Yeni Bir Martin-Hopkins Denklemi: Daha Basit ve Erişilebilir Hesaplama
Martin-Hopkins denkleminin yeni bir araştırması, LDL-C (düşük yoğunluklu lipoprotein kolesterolü) tahmini hesaplamasının daha basit bir versiyonunu sunarak, sağlık hizmetlerinin iyileştirilmesine ve uygulamanın genişletilmesine olanak sağlıyor. Bu gelişme, özellikle LDL-C seviyelerinin yanlış değerlendirilmesi riskini azaltmayı amaçlayan önemli bir adım.
Orijinal Martin-Hopkins denklemi, LDL-C hesaplamalarının artan önemine ve LDL-C seviyelerinin yetersiz tahmin edilmesinin sürekli riskine yanıt olarak geliştirildi. Ancak, 2013’te taslak haline getirilen bu denklem, bazı laboratuvarların hastalar için uygulamasını karmaşık hale getirebiliyordu. Bu nedenle, Johns Hopkins Üniversitesi araştırmacıları, sistemin evrensel olarak uygulanabilir ve erişilebilir bir hale getirilmesini hedefledi.
Johns Hopkins Üniversitesi kardiyoloji bölümünde profesör olan ve çalışmanın araştırmacılarından Seth Martin, HCPLive’a yaptığı özel açıklamada, “Denklemin kendisi karmaşık olabilir, ancak laboratuvar bilgi işlem sistemine tek bir kod satırı olarak entegre edilebilir, böylece klinisyenlerin bu karmaşıklıkla uğraşmasına gerek kalmaz” dedi. Ayrıca, “Bu, laboratuvar yöneticilerinin uygulamasını kolaylaştırır, çünkü mevcut Friedewald denklemi ile LDL kolesterolünü hesaplayan kodu alıp, bunun yerine bu yeni kod satırı ile değiştirerek önemli ölçüde daha doğru LDL kolesterolü sonuçları elde edebilirler” şeklinde ekledi. Bu yaklaşım, özellikle 1960’larda geliştirilen ve uzun süre kullanılan Friedewald denkleminin karmaşıklığını ortadan kaldırarak, modern laboratuvar sistemlerine entegrasyonu kolaylaştırıyor.
Martin ve meslektaşları, Ekim 2015 ile Haziran 2019 tarihleri arasında çeşitli ABD kliniklerinden toplanan Very Large Database of Lipids (VLDBL) verilerini kullandı. Bu hastalardan, toplam kolesterol, HDL-C (yüksek yoğunluklu lipoprotein kolesterolü), trigliseritler veya LDL-C konsantrasyonu değerleri eksik olanlar çıkarıldı. Çalışmanın temel analizi, trigliserit konsantrasyonları <400 mg/dL olan hastalara odaklandı.
Araştırma ekibi, hastaların toplam kolesterol, LDL-C (düşük yoğunluklu lipoprotein kolesterolu), VLDL-C (orta yoğunluklu lipoprotein kolesterolu) ve HDL-C (yüksek yoğunluklu lipoprotein kolesterolu) konsantrasyonlarını Vertical Auto Profile (VAP) testi kullanarak ölçtü. Trigliserit ölçümleri ise Abbott ARCHITECT C-8000 sistemiyle gerçekleştirildi. Ayrıca, Friedewald denklemi, Martin-Hopkins denklemi, genişletilmiş Martin-Hopkins denklemi, Sampson-National Institutes of Health denklemi ve modifiye edilmiş Sampson-National Institutes of Health denklemi gibi çeşitli yöntemler kullanıldı.
Yapay zeka yöntemleri de bu çalışmada önemli bir rol oynadı. Martin ve çalışma arkadaşları, VLDL-C’yi tahmin etmek için toplam kolesterol, trigliserit ve HDL-C konsantrasyonlarını bağımsız değişkenler olarak kullandıktan sonra, LDL-C konsantrasyonunu hesaplamak üzere VLDL-C’nin non-HDL-C’den çıkarılması işlemine başvurdu. Çalışmada uygulanan 3 makine öğrenimi algoritmasından biri olan MARS, VLDL-C tahmini için yeni bir denklem geliştirdi. Bu yaklaşım, özellikle 1960’larda ortaya çıkan ve sinematik anlatıda belirsizlik ve çoklu perspektifleri kullanan Yeni Dalga (New Wave) akımının izlerini taşır; tıpkı bu çalışmada farklı yöntemlerin entegre edilmesi gibi.
