Bilek cihazı ölçümlerine dayalı bir makine öğrenimi modeli ile kırılganlık

Yaşlılıkta günlük hareket neden önemli

Daha fazla insan 70’lerine, 80’lerine ve ötesine ulaşırken, doktorlar kimin güçsüzleşme, bağımsızlığını yitirme veya acil bakım gerektirme riski taşıdığını daha iyi saptamanın yollarını arıyor. Bu hassasiyetin tıbbi adı kırılganlıktır, ancak günümüzdeki kırılganlık testleri yavaş, sık sık öznel ve düzenli tekrarı zordur. Bu çalışma, bileğe takılan bir aktivite izleyicisinden elde edilen basit hareket verilerinin bu testlerin yerini alıp alamayacağını ve hatta hastaneye yatış ve ölüm gibi ciddi sonuçları öngörme yeteneğini iyileştirip iyileştiremeyeceğini araştırıyor.

Ajandadan bilekliklere

Geleneksel kırılganlık puanları yorgunluk ve kilo kaybı sorar, yürüyüş hızını ve kavrama gücünü ölçer ve birçok sağlık sorununu sayar. Bu araçlar yararlı olmakla birlikte zaman alıcıdır ve bazıları kişinin hafızasına veya yoğun bir klinisyenin yargısına dayanır. Bu çalışmanın araştırmacıları, günlük yaşama daha nesnel bir pencereden—insanların gerçekten ne kadar hareket ettiği, oturduğu ve uyuduğu—aynı bilgiyi daha verimli yakalamanın mümkün olup olmadığını merak ettiler. Bir ivmeölçer adı verilen saat benzeri bir cihaz kullanarak, yaşlı yetişkinlerde bir haftalık süre içinde her adımı, duraklamayı ve etkinlik patlamasını kaydettiler.

Bir haftalık hareket risk puanlarına dönüştü

Araştırma ekibi, İspanya’daki Toledo Sağlıklı Yaşlanma Çalışması’ndan yararlandı; bu çalışma 65 yaş üstü yüzlerce yetişkini izliyor. Görüşmeler, fizik muayeneler, kan testleri ve vücut taramalarının ardından 437 katılımcıdan aktivite cihazını yedi gün takmaları istendi. Özel yazılım, ham hareket sinyallerini toplam adım sayısı, şiddetli hareket süreleri ve uzun sedanter dönemler gibi sayısal özelliklere ve uyku-uyanıklık desenlerine dönüştürdü. Bu özellikler daha sonra verilerden desen öğrenen bir bilgisayar programı olan bir makine öğrenimi modeline beslendi; amaç, bunun birkaç yerleşik kırılganlık ölçeğini ve ilgili sağlık risk faktörlerini yeniden oluşturup oluşturamayacağını görmekti.

Bilgisayara kırılganlığı öğretmek

Araştırmacılar, birçok basit karar kuralını güçlü bir öngörücüde birleştiren gradyan artırımlı karar ağaçları adlı bir yaklaşım kullandılar. Sonuçların görülmemiş kişilerde de geçerli olmasını sağlamak için veri setlerini tekrar tekrar ikiye ayırıp modelin bir yarısında eğitip diğer yarısında test ettiler. Model, yalnızca aktivite desenlerine dayanarak Ayrıntılı Kırılganlık Özellik Ölçeği (Frailty Trait Scale) olarak bilinen ayrıntılı bir kırılganlık puanını iyi doğrulukla tahmin edebildi. Benzer başarı diğer kırılganlık ölçümleri ve kan test sonuçları ile kavrama gücü gibi yaşlanmaya bağlı bireysel risk faktörleri için de görüldü. Kayda değer olarak, dikkatle seçilen yaklaşık 48 saatlik—iki günlük—veri, tüm haftayla neredeyse aynı derecede bilgilendiriciydi; bu da kısa, hedeflenmiş izlemenin yeterli olabileceğini düşündürüyor.

Hastane yatışları ve hayatta kalmaya bakış

Mevcut kırılganlık puanlarıyla eşleşmenin ötesinde, aktiviteye dayalı model hastalar ve aileleri için derin öneme sahip sonuçlar üzerinde test edildi: hastaneye kabul ve zaman içinde ölüm riski. Burada hareketten türetilen öngörüler çoğu zaman geleneksel kırılganlık ölçeklerinden daha iyi performans gösterdi. Başka bir deyişle, bir kişinin günlük yaşamında nasıl hareket edip dinlendiği, yalnızca klinikte alınan anlık testlerden daha net bir tehlike sinyali sağladı. Bu bulgu, giyilebilir cihazların doktorların yüksek riskli hastaları daha erken tespit etmesine ve krizler oluşmadan önce takip bakımını veya destek hizmetlerini uyarlamasına yardımcı olabileceğini işaret ediyor.

Sağlıklı yaşlanma için ne anlama gelebilir

Çalışma, basit bir bilek cihazı ile kısa süreli izlemenin karmaşık kırılganlık sınavlarının verimli, nesnel bir yerine geçebileceğini ve aynı zamanda ciddi sağlık olaylarının tahminini keskinleştirebileceğini öne sürüyor. Yaşlı yetişkinler için bu, nihayetinde daha az uzun klinik ziyaret ve sağlık durumlarının nasıl değiştiğine dair evde daha sürekli bir içgörü anlamına gelebilir. Sağlık sistemleri içinse, geniş nüfuslarda kırılganlığın izlenmesine ve sınırlı kaynakların en çok ihtiyaç duyanlara yönlendirilmesine kapı açıyor. Yazarlar, en eksiksiz yaşlanma tablosunu oluşturmak için daha çeşitli grupların ve ek biyolojik ölçümlerin gerekeceği konusunda uyarıda bulunuyor. Yine de sonuçları, günlük hareketin sessizce kaydedilmesinin bağımsızlığı korumada ve sağlıklı yaşam yıllarını uzatmada güçlü bir araç haline geleceği bir geleceğe işaret ediyor.

Atıf: Culos, A., Manas, A., Shidara, K. et al. A machine learning model for frailty based on wearable device measurements. Commun Med 6, 173 (2026). https://doi.org/10.1038/s43856-026-01419-7

Anahtar kelimeler: kırılganlık, giyilebilir sensörler, yaşlı yetişkinler, makine öğrenimi, sağlıklı yaşlanma