Giyilebilir Sensörler ve Yapay Zekâ, Parkinson’da Yürüme Donmasını Daha Hassas Saptıyor

Parkinson hastalığında en zorlayıcı motor belirtilerden biri olan yürüme donması, hastaların adım atmaya başlayamaması ya da yürürken aniden “takılıp kalması” ile kendini gösteriyor. Bu kısa ama etkisi büyük ataklar, düşme riskini artırıyor, günlük yaşamı kısıtlıyor ve hastalığın takibini güçleştiriyor. Yeni yayımlanan çok merkezli bir çalışma ise, bu sorunun değerlendirilmesinde yapay zekânın klinik nörolojiye daha önce görülmemiş bir ayrıntı düzeyi kazandırabileceğini ortaya koyuyor.

npj Parkinson’s Disease dergisinde yayımlanan araştırmada bilim insanları, inertiyal ölçüm birimi olarak bilinen küçük giyilebilir sensörlerden elde edilen hareket verilerini derin öğrenme algoritmalarıyla analiz etti. Çalışmanın temel amacı, freezing of gait (FOG) olarak adlandırılan yürüme donması ataklarını daha güvenilir biçimde tanımak ve klinik değerlendirmeyi daha nesnel hale getirmekti. Bulgular, yapay zekâ tabanlı analizlerin yalnızca laboratuvar ortamında değil, gerçek yaşam koşullarına yakın veri akışında da umut verici bir performans gösterebildiğine işaret ediyor.

Yürüme donması, Parkinson hastalarında çok iyi bilinen ancak yakalanması zor bir belirti. Klinik uygulamada hekimler uzun süredir hastaların anlattıklarına, muayene sırasında gözlenen davranışlara, standart ölçeklere ve zaman zaman video kayıtlarına başvuruyor. Ancak bu yöntemler her atak için aynı duyarlılığı sunmuyor; ayrıca kısa süren veya düzensiz ortaya çıkan donma epizodları kolayca gözden kaçabiliyor. Araştırmacıların yeni yaklaşımı, tam da bu sınırlılığı hedef alıyor: Hareketi santimetre düzeyinde izleyebilen sensörlerden gelen yüksek boyutlu veriyi, insan gözünün tek başına ayırt etmesinin güç olduğu örüntülere göre çözümlemek.

İnertiyal ölçüm birimleri; ivmeölçer, jiroskop ve bazı modellerde manyetometre gibi bileşenler içeriyor. Bu cihazlar, adım ritmi, ivmelenme, dönme ve vücut segmentlerinin koordinasyonu gibi hareket parametrelerini sürekli kaydedebiliyor. Çalışmada sensörler katılımcılara stratejik biçimde yerleştirilerek yürüme sırasında ortaya çıkan ince kinematik izler toplandı. Böylece ekip, yalnızca kontrollü test anlarını değil, daha doğal hareket akışını da değerlendirebilen bir veri seti oluşturdu. Çok merkezli tasarımın önemi de burada öne çıkıyor: Farklı klinik ortamlardan gelen veriler, yöntemin tek bir merkezdeki dar koşullara bağlı kalmadan daha geniş kullanım potansiyeline sahip olup olmadığını sınamaya yardımcı oluyor.

Derin öğrenme modelleri, klasik istatistiksel yöntemlerden farklı olarak verideki karmaşık ilişkileri kendiliğinden öğrenebiliyor. Bu, özellikle hareket bozukluklarında avantaj sağlayabiliyor; çünkü yürüme donması tek bir sayısal eşik ile açıklanabilecek kadar basit değil. Adım uzunluğu, hız değişimi, gövde salınımı ve dönüş sırasında oluşan mikro örüntüler birlikte değerlendirildiğinde anlam kazanıyor. Araştırmanın dikkat çekici tarafı da, modelin bu ince sinyalleri sensör verileri üzerinden tanımaya yönelik eğitilmiş olması. Böylece FOG epizodlarının saptanmasında daha yüksek doğruluk ve daha tutarlı bir sınıflandırma yaklaşımı hedeflenmiş oldu.

Bu tür çalışmaların klinik açıdan taşıdığı önem yalnızca tanı doğruluğuyla sınırlı değil. Yürüme donması, hastalığın seyrini izlerken de değerli bir gösterge kabul ediliyor. Atakların sıklığı, süresi ve hangi durumlarda tetiklendiği; ilaç düzenlemeleri, fizyoterapi planları ve yaşam tarzı uyarlamaları açısından hekimlere yol gösterebiliyor. Ancak bu bilgilerin güvenilir biçimde toplanması, büyük ölçüde hastanın hatırlamasına veya gözleme dayalı kayıtlara bağlı kaldığında zorlaşıyor. Giyilebilir sensörlerle desteklenen otomatik analiz, bu nedenle hasta ve hekim arasındaki bilgi boşluğunu daraltabilecek bir araç olarak öne çıkıyor.

Yine de araştırmacıların yaklaşımı, klinik kullanıma doğrudan geçmiş bir standart olarak değil, gelişmekte olan bir yöntem olarak değerlendirilmelidir. Derin öğrenme sistemleri güçlü olsa da performansları veri kalitesine, sensörlerin yerleşimine, hasta çeşitliliğine ve gerçek dünya koşullarındaki değişkenliğe bağlı olabilir. Bu nedenle çok merkezli doğrulama, yöntemin güvenilirliğini test etmede kritik bir adım sayılıyor. Alan uzmanları açısından asıl soru, bu tür algoritmaların günlük nöroloji pratiğine nasıl entegre edileceği ve karar desteği sistemleri içinde nasıl konumlandırılacağı olmaya devam ediyor.

Parkinson hastalığında dijital biyobelirteç arayışı son yıllarda hız kazandı. Akıllı saatler, hareket sensörleri ve uzaktan izleme sistemleri, hastaların klinik ziyaretler arasındaki dönemlerde de değerlendirilebilmesine olanak sağlıyor. Yürüme donması gibi kısa ve düzensiz belirtiler için bu tür sürekli izleme araçları özellikle değerli olabilir. Bu yeni çalışma da, yapay zekâ ile giyilebilir teknolojinin birleşiminin yalnızca araştırma laboratuvarında değil, nörolojik bakımın gerçek ihtiyaçlarında da karşılık bulabileceğini gösteren önemli bir örnek olarak dikkat çekiyor.

Araştırmanın en dikkat çekici mesajı, Parkinson hastalığında değerlendirme yöntemlerinin giderek daha nesnel, taşınabilir ve ölçeklenebilir hale gelmesinin mümkün olduğudur. Yürüme donması gibi karmaşık bir belirtinin, sensör tabanlı yapay zekâ sistemleriyle daha iyi anlaşılması; gelecekte tanısal doğruluk, izlem kalitesi ve klinik karar desteği açısından yeni kapılar açabilir. Ancak uzmanlar için asıl belirleyici nokta, bu teknolojilerin gerçek hasta popülasyonlarında ne kadar tutarlı çalıştığının daha fazla doğrulanması olacak.