Martin ve çalışma arkadaşları, geliştirdikleri yeni denklemin istatistiksel analizini gerçekleştirmek için hastaları 2:1 oranında rastgele olarak eğitim veya test veri kümelerine atadı. Başlangıçta kullanılan 5.081.680 hasta verisinden, eksik verilere sahip olan 10.856 hasta çıkarıldı ve trigliserit konsantrasyonları ≥400 mg/dL olan 131.296 hasta da analizden çıkarıldı. Kalan hastalardan 3.292.889’u eğitim veri kümesine, 1.646.639’u ise test veri kümesine dahil edildi. Hem eğitim hem de test gruplarında medyan LDL-C konsantrasyonu 114 mg/dL (interquartile ratio [IQR], 25-75), ve medyan trigliserit/VLDL-C oranı ise 5.1 (IQR, 4.4 ila 5.9) olarak belirlendi.
Test aşamasında, MARS denklemi, LDL-C konsantrasyonunu tahmin etmede minimal sapma gösterdi (medyan [IQR], -0.1; -2.1 ila 1.8 mg/dL), bu da mevcut Martin-Hopkins denklemine benzer sonuçlar verdi. İki yöntem arasındaki medyan fark ise -0.5 (-1.2 ila 0) mg/dL olarak ölçüldü, bu da iki yöntemin potansiyel olarak karşılaştırılabilir olduğunu gösteriyor. Ayrıca, her klinik kategoriye göre doğru sınıflandırılan hasta oranı, MARS denklemi ve Martin-Hopkins denklemi için neredeyse aynıydı; sırasıyla hastaların %89,7’si ve %89,6’sı doğru bir şekilde sınıflandırıldı. Bu durum, tıpkı erken dönem sinema tarihinin farklı teknikleri kullanarak yeni anlatım biçimleri yaratmaya çalışması gibi, bu araştırmanın da mevcut yöntemlere yenilikçi yaklaşımlar getirerek daha hassas sonuçlar elde etme potansiyeline sahip olduğunu gösteriyor.
Sonuç olarak, ekip, MARS makine öğrenimi algoritması tarafından geliştirilen Martin-Hopkins denkleminin bu yeni sürümünün, uygulamasını basitleştirirken aynı kalitede sonuçlar sağlayabileceğini belirledi. Bu yaklaşım, özellikle karmaşık hesaplamaların yapıldığı durumlarda, süreci daha verimli hale getirme potansiyeli sunuyor. Örneğin, Erşan Kuneri’nin yönettiği ve Türk sinemasında döneminin çığır açan filmlerinden biri olan “Eşkıya” filminde de, karakterlerin motivasyonlarını anlamak için karmaşık ilişkiler ağına başvuruluyordu; benzer şekilde, bu yeni denklem de karmaşık biyolojik süreçleri daha anlaşılır hale getirmeyi amaçlıyor.
Martin yaptığı açıklamada, “Orijinal denklemle ilgili kapsamlı dış doğrulama çalışmalarımız var. Bu denklemin performansı da buna benzer ve bu çalışmada ek dış doğrulama verileri de yer alıyor. Bence bu denklem, uygulamaya hazır ve arkasında sağlam bir bilimsel temele sahip” dedi. Martin’in bu sözleri, denklemin güvenilirliğini ve pratik uygulanabilirliğini vurguluyor.
Yazar Notu: Martin, Amgen, Merck, Arrowhead, Verve Therapeutics, Novartis, Regeneron gibi kuruluşlarla ilgili çıkar çatışması beyanlarında bulunmuştur. Bu durum, çalışmanın şeffaflığını sağlamak için önemlidir ve okuyucuların bilgisine sunulmuştur.
Kaynak: Hcplive