Çocukları etkileyen nadir genetik hastalıkların tanısında hekimlere AI ile destek

Genomik dizilemeye rağmen, nadir hastalığı olan birçok kişi hiçbir zaman net bir genetik tanı alamıyor. Kapsamlı testler ve uzman değerlendirmesinden sonra yaklaşık yarısı tanısız kalıyor. Tıbbi verileri ipuçları içerebilir; ancak bunları bulmak, binlerce ila milyonlarca olası genetik varyant, parçalı klinik kayıtlar ve hızla değişen bilimsel literatür içinde eleme yapmayı gerektirebilir.

Yeni gen-hastalık ilişkileri, olgu raporları ve sınıflandırma kanıtları biriktikçe, çözülememiş olgular yeniden yorumlanabilir hale gelebilir.

Boston Children’s Hospital’daki Manton Center for Orphan Disease Research, Harvard Üniversitesi ve OpenAI'dan araştırmacılar, daha önce analiz edilmiş ancak çözülememiş 376 olgudan kimliği gizlenmiş klinik ve genomik bilgileri analiz etmek için OpenAI o3 Deep Research akıl yürütme modelini kullandı. Model, araştırmacıların ve klinisyenlerin incelemesi için kanıta bağlı aday açıklamalar ortaya çıkardı. Uzman incelemesi, ek testler ve klinik doğrulamanın ardından hekimler 18 olguda tanı koydu; bu, uzmanların önceki analizinden sonra %4,8 ek tanı verimi anlamına geliyor. Bu çalışma 18 Haziran 2026’da NEJM AI’da yayımlandı ve AI destekli bir araştırma iş akışının, en zor olgulardan bazılarını yeniden değerlendirirken uzmanların ipuçları üretmesine nasıl yardımcı olabileceğini gösteriyor.

Bu olguların çoğu, yıllar süren uzman analizlerinden sonuç alınmadan geçmişti. Bu çalışmada OpenAI o3 Deep Research, araştırmacıların daha sonra yerleşik klinik süreçlerle değerlendirilen ipuçlarını belirlemesine yardımcı oldu; bu da bilgi geliştikçe uzman öncülüğünde periyodik yeniden analizin daha ölçeklenebilir hale gelebileceğini düşündürüyor. Model hiçbir hastaya tanı koymadı ve hiçbir klinik karar almadı. Uzmanların incelemesi ve uygun olduğunda ek testlerle araştırıp klinik laboratuvarda doğrulaması için kanıta bağlı hipotezler üretti.

Sonuçsuz bir genetik test her zaman kalıcı bir bulgu değildir. Bir hastanın fenotip tanımları, test sonuçları ve aile öyküsü; farklı tanımlayıcılar, formatlar ve söz dağarcıkları kullanan veritabanlarına dağılmış olabilir. Bu kayıtları birbirine bağlamak zordur; bu nedenle uzmanlar bile bir tanıyı gözden kaçırabilir. Uzmanlar, ilgili bir gen veya varyantları hastalıkla ilişkilendirilmeden önce de bir çocuğun genomunu dizilemiş olabilir. Bilimsel bilgi ilerledikçe, aynı veriler daha önce ortaya çıkarılması imkânsız olan yanıtları gösterebilir.

Nadir hastalık yeniden analizi hem bilimsel hem de bir bakım sorunudur. Hastanın genomu aynı kalabilir; ancak onu çevreleyen kanıtlar sürekli değişir: araştırmacılar yeni genleri ve varyantları hastalıklarla ilişkilendirir, laboratuvarlar eski varyantları yeniden sınıflandırır, olgu veritabanları ve makaleler yeni gözlemlerle dolar. Her güncelleme, eski ve sonuçsuz bir olguyu yeniden ele almaya değer hale getirebilir; bu nedenle birçok kurum, hareketli bir bilgi tabanıyla uyumlu tutulması gereken giderek büyüyen bir genom birikimini devralır.

