Kan Tahliliniz Kaç Yaşında Olduğunuzu Söylüyor mu?

Kandaki rakamları bir kenara bırakalım, önce şu hissi konuşalım: Aynı yaşta olduğunuz bir arkadaşınız var, aynı masada oturuyorsunuz ama vücutları bambaşka bir takvimden gelmiş gibi davranıyor. Biri merdiveni iki iki çıkıyor, diğeri ikinci katta nefes nefese. Kağıt üstünde ikisi de 55. Biyoloji ise “öyle değil” diyor. Kronolojik yaşınız sadece nüfus müdürlüğü için var. Biyolojik yaşınız ise hücrelerinizin asıl dili ve gerçeğidir.

Kronolojik yaşın kırılan otoritesi

Son 10–15 yıldır, “kaç yaşındasın?” sorusunun tıpta giderek daha az tatmin edici hale geldiği görülüyor. Çünkü damar duvarındaki mikroskobik çatlak, böbreğin filtre kapasitesi, kemik iliğinin kan hücresi üretme performansı, takvim yaprağına bakarak hesaplanmıyor. Bazı çalışmalar, biyolojik yaş dediğimiz kavramı “yaşa bağlı moleküler ve hücresel yıpranmanın toplam skoru” gibi ele alıyor; biz de bu skoru, ölüm riskine ne kadar yaklaştırdığı üzerinden ölçüyoruz.

Büyük bir popülasyonda insanları yıllarca izleyip, başlangıçtaki kan parametreleri ile kimin, ne zaman öldüğünü eşleştiriyorlar ve buradan bir “ölüm riski tahmin makinesi” kuruyorlar. Sonra da o riski, sıradan insanın anlayacağı dile çevirip “senin biyolojik yaşın, kendi yaş grubunun ortalamasına göre şu kadar ileri/geri” diye ifade ediyorlar.

Kan tahlilinin mutfağı: Hangisi biyoloji yaşlanmayı gösteriyor?

Bu hikayede asıl ilginç olan, hangi parametrelerin kuliste başrolü kaptığı. Klasik tıp pratiğinde hepimizin bildiği kreatinin var mesela; böbrek fonksiyonuna bakarken refleks olarak baktığımız bir değer. Ama bu modelde kreatinin değil, aynı işi daha rafine yapan kuzeni sistatin C sahneye çıkıyor. Sistatin C, glomerüler filtrasyon hızını kreatininden daha net yansıtan, kas kitlesinden daha az etkilenen bir protein ve burada bir standart sapma artışı, ölüm riskinde yaklaşık üçte bire yakın artışla ilişkilendiriliyor.

Kreatinin ise ilginç bir karakter: Sistatin C hesaba katıldığında, kreatininin sanki hafif koruyucu bir etkisi varmış gibi görünüyor. Sistatin C denklemden çıkarıldığında bu “koruyucu” etki kaybolup anlamsız hale geliyor. Bunun nedenini aslında polikliniklerde her gün deneyimliyoruz. Yaşlı bir hastanın kreatinin değeri düşük olduğu için sevinmezsiniz. Çünkü kreatinin düşük olması böbrek fonksiyonlarının iyi olduğunu söylediği kadar, kas kütlesinin düşük olduğunu da söyler. Bunun tersi de doğru. Kas kütlesi standart üstü yüksek olan birinin kreatinin değeri yüksek diye endişelenmeyiz. Çünkü oradaki neden kas miktarıdır. Kaslı, aktif bir 70’likte biraz yüksek kreatinin ile çelimsiz, kırılgan bir 70’likte aynı kreatinin değeri aynı anlama gelmiyor. Bu model de aslında, sistatin C üzerinden bu farkı matematikleştiriyor.

Bir diğer sessiz aktör, eritrosit dağılım genişliği; yani kırmızı kan hücrelerinin hacim farklılığını gösteren RDW. Yıllardır hemogramda orada duran, neredeyse sadece demir eksikliği anemisi, talasemi gibi durumlarda kullandığımız bu sayı, burada ölüm riski açısından sistatin C’den hemen sonra geliyor. Yani kemik iliğinin “düzenli ve dengeli üretim yapamama” hali, kronolojik yaştan bağımsız bir yaşlanma imzasına dönüşüyor.

Diğer uçta ise karaciğer enzimleri gibi yüksek çıktığında genellikle “hastalık” çağrışımı yapan bazı parametrelerin, bu modelde hafif yüksek olduğunda daha düşük mortalite ile ilişkili göründüğü dikkat çekiyor. Burada muhtemelen, “hücreler hala metabolik olarak canlı, kas ve karaciğer rezervi yerinde” şeklinde okuyabileceğimiz bir tablo var. Yani biyokimyasal değerleri klasik referans aralığına ezberle değil, bağlama göre yorumlama ihtiyacı açık.

Makine öğrenmesiyle yapılan bir klinik sezgi provası

Bu modelin mutfağında makine öğrenmesi var. Malzeme yine bildiğimiz kan parametreleri. 60’a yakın biyobelirteç içinden, elli defa, yüz defa rastgele karılmış alt veri setlerinde bile ısrarla seçilen 25’lik bir çekirdek liste çıkıyor. Bunların üzerine yaş ve cinsiyet eklenip, Cox regresyonu denen, tıpta yıllardır kullanılan bir hayatta kalım modeline bağlanıyor.

