Kan transfüzyonu güvenliğini sağlamada yapay zekâ teknolojileri

Öz

Kan transfüzyonu gerek tıbbi tedaviler veya cerrahi ameliyatların bir parçası olarak günlük hayatta yoğun bir şekilde hastalara uygulanmaktadır. Yaşamı tehdit eden durumların tedavisinde hayat kurtarmakla birlikte kan transfüzyon işleminin uygulama sürecinde bazı önemli riskler de bulunmaktadır. Kan transfüzyonuna hastanın klinik durumu uygun olsa da; transfüzyon sürecinde hatalı uygulamalar meydana gelebilir ve istenmeyen transfüzyon reaksiyonları gelişebilir. Daha önce insan gücünü gerekli kılan süreçleri veya görevleri otomatikleştirerek kurumsal performansı ve üretkenliği artıran yapay zeka (YZ) teknolojileri, kan transfüzyon süreci yönetiminde ve güvenlik önlemlerinin arttırılmasında önemli rol oynayabilir. YZ ile, kan bağışı süreçlerinin optimize edilmesi, kan stoklarını yönetilmesi, taleplere uygun şekilde dağıtılması ve kan bağışçıları ile alıcıların verileri yönetilerek uygun kan eşleştirmesi yapabilir. Ayrıca YZ ile kan ürünlerinin kalitesi izlenebilir ve kontrol edilebilir. Otomatik görüntüleme ve analiz sistemleri, kan bileşenlerinin doğruluğunu ve bütünlüğünü değerlendirebilir, böylece kalite kan kontrol süreçleri iyileşebilir. Hasta güvenliği ve transfüsyon güvenliğinin korunmasında etiketleme hatalarını önlenmesi, uygun kan eşleştirmesi yapılması ve transfüzyon reaksiyonlarını izlenmesi için YZ teknolojileri kullanılabilir. Bununla birlikte YZ ile hastaların tıbbi geçmişi, alerji geçmişi ve diğer faktörleri göz önünde bulundurarak olası reaksiyonların önceden belirlenmesi, hastaların kan transfüzyonuna verdiği tepkilerin tahmin edilmesi ve sürecin yönetilmesi sağlanabilir. YZ teknolojileri kan transfüzyonu güvenliğini arttırmada birçok uygulama ve avantajlara sahip olmakla birlikte bu uygulamaların kullanımında bazı güçlükler ve sınırlamalar bulunmaktadır. Bu derlemede amaç, kan transfüzyonu alanında gelecekte yapılacak YZ tabanlı çalışmaları ile kan transfüzyonu sistemlerinin etkinliğini ve güvenilirliğini incelemektir.

Anahtar Kelimeler

• Kan transfüzyonu
• transfüzyon güvenliği
• yapay zeka

Artificial intelligence technologies to ensure blood transfusion safety

Öz

Blood transfusion is applied extensively to patients in daily life, both as a part of medical treatments or surgical operations. Although it saves lives in the treatment of life-threatening conditions, there are also some significant risks in the application process of blood transfusion. Even if the patient's clinical condition is suitable for blood transfusion; Erroneous practices may occur during the transfusion process and undesirable transfusion reactions may occur. Artificial intelligence (AI) technologies, which increase organizational performance and productivity by automating processes or tasks that previously required manpower, can play an important role in blood transfusion process management and increasing safety measures. With AI, it is possible to optimize blood donation processes, manage blood stocks, distribute them in accordance with demands, and make appropriate blood matching by managing the data of blood donors and recipients. Additionally, the quality of blood products can be monitored and controlled with AI. Automated imaging and analysis systems can evaluate the accuracy and integrity of blood components, thus improving quality blood control processes. AI technologies can be used to prevent labeling errors, perform appropriate blood matching, and monitor transfusion reactions in protecting patient safety and transfusion safety. However, with AI, it is possible to determine possible reactions in advance, predict patients' reactions to blood transfusion and manage the process by taking into account the patients' medical history, allergy history and other factors. Although AI technologies have many applications and advantages in increasing blood transfusion safety, there are some difficulties and limitations in the use of these applications. The aim of this review is to examine the effectiveness and reliability of blood transfusion systems through future AI-based studies in the field of blood transfusion.

