Yapay zekâ, ölüm zamanını tahmin edebiliyor

Ölümden sonra geçen süreyi belirlemek, adli tıp incelemelerinin en zor aşamalarından biri olabiliyor. Cesedin parçalanması, çürümenin ilerlemesi ve çevresel koşullar, uzmanların tahmin yapmasını güçleştiriyor. Çin’deki araştırmacıların geliştirdiği mHolmes adlı yapay zekâ modeli ise bu soruna ciltte yaşayan mikroorganizmaları inceleyerek yaklaşmayı amaçlıyor.

Model, ölümden sonra cilt mikrobiyomunda meydana gelen değişimleri analiz ediyor. Bakterilerin zaman içinde çoğalması, azalması ve farklı çürüme evrelerinde baskın hâle gelmesi, ölüm sonrası geçen sürenin hesaplanmasında kullanılabiliyor. Araştırmacılar bu yöntemin, yalnızca dış görünüşe dayanan değerlendirmelere destek olabileceğini düşünüyor.

Nature Communications dergisinde yayımlanan çalışmada mHolmes, 34 insan cesedinden elde edilen verilerle eğitildi. Araştırma ekibi, yüz ve kalça bölgelerinden 21 gün boyunca her gün cilt mikrobiyomu örnekleri topladı. Bu süreç, ölümden sonraki farklı aşamalarda bakteri topluluklarının nasıl değiştiğini gözlemlemeye imkân verdi.

Eksik ölçümlerle geçmişi tahmin etmeye çalışıyor

Adli incelemelerde araştırmacılar çoğu zaman cesedin ölümden hemen sonraki durumuna ilişkin düzenli verilere sahip olmuyor. Bir ceset bulunduğunda, önceki günlerde mikrobiyomda yaşanan değişimler kayda alınmış olmayabiliyor. mHolmes, elindeki birkaç günlük mikrobiyal veriyi kullanarak aradaki eksik zaman dilimlerini tahmin edecek şekilde tasarlandı.

Araştırmaya göre sistem, ölüm sonrası ilk haftada gerçekleşen mikrobiyal değişimleri geriye dönük olarak yeniden oluşturabiliyor. Bu özellik, her gün örnek alınmasının mümkün olmadığı durumlarda kullanılabilir. Ancak modelin ürettiği sonuçlar, doğrudan gözlemlenmiş ölçümlerin yerine geçmiyor; mevcut verilerden yapılan bir tahmin niteliği taşıyor.

mHolmes’in bir başka özelliği, bir vücut bölgesinden alınan veriyi başka bir bölgedeki tahmine katkı sağlayacak şekilde değerlendirebilmesi. Cesedin bütünlüğünün bozulduğu olaylarda bazı bölgelerden yeterli örnek almak mümkün olmayabilir. Böyle bir durumda yüz bölgesindeki veriler yetersiz kaldığında kalça bölgesinden alınan mikrobiyom örnekleri kullanılabiliyor.

Bu yaklaşım, tek bir vücut bölgesine bağlı kalmayan bir analiz yapılmasını sağlıyor. Yine de farklı bölgelerdeki mikrobiyal değişimlerin aynı hızda gerçekleşeceği varsayılmıyor. Model, bölgeler arasındaki verileri birlikte değerlendirerek daha tutarlı bir zaman aralığı hesaplamaya çalışıyor.

Hata payı iki günün altına indirildi

Çalışmada paylaşılan sonuçlara göre önceki mikrobiyom tabanlı yöntemlerde ölüm sonrası geçen süre tahminleri ortalama üç gün civarında hata gösteriyordu. mHolmes ile yüz ve kalça gibi farklı bölgelerde yapılan tahminlerde ortalama hata iki günün altına indi.

Araştırmacılar, veri setinin yarısından fazlası çıkarıldığında bile modelin geçmiş mikrobiyal değişimleri yeniden oluşturma yeteneğini koruduğunu bildirdi. Bu sonuç, sistemin eksik verilerle çalışabilmesi açısından önem taşıyor. Ancak daha az veride tahmin yapılabilmesi, her koşulda aynı doğruluk seviyesine ulaşılacağı anlamına gelmiyor.

Modelin tahminlerini yalnızca istatistiksel bir sonuç olarak bırakmaması da çalışmanın öne çıkan taraflarından biri. Araştırmacılar, çürümenin bilinen aşamalarıyla bağlantılı yedi bakteri grubu belirledi. Bu gruplar, sistemin hangi biyolojik işaretleri kullanarak sonuca ulaştığını anlamaya yardımcı oluyor.

Bakteriler, çürüme evreleri hakkında ipucu veriyor

Gammaproteobacteria adlı bakteri grubu, ölüm sonrası erken dönemde çoğalmasıyla ilişkilendirildi. Clostridia aktif çürüme evresinde daha baskın hâle gelirken Deinococci grubuna özellikle kuruma aşamasında rastlandı. Bakterilerin belirli evrelerde yoğunlaşması, modelin tahminlerinin biyolojik süreçlerle açıklanabilmesini sağlıyor.

Yapay zekâ sistemlerinde karar mekanizmasının anlaşılabilmesi, adli tıp gibi sonuçların soruşturmalarda kullanılabildiği alanlarda büyük önem taşıyor. Bir modelin yalnızca doğru sonuca yaklaşması değil, bu sonuca hangi verilerle ulaştığını gösterebilmesi de gerekiyor. mHolmes’in ilişkilendirdiği bakteri grupları bu açıdan araştırmacılara daha açık bir değerlendirme imkânı sunuyor.

Rutin kullanım için daha geniş testler gerekiyor

Çalışmanın yazarlarından Kang Ning, mevcut yöntemlerin genellikle sınırlı sayıdaki zaman noktasına ve çoğunlukla tek bir vücut bölgesine odaklandığını belirtti. Bu yaklaşımın özellikle parçalanmış cesetlerde üç günden fazla sapmalara yol açabildiği ifade edildi. mHolmes ise farklı bölgelerden gelen verileri bir araya getirerek bu sınırlamayı azaltmayı hedefliyor.

Ancak model henüz geliştirme aşamasında bulunuyor. Araştırmada kullanılan veri seti 34 cesetten ve belirli vücut bölgelerinden alınan 21 günlük gözlemlerden oluşuyor. Bu nedenle sistemin farklı çevre koşullarında, farklı adli vakalarda ve daha geniş örnek gruplarında nasıl sonuç vereceğinin ayrıca test edilmesi gerekiyor.

Çürüme sürecini etkileyebilecek koşulların değişmesi, mikrobiyom verilerinin yorumlanmasını da zorlaştırabilir. Çalışmanın mevcut kapsamı, mHolmes’in kontrollü biçimde toplanan veriler üzerindeki performansını gösteriyor. Modelin gerçek soruşturmalarda kullanılabilmesi için bağımsız doğrulama çalışmalarının yapılması ve farklı koşullarda güvenilirliğinin değerlendirilmesi gerekiyor.

mHolmes, mikrobiyom analizini yapay zekâ ile birleştirerek ölüm zamanını tahmin etmeye çalışan bir araştırma modeli olarak öne çıkıyor. Ortalama hata payının azaltılması, eksik verilerle çalışabilmesi ve sonuçlarını belirli bakteri gruplarıyla ilişkilendirebilmesi umut verici bir tablo oluşturuyor. Buna rağmen sistemin adli tıpta rutin bir araç hâline gelmesi, daha geniş kapsamlı çalışmaların sonuçlarına bağlı olacak.