Rutin klinik ve MR verileri kullanılarak makine öğrenmesiyle Alzheimer hastalığında 12 aylık bilişsel gerilemeyi tahmin etme ve risk sınıflandırması

Hafıza gerilemesini tahmin etmenin önemi

Alzheimer hastalığı, insanların hafızasını ve düşünme yeteneğini yavaşça yok eder, ancak herkes aynı hızda kötüleşmez. Bazı hastalar basit zihinsel testlerde bir yıl içinde birkaç puan kaybederken, diğerleri nispeten sabit kalır. Tanı anında kimin hızla kötüleşme eğiliminde olduğunu bilmek, doktorların ziyaretleri planlamasına, aileleri desteklemesine ve yeni tedavilerin klinik denemelerine hasta seçimine yardımcı olabilir. Bu çalışma, birçok hafıza kliniğinin zaten topladığı bilgilerin—kısa zihinsel testler ve rutin beyin taramaları—modern bilgisayar yöntemleriyle birleştirilip bir sonraki 12 ay içinde kimin gerileyeceğini tahmin edip edemeyeceğini araştırıyor.

Kimler incelendi ve neler ölçüldü

Araştırmacılar, standart testler ve beyin görüntülemesi kullanan ve hafıza sorunları olan kişileri izleyen uzun soluklu Alzheimer Hastalığı Nörogörüntüleme Girişimi verilerini kullandı. Çalışma, Alzheimer tanısı konmuş ve çalışmanın başlangıcında ve bir yıl sonra Mini-Mental Durum Muayenesi (MMSE) adı verilen bir hafıza testini tamamlamış 306 katılımcıya odaklandı. 12 ay içinde MMSE puanında üç veya daha fazla düşüş anlamlı bir gerileme olarak kabul edildi. Başlangıçta her katılımcı yaş, cinsiyet ve eğitim yılı gibi temel bilgileri verdi, birkaç ayrıntılı düşünme ve günlük işlev anketini doldurdu ve hafızayla ilişkili ana beyin bölgelerinin hacmini ölçen bir beyin MR’ı çekildi.

Bilgisayar modelleri nasıl kuruldu

Kısa vadeli gerilemeyi tahmin edip edemeyeceklerini görmek için ekip iki tür öngörü aracı kurdu ve karşılaştırdı. Birincisi, klinikte kolaylıkla elde edilebilen birkaç ölçü kullanılarak oluşturulmuş basit bir istatistiksel formüldü: yaş, cinsiyet ve iki standart düşünce testinin puanları. İkincisi, klinik puanların tamamı ile hipokampal hacim ve beyin içi sıvı boşluklarının büyüklüğü gibi MR ölçümlerini değerlendirebilen rastgele orman (random forest) olarak bilinen daha esnek bir makine öğrenmesi modeliydi. Veriler, her kişinin sonucunun o kişiyi henüz "görmemiş" bir model tarafından tahmin edilmesini sağlamak için defalarca eğitim ve test alt kümelerine bölündü; bu, aracın yeni hastalarda nasıl davranabileceğini taklit eder.

Modeller gerilemeyi ne kadar iyi tahmin etti

Katılımcıların yaklaşık %43’ü 12 ay içinde anlamlı bir MMSE düşüşü yaşadı. Her iki yaklaşım da bu bireyleri şansa göre daha iyi tanımladı. Basit klinik model, tıbbi tahmin araçları için genellikle “orta” kabul edilen bir performans düzeyine ulaştı. Rastgele orman modeli genel olarak biraz daha iyi performans gösterdi ve önemli olarak, geniş bir pratik risk eşiği aralığında daha yüksek "net fayda" sundu. Net fayda, doğru ve yanlış tahminleri, bunların üzerine harekete geçmenin sonuçlarıyla—örneğin hangi hastaların daha yakından izleneceğine veya daha yoğun bakıma alınacağına karar verme—karşılaştıran bir değerlendirme yöntemidir. Daha karmaşık model mükemmel olmasa ve aşırı uyum (overfitting) belirtileri gösterse de, herkesin gerileyeceğini varsayan veya hiç kimsenin gerilemeyeceğini varsayan stratejilere kıyasla tutarlı biçimde daha faydalı rehberlik sağladı.

Puanları düşük, orta ve yüksek risk olarak dönüştürmek

Sonuçları kliniklerin daha kolay kullanabilmesi için araştırmacılar modelin çıktısını üç basit risk bandına çevirdi. Tahmini gerileme olasılığı dörtte birin altında olanlar düşük risk grubunu oluşturdu; bu gruptakilerin yalnızca yaklaşık sekizde biri gerçekten geriledi ve ortalama test puanları bir yıl sonra neredeyse değişmemişti. Orta banttaki kişilerin gerileme olasılığı yaklaşık üçte birdi ve ortalamada yaklaşık bir buçuk MMSE puanı kaybettiler. Tahmini olasılığı yarımın üzerinde olan yüksek risk grubunda ise hastaların yaklaşık üçte ikisi gerileme gördü ve ortalama kayıp dörtten fazla MMSE puanıydı. Bu açık ardışık örüntü, modelin olasılıklarının hastaların ne sıklıkla görülmesi gerektiğini ve hangi kişilerin denemeler veya ek testler için önceliklendirilebileceğini yönlendirebilecek pratik kategorilere dönüştürülebileceğini gösteriyor.

Bu, hastalar ve klinikler için ne anlama geliyor

Çalışma, rutin hafıza testleri ile standart MR taramalarının birleştirilip modern bilgisayar yöntemleriyle analiz edilmesiyle, bireysel bir Alzheimer hastasının önümüzdeki yıl içinde belirgin gerileme riskinin makul düzeyde tahmin edilebileceğini gösteriyor. Araç, günlük bakımda kullanılmadan önce farklı hastanelerde ve daha çeşitli popülasyonlarda kontrol edilip ayarlanması gerekecek olsa da, takip programlarının ve deneme dahil etme kararlarının herkesin hastalığının aynı hızda ilerleyeceği varsayımına dayanmak yerine her kişinin muhtemel seyrine göre uyarlanacağı bir geleceğe işaret ediyor.

Atıf: Geng, Y., Zhang, H. Machine-learning prediction and risk stratification of 12-month cognitive decline in Alzheimer’s disease using routine clinical and MRI data. Sci Rep 16, 12227 (2026). https://doi.org/10.1038/s41598-026-43321-1

Anahtar kelimeler: Alzheimer hastalığı, bilişsel gerileme, makine öğrenmesi, beyin MR’ı, risk sınıflandırması