Belleğe dayalı verilerin sıralı analizi ve veri madenciliği kullanılarak demansın erken teşhisi için öngörücü modelleme

Hafıza gerilemesini erken yakalamanın önemi

Demans çoğu zaman o kadar yavaş ilerler ki belirtiler belirginleştiğinde tedavi ve planlama için değerli yıllar çoktan kaybolmuş olur. Aileler genellikle yalnızca dağınık işaretler fark eder—burada unutkanlık, orada kafa karışıklığı—hekimler ise muayene ziyaretlerinde yalnızca kısa anlık görüntüler görür. Bu çalışma basit ama güçlü bir soruyu gündeme getiriyor: bir kişinin sağlık öyküsünü zaman içinde bütünüyle izleyebilseydik ve bir bilgisayara demansa giden eğrinin ilk, gizli dönüşünü öğretseydik ne olurdu?

Hastaları yalnızca anlık görüntülerle değil, zaman içinde takip etmek

Demansı tahmin etmeye çalışan çoğu bilgisayar aracı statik verilere bakar: tek bir beyin görüntüsü, bir bilişsel test veya ziyaret sırasında alınan bir kontrol listesi. Bu çalışmanın araştırmacıları demansın sabit bir fotoğraftan çok hareketli bir film olarak daha iyi anlaşılacağını savunuyor. 60–90 yaş aralığındaki 2.100’den fazla yetişkinden elde edilen, hafıza puanları, günlük işlevsellik, ruh hali, yaşam tarzı faktörleri ve tıbbi öykü gibi tekrarlanan ölçümleri içeren zengin bir veri seti kullanıyorlar. Bu kayıtlar bilgisayar modelinin her bir kişinin düşünme ve günlük yeteneklerindeki değişimi aylar boyunca ay ay “izleyebilmesi” için 30 günlük dilimlere yeniden düzenlendi; böylece yalnızca izole sayılar karşılaştırılmıyor.

Gerçek dünyadan sağlık kayıtlarını temizleme ve dengeleme

Gerçek tıbbi kayıtlar düzensizdir. İnsanlar randevularını kaçırır, bazı yanıtlar boş bırakılır ve demanslı hasta sayısı olmayanlara kıyasla çok daha azdır. Öngörücülerini oluşturmadan önce ekip, benzer hastalardan tipik değerlerle eksik sayısal verileri doldurarak ve hafıza şikayeti gibi evet/hayır öğeleri için en yaygın değeri seçerek verideki boşlukları dikkatle onardı. Ardından her kişinin geçmişini olayların sırasını korumak için örtüşen 30 günlük dizilere dönüştürdüler. Modelin büyük ölçüde sağlıklı çoğunluktan öğrenmesini engellemek amacıyla, mevcut demans vakalarını nazikçe “kopyalayıp harmanlayan” ve hem grupların eğitim sırasında daha dengeli temsil edilmesini sağlayan gerçekçi ek örnekler yaratan bir teknik kullandılar.

Yeni modelin gerileme zaman çizelgesini okuma biçimi

Çalışmanın kalbinde, sağlık bilgisini bir zaman çizelgesi olarak okumak üzere özel olarak tasarlanmış TCBiNet adlı yeni bir hibrit derin öğrenme sistemi yer alıyor. İlk olarak, bir zamanlı konvolüsyon aşaması her 30 günlük diziyi tarayarak kısa süreli patlamaları ve yerel eğilimleri tespit ediyor—örneğin hafıza puanında ani bir düşüş veya günlük işlevsellikte kısa süreli bir değişim. Ardından çift yönlü bellek aşaması diziyi hem ileri hem geri inceleyerek aylar içinde ortaya çıkan yavaş, uzun vadeli eğilimleri yakalıyor; örneğin düşünme yeteneğinde istikrarlı bir gerileme gibi. Son olarak, bir dikkat (attention) aşaması erken demansı işaretlemek için hangi belirli zaman aralıklarının en önemli olduğunu öğreniyor ve örneğin unutkanlık ile kafa karışıklığının eşzamanlı göründüğü veya günlük aktivitelerin bozulmaya başladığı dönemlere otomatik olarak daha fazla ağırlık veriyor.

Modelin erken uyarı işaretleri hakkında öğrendikleri

Konvolüsyonel ve tekrarlayan sinir ağları ile pekiştirmeli öğrenme tabanlı yöntemler dahil olmak üzere birkaç ileri alternatifle karşılaştırıldığında TCBiNet en doğru ve güvenilir çıkan model oldu. Demanslı ve demanssız vakaları doğru şekilde ayırt etme oranı %99’dan fazlaydı ve çeşitli eşik değerler boyunca yüksek riskli ile düşük riskli hastaları ayırma konusunda mükemmel bir yetenek gösterdi. Modelin davranışı klinik sezgiyle de uyumluydu: standart hafıza testlerindeki değişiklikler, günlük işlevsellik ve kişinin bildirdiği hafıza sorunları en güçlü belirleyiciler olarak öne çıktı; unutkanlık ile kafa karışıklığı gibi belirti eşleşmeleri demans yolundaki hastalarda sıkça birlikte görüldü. Dikkat haritaları, genel desen gürültülü görünse bile bir kişinin geçmişindeki birkaç kilit dönemin orantısız önem taşıyabileceğini ortaya koydu.

Bu hastalar ve klinisyenler için ne anlama gelebilir

Gündelik okuyucu için sonuç basittir: sağlık verilerini izole muayeneler dizisi olarak değil, zaman içinde gelişen bir hikâye olarak ele almak bu yaklaşımın demansı daha erken ve daha yüksek güvenle tespit etmesini sağlar. Önerilen sistem rutin klinik ölçümleri erken uyarı radarı gibi kullanarak fark edilmeyebilecek ince, süreklilik gösteren düşünce ve günlük yaşam değişimlerini vurgular. Modelin farklı hastanelerde ve daha çeşitli popülasyonlarda test edilmesi gerekmekle birlikte, bu yöntem hastalara, ailelere ve klinisyenlere planlama, müdahale ve potansiyel olarak hastalığın seyrini yavaşlatma için daha uzun bir fırsat sunan proaktif bakım yolunda umut verici bir seçenek sunuyor.

Atıf: G, S.K., R, D. Predictive modeling for early diagnosis of dementia using sequential data analysis and data mining. Sci Rep 16, 13226 (2026). https://doi.org/10.1038/s41598-026-43382-2

Anahtar kelimeler: demansın erken tahmini, uzunlamasına sağlık verileri, sağlıkta derin öğrenme, Alzheimer riski değerlendirmesi, bilişsel gerilemenin izlenmesi