Demans riskini tahmin etmek için makine öğrenimi modelleri: Sydney Bellek ve Yaşlanma Çalışması’ndan kanıtlar

Sağlıklı yaşlanma için neden önemli

Demans, ileri yaşın en çok korkulan durumlarından biridir; ancak pek çok kişi tanıyı ancak unutma ve düşünme sorunları ileri düzeye geldiğinde alır. Bu çalışma umut verici bir soruyu gündeme getiriyor: kliniklerin zaten topladığı bilgiler—yaş, basit düşünme testleri, kan şekeri ve kalp sağlığı gibi—kullanılarak, bir kişinin on yıl öncesinden demans geliştirme olasılığını işaretleyebilir miyiz? Eğer mümkünse, hekimler izlemi ve önleyici çabaları en çok ihtiyaç duyanlara odaklayabilir.

Uzun soluklu bir yaşlanma çalışmasına daha yakından bakış

Araştırmacılar, kaydolduklarında demans belirtisi olmayan ve 70 yaş ve üzeri binin üzerindeki Avustralyalının izlendiği Sydney Bellek ve Yaşlanma Çalışması verilerinden yararlandı. Yaklaşık on yıl içinde bu katılımcılardan bazıları demans geliştirdi, bazıları ise geliştirmedi. Başlangıçta herkes ayrıntılı bellek ve düşünme testleri, ruh haliyle ilgili anketler ve kan testleri ile kalp ve damar sağlığı ölçümlerini içeren tıbbi kontrollerden geçti. Başlangıçta hangi özelliklerin daha sonra demans geliştirenler arasında daha yaygın olduğunu görerek, ekip yüksek risk profillerini tanıyabilecek bilgisayar modellerini eğitebildi.

Makineleri gelecekteki riski görmeye öğretmek

Bu tahmin araçlarını oluşturmak için yazarlar birkaç yaygın makine öğrenimi yöntemini karşılaştırdı. Tüm modeller aynı soruyu yanıtlamaya çalıştı: bir kişinin başlangıç bilgileri verildiğinde, kişi on yıl sonra (şayet hayatta olup değerlendirilmişse) demans sahibi olma olasılığı nedir? Bilgisayar algoritmaları katılımcıların yaklaşık yüzde 70’inin verileri üzerinde eğitildi ve sonra görülmemiş bir kontrol olarak ayrılan kalan yüzde 30 üzerinde test edildi. Girdi değişkenleri arasında yaş, eğitim, ruh hali belirtileri, ayrıntılı bilişsel puanlar, bel–kalça oranı, standart bir kalp hastalığı risk skoru ve kolesterol, trigliserid, ürik asit, böbrek fonksiyonu, inflamasyon belirteçleri ve açlık glukozu gibi kan ölçümleri yer aldı. APOE ε4 olarak bilinen genetik bir risk işareti daha sonra isteğe bağlı bir ek olarak incelendi.

Dört basit ölçüm sinyalin çoğunu taşıyor

Farklı yaklaşımlar arasında LASSO regresyonu adlı sadeleştirilmiş bir yöntem en iyi performansı gösterdi. Birçok aday ile başlanmasına rağmen, bu model sadece dört öngörücü tuttu: yaş, genel bilişsel performans, açlık kan şekeri ve kalp-damar riskinin birleşik skoru. İleri yaş, daha yüksek glukoz ve daha kötü kardiyovasküler profil her biri tahmini riski yukarı doğru itiyordu; daha güçlü bilişsel puanlar ise riski azaltıyordu. Ayrılmış test grubunda, bu dört faktörlü model gelecekte demans gelişecek bir kişiyi, demans geliştirmeyecek bir kişinin üzerinde doğru biçimde sıralayabilme yeteneğini yaklaşık dörtte üç oranında gösterdi; bu düzey klinik risk araçları için kabul edilebilir sayılıyor. Ayrıca gerçek gelecekteki vakaları yakalama ile çok sayıda yanlış alarm verme arasındaki iyi bir dengeyi de sundu.

Ne kadar katkı yapmadı ve aracı nasıl kullanmalı

Şaşırtıcı biçimde, en iyi performans gösteren modele APOE ε4 genetik durumunun eklenmesi, yaş, bilişsel performans, kan şekeri ve kalp riski zaten dahil edildiğinde doğruluğunu artırmadı ve bazı ölçütleri hafifçe kötüleştirdi. Bu, en azından bu yaşlı erişkinler grubunda, ana hikâyeyi deneysel kan belirteçleri veya genetik testler yerine rutin klinik bilgilerin anlattığını düşündürüyor. Yazarlar, bu dört sayıyı on yıllık demans riskine dönüştürmek için bir elektronik tabloya uygulanabilecek basit bir formül sunuyor; bu risk daha sonra bir kişiyi “yüksek risk” ya da “daha düşük risk” olarak sınıflandırmak için önerilen bir eşikle karşılaştırılabiliyor. Ayrıca, demansın kendi nüfuslarında veya farklı yaş gruplarında daha yaygın ya da daha az yaygın olması durumunda sağlık sistemlerinin modelin başlangıç noktasını nasıl ayarlayabileceğini açıklıyorlar.

Hastalar ve klinisyenler için ne anlama geliyor

Şimdilik bu çalışma hazır bir tarama programı değil, bir kavram kanıtı niteliğinde. Küçük bir tanıdık ölçü setinin—yaş, yapılandırılmış bir bilişsel test, açlık glukozu ve standart bir kalp riski skoru—tanıları on yıl öncesine kadar anlamlı şekilde düşük ve yüksek demans risk gruplarına ayırabildiğini gösteriyor. Geniş çapta kullanılmadan önce modelin diğer ülkelerde, günlük pratiğe uygun daha basit bilişsel testlerle ve hastalar ile klinisyenlerin olasılıksal risk tahminlerine nasıl tepki verdiğine dair gerçek dünya sorularıyla test edilmesi gerekiyor. Yine de mesaj cesaret verici: beyin sağlığına, kan şekerine ve kalp sağlığına birlikte dikkat etmek, kimlerin daha yakın izlemeden ve erken önleyici stratejilerden en çok fayda sağlayabileceğini belirlemeye yardımcı olabilir.

Atıf: Chalmers, R.A., Cervin, M., Choo, C. et al. Machine learning models for dementia risk prediction: evidence from the Sydney Memory and Ageing Study. npj Dement. 2, 27 (2026). https://doi.org/10.1038/s44400-026-00071-1

Anahtar kelimeler: demans risk tahmini, makine öğrenimi, bilişsel yaşlanma, kardiyometabolik sağlık, erken tespit