ST Segment Yükselmesiz Miyokard Enfarktüsünde Yapay Zeka Destekli Risk Katmanlaştırması: 36 Aylık Mortaliteyi Öngörmede Modifiye Glasgow Prognostik Skoru’nun İlave Prognostik Değeri

Amaç: Güncel NSTEMI kılavuzları, ikili antiplatelet tedavi (DAPT) süresini PRECISE-DAPT ve DAPT gibi skorlamalar üzerinden anatomik ve klinik verilere dayanarak belirlemektedir. Ancak bu modeller, hem trombotik hem de hemorajik riski tetikleyen temel bir mekanizma olan “inflamatuar boşluk” (inflammatory gap) olgusunu, yani sistemik inflamasyonun rolünü, sıklıkla göz ardı etmektedir. Geleneksel modeller anatomik karmaşıklığa odaklansa da sistemik inflamasyon, olumsuz olayların sessiz bir itici gücü olarak işlev görebilir. Bu çalışmada, biyolojik belirteçler ile uzun dönem sonuçlar arasındaki doğrusal olmayan etkileşimleri yakalamak amacıyla inflamasyon temelli Modifiye Glasgow Prognostik Skoru’nun (mGPS) 36 aylık takip sürecindeki ilave prognostik değerini yapay zeka (AI) algoritmaları aracılığıyla değerlendirmeyi hedefledik.
Yöntem: Çalışma, perkütan koroner girişim (PKG) uygulanan 456 NSTEMI hastasının AI entegrasyonlu analizini kapsamaktadır. Tüm hastalar için mGPS, DAPT ve PRECISE-DAPT skorları hesaplandı. Prognostik performans, “rezidüel inflamatuar riski” tanımlamak amacıyla Gradient Boosting Machine (GBM) tabanlı bir makine öğrenmesi (ML) çerçevesi kullanılarak C-indeksi artışı, Net Yeniden Sınıflandırma İndeksi (NRI) ve Entegre Ayrım İyileştirmesi (IDI) üzerinden analiz edildi. Üç yıllık mortalite Cox oransal tehlikeler modellemesi ile değerlendirilirken model kalibrasyonu Brier skoru ile doğrulandı.
Bulgular: Otuz altı aylık takip sonunda mGPS, mortalitenin en güçlü bağımsız prediktörü olarak öne çıktı. mGPS 0 olan hastalarla kıyaslandığında, mGPS 2 grubundaki hastalar 6,18 kat artmış mortalite riski sergiledi (HR 6,18; %95 GA 2,95–12,94; P < 0,001). Gözlemlenen mortalite oranları mGPS 0 grubunda %3,2 iken mGPS 2 grubunda %57,1’e yükseldi (P < 0,001). mGPS, iskemik DAPT skoru ile anlamlı bir korelasyon göstermezken (P = 0,349), yüksek kanama riski (PRECISE-DAPT ≥25) ile güçlü bir ilişki sergiledi; mGPS 2 grubundaki hastaların tamamı (%100) yüksek kanama riski kategorisinde yer aldı (P < 0,001). mGPS’in bazal AI modeline entegrasyonu, ayrım gücünü anlamlı şekilde artırarak C-indeksini 0,72’den 0,81’e yükseltti (P = 0,008), hastaların %46’sını doğru şekilde yeniden sınıflandırdı (NRI 0,46; P < 0,001) ve geleneksel skorlara kıyasla belirgin bir prediktif kazanç sağladı (IDI 0,08; P = 0,004).
Sonuç: mGPS ile kantifiye edilen sistemik inflamasyon, mevcut risk skorlama sistemlerindeki “inflamatuar boşluğu” kapatan kritik bir biyolojik modifikatördür. mGPS’in yapay zeka tabanlı modellere entegrasyonu, 36 aylık süreçte üstün bir prognostik yeniden sınıflandırma sunmaktadır. mGPS, geleneksel skorlar tarafından yanlış sınıflandırılan yüksek riskli bireyleri tanımlayan bir “biyolojik rekalibratör” işlevi görür. Bu bulgular, mGPS rehberliğinde geliştirilecek kişiselleştirilmiş antiplatelet stratejilerinin, özellikle yüksek mGPS’li hastalarda erken DAPT de-eskale edilmesinin, anatomik riskin yanı sıra biyolojik kırılganlığı da hedefleyerek bu hassas kohorttaki yüksek mortalite ve kanama riskini azaltabileceğini düşündürmektedir.

Anahtar Kelimeler: DAPT, makine öğrenmesi, mGPS, NSTEMI, PRECISE-DAPT, sistemik inflamasyon, üç yıllık mortalite