Tıbbın Yeni Simyası: Veri Madenlerinde Hastalıkların İzini Süren Algoritmik Mimari
İnsan vücudu, biyokimyasal süreçlerin ve genetik kodların iç içe geçtiği, çözülmesi gereken devasa birer anlatı gibi çalışır. Uzun yıllardır tıp dünyası, bu karmaşık yapıyı tekil teşhis kodlarıyla anlamlandırmaya çalışsa da, hastalıkların aslında birbirine bağlı, zaman içinde evrilen ve geniş bir spektrumda seyreden “imzalar” olduğu gerçeği her geçen gün daha netleşiyor. Nature dergisinde yayımlanan son araştırma, bu karmaşıklığı çözmek için ALADYNOULLI adlı yeni bir Bayesyen üretken model sunuyor. Bu model, sadece bireysel teşhisleri değil, elektronik sağlık kayıtlarını (EHR) ve genetik verileri sentezleyerek hastalıkların derinindeki temel yapı taşlarını ortaya çıkarıyor.
Modern tıbbın bu dijital dönüşümü, aslında sinema tarihindeki sessiz film döneminden sesli filme geçişin yarattığı o büyük devrime benzer; sadece bir araç değişmiyor, anlatının bütününe bakış açısı kökten değişiyor. ALADYNOULLI modeli, geleneksel klinik risk skorlarının ötesine geçerek kısa ve uzun vadeli riskleri çok daha keskin bir şekilde ayırt edebiliyor. Bireysel teşhis kodlarına takılmak yerine “hastalık seviyesinde fenotipler” öngören bu sistem, gelecekte önleyici tedavilerin ve kişiselleştirilmiş tıp yaklaşımlarının temel taşı haline gelmeye aday.
Bireylerin hastalık geliştirme olasılıkları; genetik yatkınlıklar, çevresel faktörler ve yaşam tarzı gibi çok katmanlı değişkenlerin birer sonucu. Özellikle uzun vadeli veri setleri, bu karmaşık yörüngeleri çözümlemek için paha biçilemez bir kaynak sunuyor. Araştırmacılar, ALADYNOULLI modelini üç devasa biyobankada test ederek sistemin tutarlılığını kanıtladılar: All of Us, Mass General Brigham ve United Kingdom Biobank. Bu veri havuzları, 348 farklı hastalık fenotipi altında 683 binden fazla katılımcının, 52 yıla kadar uzanan geniş bir zaman dilimindeki kayıtlarını içeriyor.
Sistemin başarısı, sadece sayısal verilerde değil, bu verilerin nasıl yorumlandığında yatıyor. Araştırmacılar, risk tahminlerini yaparken PheCode sistemini kullanarak ilgili ICD-10 teşhis kodlarını anlamlı fenotipler altında gruplandırdılar. Ayrıca, veri setlerindeki katılım yanlılıklarını dengelemek için ters olasılık ağırlıklandırma (IPW) yöntemine başvurdular. Modelin performansı; kalp damar hastalıkları için kullanılan Pooled Cohort Equation (PCE) ve PREVENT gibi yerleşik klinik risk skorları ile meme kanseri için kullanılan Gail modeliyle kıyaslandı. Sonuçlar, ALADYNOULLI’nin bu geleneksel yöntemleri geride bırakarak daha yüksek doğruluk oranlarına ulaştığını gösterdi.
Analizler sonucunda ortaya çıkan “hastalık imzaları”, biyolojik gerçekliklerle çarpıcı bir uyum sergiledi. Örneğin, yüksek kolesterolle ilişkili genetik varyasyonlara sahip bireylerde kardiyovasküler imza daha yoğun gözlenirken; nadir varyant yükleri (LDLR, TTN ve BRCA2 gibi) kendi hastalık gruplarıyla doğrudan örtüştü. Özellikle kalp damarı genişlemesi veya yüksek LDL seviyeleri, sistemin öngördüğü güçlü kardiyovasküler imzalarla paralellik gösterdi.
Sistem sadece mevcut durumu değil, hastalığın zaman içindeki akışını da yakalıyor. Örneğin; hiperkolesterolemi durumunun miyokard enfarktüsünden önce geldiği veya birincil kanserlerin metastaz öncesi evrelerini kapsayan klinik beklentiler, model tarafından başarıyla kodlandı. Yaşla birlikte değişen risk oranları —örneğin 55 yaşından sonra artan kalp yetmezliği olasılığı veya 60-75 yaş arasında keskinleşen metastatik hastalık seyri— sistemin sadece birer veri noktası değil, yaşayan biyolojik süreçleri takip ettiğini kanıtlıyor.
Genom çapında yapılan analizlerde (GWAS), daha önce tekil çalışmalarla tespit edilemeyen birçok kardiyovasküler bağlantı ALADYNOULLI tarafından yakalandı. Modelin sunduğu bu yüksek hassasiyetli risk tahminleri, gelecekte doktorların tedavi önceliklerini belirlerken ve hastaları erken teşhis aşamalarında sınıflandırırken çok daha güçlü birer araç sunma potansiyeline sahip.
Sonuç olarak ALADYNOULLI, karmaşık hastalık örüntülerini yakalayan ve mevcut klinik skorlardan daha güçlü bir ayrıştırma kapasitesi sunan sağlam bir yapı oluşturuyor. Her ne kadar tam ölçekli kişiselleştirilmiş risk profili uygulamaları için daha fazla dışsal doğrulama gerekse de, bu model tıbbın veri odaklı yeni çağında önemli bir dönüm noktası olarak kabul edilebilir.
Kaynak: Urbut, S.M., Ding, Y., Nakao, T. et al. (2026). A Bayesian framework for longitudinal EHR and genetic discovery. Nature. DOI: 10.1038/s41586-026-10780-5
Kaynak: News-Medical