Araştırmacılar geniş ve kapsamlı bir veritabanı kullanarak, daha sonra yaşamakta olan demans riskini artıran yeni faktör kombinasyonlarını ortaya çıkarmaktadır. Bulgular, klinisyenlerin risk altındaki kişileri tespit etmelerine yardımcı olabilir.
Demans, giderek artan bir endişe kaynağıdır. Nüfus yaşlanmakta ve uzun yaşanmakta olan yaşam norm haline gelmeye başlıyor, demansın niçin gerçekleştiğini anlamak için ırk açıktır.
Dünya çapında, demans yaşlı erişkinlerde engelliliğin ve bağımlılığın önde gelen nedenidir.
Amerika Birleşik Devletleri’nde, 5,7 milyon insan Alzheimer’le yaşamakta olup, bunlardan en yaygın demans şeklidir. 2050 yılına kadar, bu rakamın 14 milyona çıkacağı tahmin ediliyor.
Şu anda etkili tedaviler yoktur, bu nedenle katkıda bulunan faktörleri anlamak, eğer tomurcukta onu kıstırırsak gereklidir.
Verileri çıkarma
Bu koşulların gelişiminde hangi faktörlerin yer aldığını anlamak için itici güçlerin bir parçası olarak, bilim adamları tüm mevcut veri kümelerine hevesle dalıp gidiyorlar. Bu, sadece açık desenlerin ortaya çıkmaya başladığı büyük nüfuslu nüfus havuzlarının kesilmesiyle olur.
Böyle bir veri kaynağı, 1948’de başlayan Framingham Kalp Çalışmasıdır (FHS). Bugüne kadar, üç kuşak katılımcısı izlemiştir ve birincil işlevi, kardiyovasküler hastalığa katkıda bulunan ortak faktörleri gözlemlemektedir.
Massachusetts’deki Boston Üniversitesi Tıp Fakültesi’ndeki araştırmacılar, son olarak FHS’nin bir parçası olarak toplanan veri zenginliğinden faydalandı. Sorumlu yazar Rhoda Au, Ph.D. – Anatomi ve nörobiyoloji profesörü – çalışmalarının amacını açıklar:
“Değiştirilebilir risk faktörlerine odaklanarak, değişime yatkın olan ve demansı önleme olasılığını sağlayan hastalık risk faktörlerini tanımlamayı umuyoruz.”
Onların yeni analizi, demansa katkıda bulunan risk faktörlerinin daha net bir resmini ortaya çıkarmak için bir makine öğrenme yaklaşımını ilk kullanan kişiydi. Makine öğrenimi, bilgisayar sistemlerinin özel olarak programlanmadan veriyi “öğrenmesini” sağlayan gelişmiş istatistiksel teknikleri kullanır.
Başka bir deyişle, sistemler verileri görüntülemeyi öğrenir ve insanlara “düşünce” süreçlerine rehberlik etmeleri gerekmeden kalıpları belirleyebilir.
Makine öğrenimi demansı inceler
Araştırmacılar 1979-1983 yıllarında çekilen verileri kullandılar ve özellikle demografik ve yaşam tarzı ile ilgili bilgilerle ilgilendiler. Onların sonuçları son zamanlarda yayınlandı.
Beklenmedik bir şekilde, yaş önemli bir risk faktörü olarak ortaya çıkmıştır. Yaşlandıkça, demans geliştirme şansımız artar ve bu uzun zamandır bilinmektedir. Ancak yazarlar, açıkladıkları gibi, verilerde gizlenmiş başka anlamlı ilişkiler buldular:
“Analiz ayrıca” dul, düşük BMI ve orta yaşama daha az uykuda medeni durumun demansın risk faktörleri olduğunu tespit etti. “
Sonuçların hem ön klinisyenler hem de büyük nüfus için yararlı olacağını umuyorlar. Örneğin, yaşlanan bir akraba dul ve düşük kilolu ise, demansın erken belirtileri için dikkatli bir saat izlemek ihtiyatlı olabilir.
Au, “Biz, herhangi bir hekimin veya hatta doktor olmayanların demans için potansiyel olarak gelecekteki potansiyel riskini belirlemede kolay erişime sahip olduğu bilgisini tanımlamak istedik” diyor.
“Demans tarama araçlarının çoğu özel eğitim veya test gerektiriyor” diye ekliyor, “ancak tarama için ön safha birinci basamak hekimleri veya aile üyeleridir. Bu aynı zamanda risk faktörlerini tanımlamak için makine öğrenim yöntemlerini uygulamaya yönelik ilk girişimdir.”
Demans, ABD’yi her yıl 150 milyar dolardan fazla paraya mal ediyor ve bu nedenle yavaş büyüyen bu problemi azaltmanın yollarını bulmak hayati önem taşıyor. Bu bulgular yeni içgörü ve demansın gelecekteki etkisini en aza indirgeme potansiyeli sunmaktadır.
Yazarların yazdığı gibi, “İstenmeyen ve uygulanamayan demografik ve yaşam tarzı faktörleri, orta yaşlarda değerlendirilebilir ve geç yetişkinlik döneminde demans riskini potansiyel olarak değiştirmek için kullanılabilir.”
Demansın arkasındaki risk faktörlerini anlamak, topluma neden olabileceği zararı en aza indirgemeye yardımcı olabilir.
