Yapay zeka uykuda 130 hastalık riskini tanıdı

Bir uyku laboratuvarında geçirilen tek geceden yola çıkan yapay zeka, parkinson ve demanstan kalp krizi ve meme kanserine kadar 130'dan fazla hastalık için risk hesaplaması yaptı.

Yapay zeka destekli yeni bir sistem, uyku laboratuvarında tek bir gecede topladığı sinyalleri değerlendirerek parkinson, demans, kalp krizi, prostat ve meme kanseri dahil yaklaşık 130 hastalık için ileride ortaya çıkabilecek riskleri hesapladı.

Nature Medicine dergisinde yayımlanan çalışmanın yazarlarından Stanford Üniversitesi veri bilimcisi James Zou, sisteme ilişkin "Üstelik bunu ilk belirtiler ortaya çıkmadan yıllar önce yapabiliyor" dedi.

Yeni yapay zeka modelinin adı SleepFM. Model, yüz binlerce saatlik uyku verisiyle eğitildi. SleepFM, Stanford Üniversitesi'nde biyomedikal veri bilimcisi Rahul Thapa'nın liderliğindeki bir ekip tarafından geliştirildi.

Yapay zeka uykuyu nasıl "okumayı" öğreniyor?

Uyku laboratuvarında uykunun incelenmesi ve ölçülmesi işlemine polisomnografi adı veriliyor. Bu yöntemde beyin dalgaları, kalp aktivitesi, solunum, kas gerginliği ile göz ve bacak hareketleri aynı anda kaydediliyor.

SleepFM için ekip, çoğunluğu Stanford Uyku Tıbbı Merkezi'nden olmak üzere, farklı gruplardan yaklaşık 65 bin kişiye ait toplam 585 bin saatlik bu tür kaydı kullandı.

Ön eğitim aşamasında yapay zeka, normal uykuda beyin, kalp ve solunum sinyallerinin nasıl bir uyum içinde olduğunu öğrendi. Model, adeta istatistiksel olarak yakalanmış bir "uyku dili" oluşturdu.

Yapay zeka, beyin, kalp ve solunum sinyallerini analiz etmede önemli katkı sağlıyor Uyku sinyalinden hastalık öngörüsüne

Bu temel eğitimin ardından SleepFM, uyku evrelerinin belirlenmesi ve uyku apnesi tanısı gibi görevler için ince ayarlandı ve bu alanlarda U-Sleep ya da YASA gibi yerleşik yöntemlerle rekabet edebilecek sonuçlara ulaştı.

Bu iki program, beyin dalgalarının ölçüldüğü EEG verilerini kullanıyor ve araştırmacıların uyku evrelerini tanımlayıp analiz etmesine yardımcı oluyor.

Daha sonra araştırmacılar, uyku verilerini geriye dönük olarak 25 yıla kadar uzanan elektronik sağlık kayıtlarıyla ilişkilendirdi ve tek bir ölçüm gecesinden hangi sonraki tanıların öngörülebileceğini inceledi.

Model, binin üzerinde kategori arasından, riski en az orta ile yüksek doğruluk düzeyinde tahmin edilebilen 130 hastalığı belirledi. Çalışmanın ilk yazarı Rahul Thapa, bu yaklaşımın "rutin uyku ölçümlerinin, insan sağlığının uzun vadeli seyri için bugüne kadar yeterince fark edilmemiş bir pencere açtığını" gösterdiğini vurguluyor.

Özellikle demans, parkinson, kalp krizi, kalp yetmezliği, bazı kanser türleri ve genel ölüm riski konusunda öngörüler daha başarılı oldu.

Dortmund Teknik Üniversitesi (TU) Lamarr Enstitüsü'nden uyku uzmanı Sebastian Buschjäger, "Yeterli veri tabanı olduğu sürece, bir yapay zeka modelini çok sayıda farklı öngörü için eğitmek prensipte mümkün" diyor.

Yapay zeka uykuda ne arıyor?

Analizler, kalp sinyallerinin özellikle kalp-damar hastalıklarının öngörülmesinde önemli rol oynadığını, beyin sinyallerinin ise nörolojik ve psikiyatrik bozukluklar için daha belirleyici olduğunu gösteriyor.

Ancak en anlamlı sonuçlar, farklı sinyallerin birlikte değerlendirilmesiyle elde ediliyor. Örneğin EEG'nin istikrarlı bir uyku durumunu gösterdiği, buna karşın kalbin daha "uyanık" davrandığı durumlar gibi.

