Çeşitli florüre maruz kalan Çin nüfuslarında makine öğrenmesi kullanarak iskeletsel floroz şiddetinin tahmini

Günlük sağlık için neden önemli

İskeletsel floroz, yıllar içinde aşırı florür alımının neden olduğu ciddi bir kemik bozukluğudur. Belirsiz ağrılardan eğri omurlara, sert eklemlere ve yaşam boyu süren sakatlığa dönüşebilir. Düşük ve orta gelirli ülkelerde milyonlarca insan, su, kömür dumanı veya hatta çay yoluyla her gün sessizce florür almaktadır. Bu çalışma, modern veri araçlarının hasar kalıcı hale gelmeden çok daha erken dönemde risk altındaki kişileri tespit etmede doktorlara nasıl yardımcı olabileceğini gösteriyor.

Günlük alışkanlıklarda gizli tehlike

Çin’in bazı bölgelerinde ve diğer ülkelerde yüksek florür maruziyeti sıradan rutinlerden kaynaklanır: iç mekanda yerel kömür yakmak, kuyu suyu içmek veya güçlü tuğla çayı tüketmek. Florür zamanla kemiklerde birikir; başlangıçta sadece hafif eklem ağrısı veya sertlik yapar. Röntgenlerde belirgin hasar görünene kadar çoğu zarar zaten oluşmuş olur ve geri çevrilmesi zordur. Bu çalışmayı yapan araştırmacılar, yaş, basit ağrı puanları, eklem hareketi ve idrar testleri gibi daha kolay toplanabilen bilgilerin birleştirilerek bir kişinin kemik hasarının ne kadar ileri olduğunu tahmin edip edemeyeceğini sordular.

Ulusal çapta bir veri tablosu

Araştırma ekibi 2022’de başlatılan Çin Floroz Kohortundan yararlandı ve insanların maruz kalma biçimlerini temsil eden üç bölgeye odaklandı: Guizhou’daki kömür yakılan topluluklar, Shanxi’de florür açısından zengin içme sularının bulunduğu alanlar ve Sichuan’daki tuğla çayı tüketen topluluklar. İskeletsel florozu olan yaklaşık 1.800 gönüllüden analizde tam bilgiye sahip 1.309 kişi dahil edildi. Her katılımcı ayrıntılı anketleri yanıtladı, boy, kilo ve kan basıncı ölçüldü, ortopedi uzmanları tarafından eklem muayeneleri yapıldı ve onlarca kimyasal test için kan ve idrar örnekleri verildi. Uzman radyologlar standartlaştırılmış röntgenler kullanarak her kişinin hastalığını hafif veya orta-şiddetli şeklinde sınıflandırdı.

Bilgisayarlara ağır hastalığı tanımayı öğretmek

Kayıt edilen onlarca potansiyel risk göstergesi olduğu için ekip önce istatistiksel bir filtre kullanarak ölçülen 80 değişkeni, hastalığın ne kadar ilerlediği hakkında en fazla bilgiyi taşıyan 22 değişkene daralttı. Bunlar kişinin yaşadığı yer, yaş ve uyku süresi, kemik gücüne ilişkin ölçümler, büyük eklemlerin ne kadar serbestçe hareket ettiğine ilişkin değerlendirmeler, basit bir 0–10 ağrı skoru, kemik yapımı ve yıkımı belirteçleri, iltihap sinyalleri, standart kan sayımları, karaciğer fonksiyonu ve idrardaki florür miktarını içeriyordu. Araştırmacılar ardından rastgele orman (random forest) gibi popüler bir yöntemi de içeren beş farklı bilgisayar modelini katılımcıların yaklaşık %70’inden elde edilen verilerle eğitti ve modellerin geri kalan %30’da ne kadar iyi çalıştığını test etti. Performans esas olarak modellerin hafif ile daha ciddi hastalığı ne kadar doğru ayırt ettiğine göre değerlendirildi.

Modelin kemikler ve ağrı hakkında öğrendikleri

Rastgele orman modeli en doğru olanı çıktı; test grubundaki yaklaşık beş kişiden dördünde hafif ile orta-şiddetli florozu doğru şekilde ayırt etti. Modelin “kara kutusunu” açmak için ekip, her girdiye her tahmin için bir katkı puanı atayan bir teknik kullandı. Ağrı düzeyi en önemli tek sinyal olarak ortaya çıktı: daha yüksek ağrı puanları tahminleri güçlü biçimde daha şiddetli hastalığa kaydırdı. Diz ve omuz hareketinin kısıtlı olması, ileri yaş ve daha yüksek idrar florür düzeyleri de önemli roller oynadı. Daha düşük kemik kütlesine ve değişmiş kemik yapım belirteçlerine sahip kişilerde ileri hasar görülme olasılığı daha yüksekti; bu durum kemikler yoğun görünse bile daha kırılgan olabileceklerini gösteriyor. Model ayrıca belirgin bölgesel desenleri de yakaladı: kömür yakılan alanlarda şiddetli vakaların oranı en yüksekti, bunu içme suyu bölgeleri izledi; tuğla çay bölgeleri ise genellikle daha hafif ve geri döndürülebilir hastalık gösteriyordu.

Koruma için ne anlama geliyor

Yüksek florür ortamlarında yaşayan aileler için bu çalışma, bir kişinin ne kadar acı çektiği, eklemlerinin ne kadar hareket ettiği, temel laboratuvar testleri ve nerede yaşadıkları gibi basit bilgilerin erken uyarı sistemine dönüştürülebileceğini öne sürüyor. Sağlık çalışanları ileri kemik hasarını röntgenlerin ortaya çıkmasını beklemek yerine böyle bir modeli kullanarak yüksek riskli kişileri işaretleyebilir ve onları yakın takibe, su veya yakıt kaynaklarını değiştirmeye ya da diğer koruyucu adımlara öncelik verebilirler. Yöntem hâlâ başka ülkelerde incelenip geliştirilmeye ihtiyaç duysa da, iskeletlerin bir ömür boyu süren florür maruziyetini sessizce kaydettiği topluluklarda daha erken tanı ve daha akıllı halk sağlığı planlaması için pratik bir yol sunuyor.

Atıf: Long, H., Zeng, J., Wei, S. et al. Predicting skeletal fluorosis severity using machine learning across diverse fluoride-exposed populations in China. Sci Rep 16, 13858 (2026). https://doi.org/10.1038/s41598-026-43429-4

Anahtar kelimeler: iskeletsel floroz, florür maruziyeti, makine öğrenmesi, kemik sağlığı, çevresel epidemiyoloji