Üç yıl boyunca Post‑COVID‑19 durumunun boylamsal modellenmesi: Klinik, nöropsikolojik ve sıvı belirteçler kullanılarak makine öğrenmesi yaklaşımı

Uzayan COVID semptomlarının neden hâlâ önemli olduğu

Dünyada milyonlarca insan COVID‑19’a yakalandıktan aylar hatta yıllar sonra hâlâ kendini iyi hissetmiyor. Uzun COVID veya Post‑COVID‑19 Durumu olarak adlandırılan bu durum, ezici yorgunluk, “beyin sisi”, uyku sorunları ve standart tıbbi testlerle belirlenmesi zor diğer semptomları beraberinde getirebilir. Burada anlatılan çalışma, enfeksiyondan sonra bir grup yetişkini üç yıl boyunca izledi ve kanlarında, klinik kontrollerinde ve düşünme becerisi testlerinde uzun COVID’in zaman içinde nasıl değiştiğini ve iyileşme ya da devam eden hastalığı en iyi hangi ölçümlerin izlediğini ortaya koyacak desenleri aramak için modern bilgisayar tekniklerini kullandı.

Hastaları uzun vadede izlemek

Almanya’daki araştırmacılar, doğrulanmış SARS‑CoV‑2 enfeksiyonu ve kalıcı nörolojik veya nöropsikolojik yakınmaları olan 93 yetişkini kaydetti. Bu katılımcılar, çoğunluğu orta yaşta olmak üzere, başlangıç enfeksiyonundan yaklaşık 6, 14, 23 ve 38 ay sonra olmak üzere dört kez incelendi. Her ziyarette yorgunluk, ruh hali ve uyku hakkında ayrıntılı anketleri doldurdular; dikkat, bellek ve zihinsel hızın kısa ve daha kapsamlı testlerine girdiler; ve geniş bir laboratuvar ölçüm paneli için kan örnekleri verdiler. Bunlar arasında standart sağlık belirteçleri, enflamasyon sinyalleri, bağışıklık sistemi etkinliğine ilişkin göstergeler ve beyin hücreleri hasar gördüğünde salınan özel proteinler yer aldı.

Bilgisayarların gizli desenleri bulmasına izin vermek

Takım, tek bir semptomu veya kan testini ayrı ayrı incelemek yerine birden çok değişkeni aynı anda ele alabilen ve ince ilişkileri saptayabilen yapay zekânın bir dalı olan makine öğrenmesine başvurdu. Bir dizi bilgisayar modelini belirli bir soruyu yanıtlayacak şekilde eğittiler: tek bir klinik ziyaretten elde edilen birleşik verilere bakarak algoritma, o ziyaretin hangi takip yılına ait olduğunu belirleyebilir mi? Başka bir deyişle, bir kişinin 6. aydaki genel profili, 2 veya 3 yıl sonraki profilinden ölçülebilir şekilde farklı mı görünüyor? Araştırmacılar eksik değerleri dikkatle yönetti, küçük bir örneklemde aşırı uyumdan kaçınmak için çapraz doğrulama kullandı ve basit karar ağaçlarından sofistike gradyan artırma yöntemlerine kadar farklı model ailelerini karşılaştırdı.

Zamana en iyi hangi sinyaller ışık tutuyor

Modeller çarpıcı bir başarı gösterdi. Zaman açısından daha uzak ziyaretleri karşılaştırdıklarında—örneğin birinci ve dördüncü ziyaretler gibi—bazı algoritmalar yılı vakaların çok büyük bir kısmında %90’ın üzerinde doğru atadı. Daha yakın zaman noktaları arasında bile doğruluk yüksek kaldı; üçüncü ve dördüncü ziyaretler arasındaki doğruluk biraz düştü, bu da hastaların profillerinin ileri evrelerde daha yavaş değiştiğini düşündürüyor. En iyi performans gösteren yöntemler, doğrusal olmayan desenleri bulmada üstün olan ağaç tabanlı gradyan artırma modelleriydi. Bu “kara kutu”yu açmak ve kararları neyin yönlendirdiğini görmek için ekip, bir tahmini bir yönde veya diğer yönde hareket ettiren özellikleri sıralayan SHAP ve LIME adlı açıklanabilirlik araçlarını kullandı.

Bağışıklık ipuçları, beyin sisi ve değişen önem

Birden fazla analizde tutarlı bir tablo ortaya çıktı. Kanda bulunan enflamatuar moleküllerin düzeyleri—özellikle IL‑2, IL‑8 ve IL‑10 gibi bazı interlökinler—erken ve geç takipler arasında ayrım yapan en güçlü ipuçlarından bazılarıydı. Spike proteinin hedeflendiği antikorlar başta olmak üzere virüse karşı vücudun antikor yanıtını ölçen göstergeler (aynı zamanda zaman içinde aşılamayı da yansıtıyor) da güçlü belirleyicilerdi. Kognitif açıdan sözlü bellek ve kelime bulma testleri ile yorgunluk ve uykululukla ilgili puanlar, özellikle enfeksiyonun erken evrelerinde önemli bilgi sağladı. Zaman geçtikçe bağışıklık belirteçleri modellerde ağırlık kazandı, bazı nöropsikolojik ölçümler ise daha az merkezi hale geldi; bu durum uzun COVID’in biyolojik sürükleyicilerinin yıllar içinde evrilebileceğine işaret ediyor.

Bu hastalar ve bakım için ne anlama geliyor

Uzman olmayanlar için ana mesaj, uzun COVID’in yalnızca belirsiz bir yakınma topluluğu olmadığıdır. Birkaç yıl dikkatle izlendiğinde, kan ve düşünme becerisi testlerindeki objektif sinyaller bilgisayarların güvenilir şekilde tanıyabileceği biçimde değişiyor. Bu çalışma, bağışıklık belirteçleri, antikor düzeyleri ve hedeflenmiş kognitif ile yorgunluk değerlendirmelerinin, kimin iyileştiğini, kimin kalıcı sorun riski taşıdığını ve hangi hastaların bağışıklık sistemine odaklanan yeni tedavilerden en çok fayda görebileceğini izlemekte doktorlara yardımcı olabileceğini öne sürüyor. Bu araçlar rutin uygulamaya girmeden önce daha fazla ve daha büyük çalışmalara ihtiyaç duyulsa da, çalışma yapay zekânın uzun COVID’in karışık gerçekliğini hastalar ve klinisyenler için daha net, eyleme geçirilebilir bilgilere dönüştürmesine nasıl yardımcı olabileceğini gösteriyor.

Atıf: Walders, J., Wetz, S., Costa, A.S. et al. Longitudinal modeling of Post-COVID-19 condition over three years: A machine learning approach using clinical, neuropsychological, and fluid markers. Sci Rep 16, 6517 (2026). https://doi.org/10.1038/s41598-026-37635-3

Anahtar kelimeler: uzun COVID, makine öğrenmesi, enflamasyon, kognitif semptomlar, bağışıklık biyobelirteçleri