Anahtar Kelimeler

• Blood transfusion
• transfusion safety
• artificial intelligence

Kaynakça

1. Alkan S, Gürbüz E, Şahin S, ve ark. Kan transfüzyonu ile bulaşan Hepatit E virüsü enfeksiyonlarının küresel düzeyde incelemesi. Dent & Med J - R. 2022;4(3):185-97
2. Bölükbaş F, Koc A. 2000-2022 Yılları arasında hemşirelik alanında kan ve kan ürünleri transfüzyonu konulu yüksek lisans tezlerinin retrospektif incelenmesi. MRR. 2023;6(2):91-106.
3. Gün R, Öz S, Altındiş S, ve ark. Hemovijilans hemşireliği ve transfüzyon güvenliğine katkısı. 1 International Blood Safety and Hemovigilance Congress, P08. S:24-29
4. Çerçer Z, Akçay EA, Güngör S. Hemşirelik öğrencilerinin hasta güvenliği yetkinliği öz-değerlendirme düzeyi: Tanımlayıcı kesitsel araştırma. SHYD. 2023;10(1):71-78
5. World Health Organization. 10 facts on patient safety. 26 Agust 2019. [İnternet]. Erişim Linki: https://www.who.int/news-room/photo-story/photo-story-detail/10-facts-on-patient-safety Erişim Tarihi:15.03.2024
6. Reid M, Estacio R, Albert R. Injury and death associated with incidents reported to the patient safety net. American Journal of Medical Quality, 2009; 24(6): 520-4.
7. Çavuşoğlu H, Bora Güneş N, Pars H. Kan ürünleri ve güvenli kan transfüzyonu. Türkiye Klinikleri J Nurs Sci, 2015; 7(1): 49-57.
8. World Health Organization (2020). Global Patient Safety Action Plan 2021–2030 Towards Zero Patient Harm in Health Care First Draft. [İnternet]. Erişim Linki: https://www.who.int/docs/default-source/patient-safety/1st-draft-global-patient-safety-action-plan-august-2020.pdf Erişim Tarihi:15.03.2024