Yapay zeka, pek çok alanda olduğu gibi tıbbî araştırmalarda da giderek daha yaygın ve etkin şekilde kullanılıyor. Ancak YZ verilerine tümüyle güvenmek oldukça riskli

Beyin ile kalp arasındaki bu tür uyumsuzluklar, belirtiler ortaya çıkmadan çok önce gizli yüklenmelere ya da erken hastalık süreçlerine işaret edebiliyor. Buschjäger, "Uyku tıbbındaki meslektaşlar bir bağlantıdan şüphelendiğinde, biz yapay zeka tarafında bunu bir öngörü sistemine dönüştürebiliyoruz. Tersine, olası bağlantıların nerede olabileceğine dair ipuçları da sunabiliyoruz" diyor.

Ancak Buschjäger şu uyarıyı da ekliyor:

"Ortaya koyduğumuz ilişkiler çoğunlukla istatistiksel. Nedensel bağın uzmanlar tarafından doğrulanması gerekiyor."

Laboratuvar verileri ne kadar güvenilir?

Modelin temelini ağırlıklı olarak uyku laboratuvarlarından elde edilen veriler oluşturuyor. Bu da çoğunlukla uyku sorunları nedeniyle yönlendirilmiş, yüksek teknoloji tıbbına erişimi olan ve daha varlıklı bölgelerde yaşayan kişiler anlamına geliyor.

Araştırmacılar ABD ve Avrupa'dan birden fazla grubu, yani kohortu çalışmaya dahil etmiş olsa da, uyku şikayeti olmayan ya da sağlık hizmetlerine erişimi kısıtlı bölgelerde yaşayan insanlar hâlâ yeterince temsil edilmiyor.

Model ayrıca bağımsız bir çalışmada da test ediliyor, ancak temsil sorunu tamamen ortadan kalkmış değil.

Tanı ve tedavi için fırsatlar ve sınırlar

Araştırmacılar özellikle vurguluyor: SleepFM hastalıkların nedenlerini ortaya koymuyor, yalnızca korelasyonları tespit ediyor. Yani uykudaki istatistiksel örüntüleri, ileride konulan tanılarla ilişkilendiriyor.

Çalışmaya dahil olmayan ve TU Dortmund'da uyku verilerinin analizi için yapay zeka ve makine öğrenmesi yöntemleri üzerine çalışan bilgisayar bilimci Matthias Jakobs, "Çoğu yapay zeka yöntemi nedensel ilişkileri öğrenmez" diyor.

Makine öğrenmesi (ML) yöntemleri, bilgisayarların örnek verilerden yola çıkarak kalıpları tanımasını ve tahminler yapmasını sağlayan, her kuralın tek tek programlanmasını gerektirmeyen hesaplamalı yöntemler olarak tanımlanıyor.

Buna rağmen Jakobs, "Yalnızca istatistiksel ilişkilerden yararlanılsa bile, tanı ve tedavi açısından bir potansiyel görüyorum" değerlendirmesinde bulunuyor.

Yapay zeka insana yardımcı oluyor, onun yerini almıyor
SleepFM gibi modeller, polisomnografiyle elde edilen devasa veri miktarlarını "embedding" olarak adlandırılan, daha kompakt sayısal temsillere dönüştürüyor. Bu sayede daha hızlı ve çoğu zaman daha isabetli analizler mümkün oluyor.

Jakobs, "Uyku evreleri ya da apneler bu yolla verimli biçimde işaretlenebiliyor. Elle yapılan bu tür işler hem çok zaman alıcı hem de hataya açık. Böylece hekimlerin hastalarla ilgilenmesi için daha fazla zaman kalıyor" diyor.

Öte yandan Buschjäger, disiplinler arası iş birliğinin önemine dikkat çekiyor:

"Bir yapay zeka terapi planlaması için eğitilebilir, ancak sonuçları yorumlayan ve tedaviyi seçen insan, yani hekimdir. Üstelik çoğu zaman tüm nedenler bilinmeden."

Bu nedenle yapay zeka bir araç ve erken uyarı sistemi olarak kalıyor; tanı ve tedavi sorumluluğu ise tıbbi personelde olmaya devam ediyor.

Uykuda tespit edilen bu örüntülerin hangi biyolojik mekanizmalara işaret ettiği henüz net değil. Ancak araştırmacılar tam da burada büyük bir potansiyel görüyor. Eğer belirli sinyal profilleri uykuda sürekli olarak belirli hastalıklarla ilişkilendirilebilirse, bu durum sinir sistemi, kalp-damar sistemi ya da bağışıklık sisteminde hangi süreçlerin erken aşamada bozulduğuna dair ipuçları sunabilir. Böylece, bugüne kadar incelenen uyku laboratuvarı kohortlarının ötesinde, insanların sağlığı hakkında da çıkarımlar yapmak mümkün olabilir.