Bu çalışmada araştırmacılar, modeli mevcut genomik hatların üzerinde açıklamayı önceleyen bir akıl yürütme katmanı olarak çalışacak şekilde iş akışını tasarladı. Yalnızca sıralanmış bir gen döndürmek yerine, klinik özellikleri, kalıtım örüntüsünü, varyant kanıtlarını ve bilimsel literatürü insan incelemecinin sorgulayabileceği bir gerekçede birleştirmesi istendi. 

Ekip her olgu için hastanın klinik tablosunu tanımlayan standartlaştırılmış Human Phenotype Ontology terimleri, zaman zaman klinisyen notları ve varsa tanımlayıcı klinik tanı, yaş ve cinsiyet gibi metaveriler ile filtrelenmiş bir varyant tablosu içeren, kimliği gizlenmiş bir dosya hazırladı. Tablo, her varyantın nadirliğini, kodlanan protein üzerindeki öngörülen etkisini, ClinVar sınıflandırmasını ve mevcut aile üyeleri genelindeki sinyal kalitesini içeriyordu. Olguların çoğunda çocuk ve her iki biyolojik ebeveynden alınan veriler yer aldı.

Ekip modelden en makul moleküler açıklamayı önermesini ve çalışma mantığını göstermesini istedi. Araştırmacılar daha sonra çıktıları, klinik laboratuvarların genetik varyantları sınıflandırmak için kullandığı aynı ACMG/AMP çerçevesiyle inceledi. Her adayı en az iki ekip üyesi inceledi, görüş ayrılıkları uzlaşıyla çözüldü ve model çıktısı hiçbir zaman tanı olarak ele alınmadı. Bir bulgunun tanı sayılması için nitelikli uzmanların kanıtları incelemesi, varyantın patojenik veya muhtemelen patojenik olarak sınıflandırılması, CLIA sertifikalı bir laboratuvarın bunu doğrulaması ve klinik ekibin sonucu aileye iletmesi gerekiyordu.

Ekip, çözülememiş olguları analiz etmeden önce, tanısı kesinleşmiş olgular üzerinde iş akışını iyileştirdi. Çeşitli nadir durumları içeren 51 olgunun 48’inde, yinelenen çalıştırmalarda doğru geni ve varyantı yeniden buldu. 57 nöromüsküler olgudan oluşan bir sette iş akışı, olguların 45’inde yinelenen çalıştırmalarda doğru tanıyı döndürdü. 15 olguluk uzun okuma genom setinde her olguda doğru geni, 12 olguda ise hastalığa neden olan her iki aleli adlandırdı. Bu değerlendirmeler komut geliştirmeye yardımcı oldu ve uzman incelemesinin nerelerde hâlâ vazgeçilmez olduğunu gösterdi.

Modelin kendi bildirdiği güven puanları, daha önce çözülmüş bu olgulardaki doğru tanılarla uyumluydu: ortalama minimum puan, tutarlı biçimde doğru çağrılar için 85,6; yanlış veya bilinmeyen çağrılar için 42,1’di. Puanlar kalibre edilmiş olasılıklar değildi ve ekip bunları kanıtın veya klinik değerlendirmeyle karar vermenin yerine kullanmadı. Ancak uzman incelemecilerin en umut verici aday tanılara odaklanmasına yardımcı oldular. 

Ekip daha sonra iş akışını, daha önce çözülememiş dört olgu grubuna uyguladı: nörogelişimsel durumları olan çocuklar, nadir nöromüsküler hastalığı olan kişiler, erken psikozlu çocuklar ve ergenler ile pediatride ani beklenmeyen ölüm olguları. Bunlar ilk incelemeyi bekleyen yeni olgular değildi. Birçoğu zaten birden fazla ticari veya kurumsal işlem hattı tarafından incelenmiş ve multidisipliner ekiplerce tartışılmıştı.