9. Uluhan R, pelit NB. Hemovijilans hemşireliği 2023. Erişim Linki: https://kmtd.org.tr/web/wp-content/uploads/yayinlar-pdf/hvh_kitap_12072023.pdf Erişim Tarihi: 19.03.2024
10. Kan Hizmet Birimleri İçin Ulusal Standartlar Rehberi 2016. TR0802.15-01/001 Türkiye’de Kan Tedarik Sisteminin Güçlendirilmesi Teknik Destek Projesi. [İnternet]. Erişim Linki: https://www.kan.org.tr/images/pdf/KAN-VE-KAN-BILESEN-ulusal-kan.pdf Erişim Tarihi: 19.03.2024
11. Türk Kızılay. Kızılay Birbirimize Candan Bağlıyız Kan Bağış Kampanyası Başlattı. 11/01/2024. [İnternet]. Erişim Linki: https://www.kizilay.org.tr/ Erişim Tarihi: 17.03.2024
12. Ulusal Kan Yönetimi Stratejisi. [İnternet]. Erişim linki: https://hastakanyonetimi.saglik.gov.tr/dokumanlar/1_2/Ulusal_Hasta_Kan_Yonetimi_Stratejisi_TR.pdf Erişim Tarihi: 17.03.2024
13. Ulusal Kan ve Kan Bileşenleri Hazırlama, Kullanım ve Kalite Güvencesi Rehberi 2016. [İnternet]. Erişim Linki: https://shgmkanhizmetleridb.saglik.gov.tr/Eklenti/36313/0/kan-ve-kan-bilesen-rehb-tr-9-mayis-2016-revpdf.pdf Erişim Tarihi: 17.03.2024
14. Vijenthira S, Armali C, Downie H, et al. Registration errors among patients receiving blood transfusions: a national analysis from 2008 to 2017. Vox Sang. 2021;116(2):225-233.
15. Ulusal Hemovijilans Rehberi, 2020. [İnternet]. Erişim Linki: https://shgmkanhizmetleridb.saglik.gov.tr/Eklenti/37016/0/ulusal-hemovijilans-rehberi-versiyon-2pdf.pdf Erişim Tarihi: 17.03.2024
16. Örüç NE, Yenicesu İ. Ulusal Kan ve Kan Bileşenleri Hazırlama, Kullanım ve Kalite Güvencesi Rehberi. 2016. [İnternet]. Erişim Linki: https://shgmkanhizmetleridb.saglik.gov.tr/TR-71523/ulusal-kan-ve-kan-bilesenleri-hazirlama--kullanim-ve-kalite-guvencesi-rehberi-2016.html Erişim Tarihi: 19.03.2024
17. Gün, R. Hemovijilans Hemşireliği ve Transfüzyon Güvenliğine Katkısı. Sakarya Üniversitesi Sağlık Bilimleri Enstitüsü, Kan Bankacılığı ve Transfüzyon Tıbbi YL Programı tezi, 2019. Sakarya.
18. Bioethics briefing note: Artificial intelligence (AI) in healthcare and research. Nuffield Council on Bioethics. 2018. http://nuffieldbioethics.org/wp-content/uploads/Artificial-Inte lligence-AI-in-healthcare-and-research.pdf Erişim tarihi 20.07.2019.
19. Choudhury A, Asan O. Role of artificial intelligence in patient safety outcomes: systematic literature review. JMIR medical informatics, 2010; 8(7), e18599.
20. Smit Sibinga CT. Artificial intelligence and the future of transfusion medicine. Neurosci Chron. 2021;2(2). 10.46439/Neuroscience.2.011.
21. Meier JM, Tschoellitsch T. Artificial Intelligence and Machine Learning in Patient Blood Management: A Scoping Review. Anesth Analg. 2022; 1;135(3):524-531. doi: 10.1213/ANE.0000000000006047. Epub 2022 Aug 17. PMID: 35977362.
22. Lamoureux E. Transfüzyon kalitesini değerlendirmeye yönelik gelişen yapay zeka yöntemleri. Yayın Tarihi: 10 Kasım 2022. [İnternet] Erişim Linki: https://www.blood.ca/en/research/our-research-stories/research-education-discovery/emerging-artificial-intelligence-methods Erişim Tarihi: 19.03.2024
23. Şengil AA. Eritrosit envanter yönetiminde derin pekiştirmeli öğrenme. 2022. Master's Thesis. İstanbul Medipol Üniversitesi, Fen Bilimleri Enstitüsü.
24. Gökler SH, Boran S. PCA Esaslı Hibrit ANFIS-Taguchi Yöntemi ile Kan Bankası için Talep Tahmini. Bilişim Teknolojileri Dergisi, 2020;13(3), 225-233. https://doi.org/10.17671/gazibtd.580530
25. Zhu S, Zhou L, Feng Y, et al. Understanding the risk factors for adverse events during exchange transfusion in neonatal hyperbilirubinemia using explainable artificial intelligence. BMC Pediatr. 2022; 30;22(1):567. doi: 10.1186/s12887-022-03615-5. PMID: 36180854; PMCID: PMC9523933.
26. Kwon HJ, Park S, Park YH, et al. Development of blood demand prediction model using artificial intelligence based on national public big data. DIGITAL HEALTH. 2024;10. doi:10.1177/20552076231224245
27. Chen DX, Wang YS, Yan M, et al. A model based on electronic health records to predict transfusion events in on-pump cardiac surgery. iScience. 2023;26(10):107798. doi: 10.1016/j.isci.2023.107798. PMID: 37744030; PMCID: PMC10514444.
28. Tschoellitsch T, Böck C, Mahečić TT, et al. Machine learning-based prediction of massive perioperative allogeneic blood transfusion in cardiac surgery. Eur J Anaesthesiol. 2022;39(9):766-773. doi: 10.1097/EJA.0000000000001721. Epub 2022 Jul 20. PMID: 35852544.
29. Chen H, Cao B, Yang J, et al. Construction and effect evaluation of prediction model for red blood cell transfusion requirement in cesarean section based on artificial intelligence. BMC Med Inform Decis Mak. 2023;12;23(1):213. doi: 10.1186/s12911-023-02286-1. PMID: 37828543; PMCID: PMC10568840.
30. De la Garza Ramos R, Hamad MK, Ryvlin J, et al. An Artificial Neural Network Model for the Prediction of Perioperative Blood Transfusion in Adult Spinal Deformity Surgery. J Clin Med. 2022;29;11(15):4436. doi: 10.3390/jcm11154436. PMID: 35956053; PMCID: PMC9369471.
31. Seong H, Lee KS, Choi Y, et al. Explainable artificial intelligence for predicting red blood cell transfusion in geriatric patients undergoing hip arthroplasty: Machine learning analysis using national health insurance data. Medicine (Baltimore). 2024;23;103(8):e36909. doi: 10.1097/MD.0000000000036909. PMID: 38394543.
32. Cohen-Levy WB, Klemt C, Tirumala V, et al. Artificial neural networks for the prediction of transfusion rates in primary total hip arthroplasty. Arch Orthop Trauma Surg. 2023 Mar;143(3):1643-1650. doi: 10.1007/s00402-022-04391-8. Epub 2022 Feb 23. PMID: 35195782.
33. Cavazos DR, Sayeed Z, Court T, et al. Predicting Factors for Blood Transfusion in Primary Total Knee Arthroplasty Using a Machine Learning Method. J Am Acad Orthop Surg. 2023;1;31(19):e845-e858. doi: 10.5435/JAAOS-D-23-00063. Epub 2023 Aug 21. PMID: 37733328.
34. Lopes MGM, Recktenwald, SM, Simionato G, et al. Big Data in Transfusion Medicine and Artificial Intelligence Analysis for Red Blood Cell Quality Control. Transfus Med Hemother, 2023; 50 (3): 163–173.