Konjenital kalp hastalığı olan ergenlerde ve genç yetişkinlerde nörokognitif test puanlarını tahmin etmek için makine öğrenmesi

Kalp sorunu ile büyümek açısından bunun önemi nedir

Ciddi kalp kusurlarıyla doğan daha fazla çocuk artık her zamankinden daha sık yetişkinliğe ulaşmaktadır. Ancak birçok aile, kalp ameliyatını atlatmanın hikâyenin yalnızca bir bölümü olduğunu fark ediyor: bazı ergenler ve genç yetişkinler dikkat, öğrenme veya hafıza ile zorlanabiliyor. Bu çalışma, büyük sonuçları olan pratik bir soruyu gündeme getiriyor: uzun testlere yalnızca dayanmak zorunda kalmadan, bir konjenital kalp hastalığı olan gencin okul benzeri düşünme ve problem çözme becerilerini beyin taramaları, genetik bilgiler, tıbbi geçmiş ve aile geçmişini birlikte kullanarak tahmin edebilir miyiz?

Sadece kalbi değil, bütünü görmek

Araştırmacılar, Birleşik Devletler genelindeki merkezlerden 8 ila 30 yaşları arasındaki 89 konjenital kalp hastalığı olan ergen ve genç yetişkini izledi. Her katılımcı okuma, kelime bilgisi, problem çözme, hafıza, işlem hızı ve genel IQ’yu ölçen standart kalem-kağıt testlerini tamamladı. Yaklaşık altı ay içinde—çoğunlukla sadece birkaç gün içinde—ayrıca detaylı beyin MRG taramaları yapıldı ve genetik örnekler verildi. Ekip, kalp teşhisleri ve ameliyatları, boy ve kilo ile ebeveynlerin eğitimi ve hane geliri dahil aile sosyoekonomik geçmişi gibi bilgileri topladı. Amaç, her genci “sadece bir kalp vakası” olarak değil; beyni, genleri, sağlık geçmişi ve çevresinin düşünme ve öğrenmeyi şekillendirdiği bütün bir kişi olarak ele almaktı.

Bilgisayarlara düşünme becerilerini tahmin etmeyi öğretmek

Bu karmaşık bilgi karışımını anlamlandırmak için bilim insanları makine öğrenmesini — büyük veri setlerindeki örüntüleri bulabilen bilgisayar yöntemlerini — kullandı. Yapısal ve difüzyon MRG taramalarından (beyin boyutu, şekli ve bağlantılarını yakalayan) binlerce ölçümü, cinsiyet, ameliyat sayısı, nadir genetik varyant türleri ve ebeveyn eğitimi gibi 17 görüntüleme dışı faktörle birlikte girdiler. Yedi geniş düşünme alanındaki 15 farklı test puanı için modeller, bu özelliklerden puanı çıkarmayı öğretti. Gelişmiş bir özellik-seçim yöntemi aday değişkenleri tekrar tekrar ekleyip çıkararak yalnızca tutulduğunda performansı gerçekten artıran kombinasyonları korudu; bunlar tutulmamış katılımcılar üzerinde test edildi. Ekip başarıyı, tahmin edilen puanların gerçek test puanlarına ne kadar yakın olduğuna ve test puanı puanları cinsinden tipik hatanın ne kadar büyük olduğuna göre değerlendirdi.

Modellerin görebildikleri ve göremedikleri

Bilgisayar modelleri çoğu test puanını şansa göre daha iyi tahmin edebildi; gerçek ve tahmin edilen puanlar arasındaki korelasyonlar zayıftan oldukça güçlüye kadar değişiyordu. Tam ölçekli IQ, çalışma belleği (sayı dizilerini hatırlama) ve işlem hızı (hızlı görsel tarama ve sembol eşleştirme) tahmin edilmesi en kolay olanlar arasındaydı. Örneğin, yaygın bir hafıza testi olan sayısal hafıza dizisi (digit span) için modelin tahminleri gerçek performansı oldukça yakından izledi. Buna karşılık, cümleleri anlama veya blok tasarımı gibi daha özel beceriler tahmin etmekte daha zordu. Araştırmacılar testler arasındaki sonuçları birleştirdiklerinde genel zeka en çok “tahmin edilebilir” yetenek olarak ortaya çıktı; algısal akıl yürütme—şekil ve mekânlardaki örüntüleri çözme—en az tahmin edilebilir oldu.

Beyin, genler ve çevrenin her birinin rolü

Modellerin dayandığı özelliklere bakarak çalışma, bu grupta bilişi şekillendirenlerin nüanslı bir resmini çiziyor. MRG’den elde edilen beyin ölçümleri yedi bilişsel alanda da görüldü. Frontal ve temporal loblardaki bölgeler ve bunları birbirine bağlayan ak maddesindeki ana yollar özellikle önemliydi—bunlar uzun zamandır dil, hafıza ve problem çözmeyle ilişkilendirilmiş alanlardır. Ancak beyin dışı faktörler de önemliydi. Bir babanın eğitim düzeyi genel IQ ve görsel-mekânsal becerileri tahmin etmeye yardımcı oldu; bu, ev ortamı ve öğrenme fırsatlarının etkisine işaret ediyor. Teşhis türü ve ameliyat sayısı gibi kalp hastalığı özellikleri sözel becerileri etkiledi. Özellikle nörogelişim genlerini bozan bazı nadir genetik varyantlar okuma, matematik veya kelime dağarcığında daha zayıf sonuçlarla ilişkilendirme eğilimindeydi. Tek bir neden yerine ortaya çıkan tablo, beyin yapısı, tıbbi geçmiş, genler ve sosyoekonomik bağlamın bilişsel sonuçları farklı yönlere iten örtüşen etkiler olduğu yönünde.

Bu, bakım ve izlem için ne anlama gelebilir

Aileler ve klinisyenler için mesaj hem rahatlatıcı hem de ileriye dönük. Bu nispeten küçük ama özenle incelenmiş grupta, konjenital kalp hastalığı olan birçok gencin düşünme becerileri ortalama aralıkta bulundu. Yine de çalışma, bilişsel farklılıkların modern bakımda zaten toplanan bilgilerden—özellikle ayrıntılı beyin taramalarından—anlamlı şekilde tahmin edilebileceğini gösteriyor. Daha büyük ve daha çeşitli gruplarda doğrulanırsa, benzer modeller bir gün doktorların hangi çocukların okul veya hafıza güçlükleri açısından daha yüksek risk taşıdığını, sorunlar tam ortaya çıkmadan önce işaretlemelerine yardımcı olabilir. Bu da daha erken eğitim desteği, bilişsel eğitim veya aile temelli müdahaleler için yönlendirmelere rehberlik edebilir—takipte kalp sağlığı kadar beyin sağlığını da merkezi hale getirerek.

Atıf: Hussain, M.A., He, S., Adams, H.R. et al. Machine learning to infer neurocognitive testing scores among adolescents and young adults with congenital heart disease. Commun Med 6, 144 (2026). https://doi.org/10.1038/s43856-026-01417-9

Anahtar kelimeler: konjenital kalp hastalığı, ergen bilişi, beyin MRG, makine öğrenmesi, nörogelişim