Model adayları ortaya çıkardıktan, uzmanlar incelemeyi ve klinik doğrulamayı tamamladıktan sonra hekimler olguların %4,8’inde tanı koydu. Bu oran düşük olsa da, önceki uzman incelemeleri olguları çözemediği için bu popülasyonda anlamlıdır. Benzer yeniden analiz çalışmaları, yoğun biçimde incelenmiş olgularda tek haneli kazanımlar bildirir; daha yüksek verimler genellikle yeni olgular veya genetik doğrulama bekleyen iyi bilinen bozukluklar içeren çalışmalardan gelir.

18 tanının 7’si yeniden keşifti: yerel araştırma iş akışının dışında konmuş, ancak ekibin incelediği kayıtta bulunmayan tanılardı. Bazı olgularda varyantlar kamuya açık veritabanlarında zaten patojenik veya muhtemelen patojenik olarak listelenmişti; bu da veri kaynakları arasında bilgiyi sentezlemenin operasyonel zorluğunu vurguluyor.

Bir erken psikoz olgusunda model, genomda girdi verilerinde listelenmeyen yapısal bir olayı çıkarsadı. Kromozom 22’deki düşük kaliteli çağrı dizisini çocuğun kalp, bağışıklık, nörogelişimsel ve psikiyatrik özellikleriyle ilişkilendirdi; ardından DiGeorge sendromuyla bağlantılı 22q11.2 delesyonu hipotezini kurdu. Bu varsayılan varyant, takip genom dizilemesiyle doğrulandı.

Komut tek bir monogenik neden istemesine rağmen model bazen karmaşık bir tabloyu daha iyi açıklayan iki geni ortaya çıkardı. Bir olguda LAMA2 ve FOXP1 varyantları birlikte kas ve nörogelişimsel özellikleri açıklamaya yardımcı oldu; başka bir olguda ise TTN ve SRPK3 içeren, daha önce fark edilmemiş digenik bir açıklama vardı.

Model, tanılara ek olarak vitiligo adı verilen bir durum için olası yeni bir mekanistik açıklama da belirledi. Bir nörogelişimsel olguda model, vitiligosu olan bir kişide S1PR1 geninde 11 amino asitlik bir delesyonu vurguladı. S1PR1, sinyal iletimi, bağışıklık hücresi hareketi ve doku biyolojisinde rol alan hücre yüzeyi reseptörünü kodlar. Model, delesyonun reseptör yapısını ve sinyal iletimini pigment üretimini azaltacak, aynı zamanda bağışıklık hücrelerinin deride kalmasına yardımcı olacak biçimlerde değiştirebileceğini düşündüren kanıtları bütünleştirdi.

Önerilen S1PR1-vitiligo ilişkisi ek deneysel doğrulama gerektiriyor; ancak yapısal biyoloji, immünoloji ve klinik genetikten gelen dağınık bulguları somut, test edilebilir hipotezlere dönüştürmede AI’ın güçlü rolünü gösteriyor.

Ekip ayrıca nöromüsküler kohortta olası fenotip genişlemesi gördü. HSPB8 ve CDK13 içindeki zararlı varyantlar, genlerin en iyi bilinen bozukluklarıyla tam olarak örtüşmüyordu; bu da daha fazla olgu ve laboratuvar çalışmasıyla test edilmesi gereken daha geniş bir klinik spektruma işaret ediyor.

Bu çalışma, genel amaçlı bir akıl yürütme modelinin fenotip, kalıtım, varyant anotasyonları, veri kalitesi örüntüleri ve bilimsel literatürü incelenebilir hipotezlerde birleştirerek geriye dönük genomik yeniden analize katkıda bulunabileceğini gösteriyor. Ayrıca periyodik yeniden analizin neden önemli olduğunu da gösteriyor: bazı yanıtlar ancak bilgi ilerledikten veya parçalı kayıtlar bir araya getirildikten sonra ortaya çıkar.

Bu araştırma, hastaların, klinisyenlerin veya müşterilerin hastalık tanısı koymak ya da tıbbi kararlar almak için OpenAI modellerini kullanması gerektiğine dair kanıt değildir. OpenAI o3 Deep Research, ChatGPT veya başka herhangi bir OpenAI ürününün tanı amacıyla müşteriler tarafından kullanımını tanımlamaz veya onaylamaz. Model hiçbir katılımcıya tanı koymadı; tüm tanıları, yerleşik inceleme, test ve klinik doğrulama süreçleriyle hekimler ve diğer nitelikli klinik uzmanlar koydu.

