Yapay Zeka, Çocuklarda Nadir Genetik Hastalıkların Teşhisine Yardımcı Oluyor

Yapay Zeka ile Nadir Hastalık Teşhisi

Nadir genetik hastalıklar, çocuklarda ciddi sağlık sorunlarına yol açabilir ancak teşhis koymak genellikle yıllar sürebilir. Genom dizileme (genomic sequencing) teknolojilerine rağmen, nadir hastalığı olan kişilerin yaklaşık yarısı kesin bir genetik teşhis alamamaktadır. Bunun nedeni, tıbbi verilerin milyonlarca genetik varyant, dağınık klinik kayıtlar ve hızla değişen bilimsel literatür arasında kaybolmasıdır. Yeni gen-hastalık ilişkileri ve sınıflandırma kanıtları biriktikçe, daha önce çözülemeyen vakalar yeniden yorumlanabilir hale gelir.

Boston Çocuk Hastanesi Manton Nadir Hastalıklar Araştırma Merkezi, Harvard Üniversitesi ve OpenAI araştırmacıları, OpenAI o3 Deep Research akıl yürütme modelini kullanarak daha önce analiz edilmiş ancak çözülememiş 376 vakayı yeniden inceledi. Model, araştırmacılar ve klinisyenlerin incelemesi için kanıta dayalı aday açıklamalar sundu. Uzman incelemesi, ek testler ve klinik onayın ardından doktorlar 18 vakada teşhis koydu; bu, daha önceki uzman analizine göre %4,8'lik ek bir teşhis başarısı anlamına geliyor. Çalışma, 18 Haziran 2026'da NEJM AI'da yayımlandı ve yapay zeka destekli bir araştırma iş akışının, en zor vakaları yeniden değerlendirirken uzmanlara nasıl ipuçları sağlayabileceğini gösteriyor.

Modelin Çalışma Prensibi

Bu çalışmada model, mevcut genomik iş akışlarının üzerine bir açıklama-ilk akıl yürütme katmanı olarak tasarlandı. Sadece sıralanmış bir gen döndürmek yerine, klinik özellikler, kalıtım paterni, varyant kanıtı ve bilimsel literatürü birleştirerek insan denetçinin sorgulayabileceği bir gerekçe üretmesi istendi. Her vaka için, hastanın klinik sunumunu tanımlayan standartlaştırılmış İnsan Fenotip Ontolojisi (Human Phenotype Ontology) terimleri, bazen klinisyen notları, yaş ve cinsiyet gibi meta veriler ve filtrelenmiş bir varyant tablosu içeren kimliksizleştirilmiş bir paket oluşturuldu. Tablo, her varyantın nadirliğini, protein üzerindeki tahmini etkisini, ClinVar sınıflandırmasını ve aile üyeleri arasındaki sinyal kalitesini yakaladı. Çoğu vaka, çocuk ve her iki biyolojik ebeveynden alınan verileri içeriyordu.

Ekip, modelden en olası moleküler açıklamayı önermesini ve çalışmasını göstermesini istedi. Araştırmacılar daha sonra çıktıları, klinik laboratuvarların genetik varyantları sınıflandırmak için kullandığı ACMG/AMP çerçevesini kullanarak inceledi. Her aday en az iki ekip üyesi tarafından değerlendirildi, anlaşmazlıklar fikir birliğiyle çözüldü ve bir model çıktısı asla teşhis olarak kabul edilmedi. Bir bulgu, yalnızca kalifiye uzmanlar kanıtları inceledikten, varyant patojenik veya olası patojenik olarak sınıflandırıldıktan, CLIA sertifikalı bir laboratuvar tarafından onaylandıktan ve klinik ekip sonucu aileye bildirdikten sonra teşhis sayıldı.

