenomeni için Kolmogorov–Arnold Ağlarının Öngörü Değerinin Değerlendirilmesi: Karşılaştırmalı Makine Öğrenimi Çalışması

Amaç: ST-segment yükselmeli miyokard enfarktüsünde (STEMI) görülen no-reflow fenomeni, kötü kardiyovasküler sonuçlarla ilişkilendirilen önemli bir klinik sorundur. Bu çalışma, primer perkütan koroner girişim (PKG) uygulanan STEMI hastalarında no-reflow fenomeninin görülmesini öngörmek amacıyla, yakın zamanda tanıtılan Kolmogorov–Arnold Ağı (KAN) da dahil olmak üzere birden fazla denetimli makine öğrenimi algoritmasını geliştirmeyi ve karşılaştırmayı amaçlamıştır.
Yöntem: Bu ileriye dönük, tek merkezli çalışma, primer PKG uygulanan ardışık 890 STEMI hastasını kapsamıştır. Eğitim sırasında sınıf dengesizliğini gidermek amacıyla Sentetik Azınlık Aşırı Örnekleme Tekniği (SMOTE) kullanılmıştır. ANOVA F-istatistikleri kullanılarak yapılan özellik seçimi ve özellik bağımsızlığının doğrulanması (VIF < 5); ejeksiyon fraksiyonu (EF), bazal troponin seviyesi, stent uzunluğu, BNP seviyesi ve toplam iskemik süreyi en etkili öngörücüler olarak belirlemiştir.
Bulgular: KAN ve XGBoost modelleri, en yüksek tahmin doğruluğuna ulaşarak (AUC > 0.98, F1 > 0.95), lojistik regresyon ve karar ağacı sınıflandırıcıları gibi geleneksel modelleri istatistiksel olarak anlamlı düzeyde geride bıraktı (p < 0.001). Özellik seçimi, verimliliği artırdı ve çalışma süresini %20–40 oranında azalttı; SHAP tabanlı açıklanabilirlik ise tahminlerin fizyolojik olarak tutarlı olduğunu doğruladı; daha yüksek EF ve daha düşük BNP, no-reflow olasılığını azaltırken, daha uzun stent uzunluğu ve iskemik süre bu olasılığı artırdı. KAN ve XGBoost’un üstün performansı, klinik, laboratuvar ve prosedürel değişkenler arasındaki doğrusal olmayan ilişkilerin ve çok boyutlu etkileşimlerin modellenmesinin önemini vurgulamaktadır.
Sonuç: Bu bulgular, KAN'ın karmaşık kardiyovasküler sonuçların incelenmesinde güvenilir bir analitik çerçeve olarak hizmet edebileceğini göstermektedir; ancak, genellenebilirliğinin ve klinik risk değerlendirmesindeki potansiyel rolünün doğrulanması için çok merkezli ve harici olarak doğrulanmış ek çalışmalara ihtiyaç vardır.

Anahtar Kelimeler: Aşırı Gradyan Güçlendirme, Kolmogorov–Arnold ağı, makine öğrenimi, no-reflow fenomeni, Shapley Additive exPlanations açıklanabilirlik, ST-segment yükselmeli miyokard enfarktüsü