Çalışma geriye dönüktü, kohortlar heterojendi ve incelemeciler model güvenine karşı körlenmemişti. Araştırmacılar kazanılan zamanı, maliyeti, klinisyen emeğini, yanlış pozitif iş yükünü veya bakımdaki değişiklikleri ölçmedi. Yapısal varyantlar, tekrar genişlemeleri, derin intronik değişiklikler veya mozaiklik gibi diğer genetik varyasyon biçimlerini de sistematik olarak değerlendirmediler.

LLM’ler bağlamı yanlış okuyabilir veya yakından incelendiğinde geçersiz kalan makul açıklamalar üretebilir. Bu nedenle her sonuç insan değerlendirmesinden ve klinik doğrulamadan geçti. Model aramayı genişletti ve sonraki insan öncülüğündeki analizi odakladı; aileye hangi bilginin veya tanının iletilmesi gerektiğine karar vermedi.

Bu çalışmada kimliği gizlenmiş bilgiler kullanıldı; korunan sağlık bilgileri onaylı ortamların dışında kullanılmadı veya iletilmedi. Daha geniş klinik kullanıma geçiş, tüm tıbbi bakım için geçerli olan gizlilik, güvenlik, denetlenebilirlik ve yerel düzenlemelere aynı özeni gerektirecektir. Modele erişim; dizileme altyapısının, genetik danışmanlığın, doğrulayıcı testlerin veya uzman yargısının yerini almaz.

Prospektif, çok merkezli çalışmalar, LLM destekli yeniden analizi, tanısal verim, adaya kadar geçen süre, klinisyen çabası, yanlış pozitif yük, maliyet ve bakım üzerindeki etkiler konusundaki standart uygulama ile karşılaştırmalıdır. Sürümlü promptlar, referans kontrolleri, denetim günlükleri ve kalibre edilmiş belirsizlik, tekrarlanabilirlik ve güvenlik açısından önemli olacaktır. Bu tür çalışmalar yine de nitelikli klinisyenlerin kanıtları değerlendirmesini, uygun testleri sipariş etmesini ve herhangi bir tanı veya tedavi kararı vermesini gerektirecektir.

Bu çalışma OpenAI o3 Deep Research'ü kullandı. Daha yeni genel amaçlı modeller daha bilimsel materyal arayabilir ve sentezleyebilirken, GPT‑Rosalind gibi amaca yönelik sistemler, protein yapısı ve işlevi üzerindeki varyant etkiler de dahil olmak üzere daha derin yaşam bilimleri çalışmaları için tasarlanmıştır. Bu yetenekler burada test edilmedi ve kendi değerlendirmelerini ve erişim kontrollerini gerektirecektir.

OpenAI bu ilk araştırma çalışmasının desteklenmesine yardımcı olurken, Manton Merkezi, OpenAI Foundation'dan bir hibe ile çalışmanın bir sonraki aşamasına liderlik edecek. Hibe, Merkezin, klinik ekiplerin nadir hastalık vakalarını daha hızlı ve tutarlı bir şekilde analiz etmesine yardımcı olan, platformdan bağımsız, düşük maliyetli bir genetik AI yardımcı pilotu geliştirme konusundaki daha geniş çabalarını destekleyecek.

Daha uzun vadeli araştırma fırsatı, uzman liderliğindeki yapay zeka destekli yeniden analizin bilimsel anlayışın keşfe ayak uydurmasına yardımcı olup olmayacağını araştırmaktır. Verilen söz, yapay zekanın bir doktorun teşhisinin yerini alması değil, dikkatle değerlendirilmiş araştırma araçlarının uzmanların araştırmaya değer kanıtları belirlemelerine yardımcı olabilmesidir. Binlerce aile için, bugünün cevaplanmamış sorularının sonsuza dek cevapsız kalması gerekmez.