Doğrulama ve Sonuçlar

Çözülmemiş vakaları analiz etmeden önce ekip, iş akışını teşhisi bilinen vakalar üzerinde geliştirdi. Model, çeşitli nadir durumları içeren 51 vakadan 48'inde doğru geni ve varyantı tekrarlanan çalışmalarda buldu. 57 nöromüsküler vaka setinde, iş akışı 45 vakada doğru teşhisi tekrarlanan çalışmalarda verdi. 15 vakalık uzun okuma genom setinde, her vakada doğru geni ve 12 vakada her iki hastalığa neden olan aleli adlandırdı. Bu değerlendirmeler, prompt geliştirmeye yardımcı oldu ve uzman incelemesinin nerede gerekli olduğunu gösterdi.

Modelin kendi bildirdiği güven puanları, daha önce çözülmüş vakalarda doğru teşhislerle ilişkiliydi: tutarlı doğru çağrılar için ortalama minimum puan 85,6 iken, yanlış veya bilinmeyen çağrılar için 42,1 idi. Puanlar kalibre edilmiş olasılıklar değildi ve ekip bunları kanıt veya klinik değerlendirme yerine kullanmadı. Ancak, uzman denetçileri en umut verici aday teşhislere yönlendirmede yardımcı oldular.

Ekip daha sonra iş akışını daha önce çözülmemiş dört vaka grubuna uyguladı: nörogelişimsel bozukluğu olan çocuklar, nadir nöromüsküler hastalığı olan kişiler, erken psikozlu çocuklar ve ergenler ile pediatride beklenmedik ani ölüm vakaları. Bunlar ilk incelemeyi bekleyen yeni vakalar değildi; çoğu daha önce birden çok ticari veya kurumsal iş akışı tarafından incelenmiş ve multidisipliner ekipler tarafından tartışılmıştı. Model adayları belirledikten ve uzmanlar incelemeyi tamamlayıp klinik onayı aldıktan sonra, doktorlar vakaların %4,8'inde teşhis koydu. Bu oran, daha önceki uzman incelemelerinin vakaları çözemediği bu popülasyonda anlamlıdır. Benzer yeniden analiz çalışmaları, yoğun şekilde incelenmiş vakalarda tek haneli kazançlar bildirmektedir; daha yüksek başarı oranları genellikle yeni vakalar veya genetik doğrulama bekleyen iyi bilinen bozuklukları içeren çalışmalardan gelir.

Neden Önemli?

Bu çalışma, Türkiye'deki nadir hastalık teşhis süreçleri için önemli çıkarımlar sunuyor. Türkiye'de akraba evliliklerinin yaygın olması nedeniyle nadir genetik hastalıkların görülme sıklığı yüksektir ve teşhis koymak genellikle yıllar alabilmektedir. Yapay zeka destekli yeniden analiz, uzmanların sınırlı zamanını daha verimli kullanmasına ve daha önce gözden kaçan ipuçlarını yakalamasına yardımcı olabilir. Çalışma, modelin teşhis koymadığını, sadece uzmanlara kanıta dayalı hipotezler sunduğunu vurguluyor. Bu, yapay zekanın klinik karar verme sürecini destekleme potansiyelini gösterirken, insan denetiminin ve klinik doğrulamanın önemini de ortaya koyuyor. Türk sağlık sisteminde, genetik veri tabanlarının entegrasyonu ve düzenli yeniden analiz protokollerinin oluşturulması, bu tür araçların etkin kullanımı için kritik adımlar olacaktır.

Çalışma ayrıca, genetik teşhisin dinamik doğasını vurguluyor: Bilimsel bilgi ilerledikçe, daha önce çözülemeyen vakalar yeni anlamlar kazanabilir. OpenAI Vakfı'nın sağladığı bir hibe ile Manton Merkezi, platformdan bağımsız, düşük maliyetli bir genetik yapay zeka asistanı geliştirmeyi hedefliyor. Bu tür araçlar, nadir hastalıklarla mücadelede umut verici bir yol sunuyor.