Hipotezi zorlayan istatistiksel yöntemler denendiğinde bile, performans neredeyse aynı. Yani bu hikaye çok karmaşık nöral ağlara muhtaç değil. Bu da şu açıdan rahatlatıcı: Modelin ne yaptığını, hangi parametrenin nereye çektiğini az çok anlayabiliyoruz. Ve modelin, sadece yaş ve cinsiyete bakmaya göre ölüm riskini tahmin etme başarısını anlamlı biçimde artırdığını, üstelik hem “kendini sağlıklı hisseden”, hem de kronik hastalığı olan gruplarda bunun geçerli olduğunu görüyoruz.

İlginç bir başka nokta, sosyoekonomik düzeyle ilgili. Townsend Deprivasyon Indeksi denen, yaşanılan bölgenin yoksunluk düzeyini temsil eden bir ölçeğe göre grupları ikiye böldüklerinde, kan biyobelirteçleri temelli model her iki uçta da işe yarıyor. Hatta daha dezavantajlı grupta görece daha fazla ek bilgi sağlıyor. Bu da “kan paneli sadece iyi takip edilen, yüksek sosyoekonomik statüdeki hasta için anlamlıdır” ön kabulünü anlamsız kılıyor.

Gerçek hayatta işin rengi: Eksik tetkikle biyolojik yaş ölçmek

Teoride 25 parametreli bir model var; pratikte ise sosyal güvenlik kurumlarının ya da özel sağlık sigortalarının sınırları var. Kamu hastanelerinde hastalık temelli kan istemleri yapıyoruz. Özel hastanelerde ise hasta, elinde “sigorta check-up paneli” ile geliyor. Kiminde sadece temel biyokimya, kiminde lipid profili, kiminde tam kan sayımı artı birkaç ek test var. Çalışma, bu gerçekliği de hesaba katıp, sahada sık kullanılan 10 farklı panel senaryosu tanımlıyor ve şu soruyu soruyor: “Her seferinde o panele özel yeni bir model mi kurmak lazım, yoksa eksik parametreleri istatistiksel olarak doldurup aynı ana modeli kullanmak da iş görür mü?”

Burada kullanılan çözüm, eksik biyobelirteçleri, büyük veri setindeki benzer bireylere bakarak en yakın komşu yöntemiyle tahmin etmek ve sonra aynı ana modeli çalıştırmak. Sonuçta görülen şey, performansta dramatik bir düşüş olmaması.

Günlük pratiğe tercümesi şöyle: Elinizde, biraz düzgün bir biyokimya paneli ve basit bir hemogram varsa, “biyolojik yaş” ölçme konusunda zannedildiği kadar çaresiz değilsiniz. Ama aynı anda şu uyarıyı da yapmak gerekiyor: Bu panel, belirli bir popülasyonda, belirli laboratuvar standartlarıyla, belirli bir etnik ve sosyoekonomik dağılım içinde eğitilmiş bir model. Ankara’da, farklı genetik arka planda, farklı beslenme, sigara, hava kirliliği, enfeksiyon yüküyle yaşanan bir hayatta aynı katsayılar bire bir geçerli mi, bilmiyoruz. O yüzden bu tür biyolojik yaş skorlarını, mutlak gerçek değil, yön gösteren pusula gibi görmek daha mantıklı.

Biyolojik yaş hızlanınca: Genç bedende yaşlı imza

Model, her birey için “Biyolojik Yaş Hızlanması” diye adlandırılan bir değer de üretiyor; yani biyolojik yaş eksi kronolojik yaş. Büyük çoğunluk -20 ile +20 yıl aralığında bir yerde. Yani 45 yaşında olup biyolojik yaşı 30 gibi davranan da var, 60 gibi davranan da. İlginç olan, bu farkların genç yaşta da anlam ifade etmesi. 50 yaş ve altındaki gruba baktıklarında, biyolojik yaşı kronolojik yaşının çok üzerinde çıkanların, takip eden 14 yıldaki ölüm riskinin, kendi yaş grubunda daha “genç” görünenlere göre belirgin şekilde yüksek olduğu görülüyor.

Daha da çarpıcı olan, şu karşılaştırma: 50 yaş altı olup, biyolojik yaşı ciddi anlamda ileri olanların, 50–65 yaş grubunda ama biyolojik yaşı geri olanlardan daha kötü hayatta kalım eğrisine sahip olması. Yani nüfus cüzdanındaki yaşınızdan daha önemlisi, kanınızdaki yaşınız. Hatta bazı durumlarda, genç bir kronolojik yaş, yüksek biyolojik yıpranmayı maskeleyen bir kozmetik etiket gibi kalabiliyor.

Bu noktada, “Hadi o zaman herkes biyolojik yaş testi yaptırsın, çıkan rakama göre protokol yazalım” türü hızlı çözümler kuşkusuz cazip. Fakat model, cinsiyete göre ayrı ayrı bakıldığında bile, tek tek kadın ve erkek gruplarında, tüm popülasyona tek model uygulamanın ötesine pek geçemiyor. Cinsiyete özel modeller, genel modelden daha iyi öngörü sağlamıyor. Bu da bize, kişiselleştirmenin sınırlarını hatırlatıyor: Cinsiyet yetmiyor, araya hormon durumundan kas kütlesine, uyku düzeninden ilaç yüküne kadar uzanan bir sürü parametre girmeden, “tam kişisel” olamıyoruz.

Klinik masada bu ne işe yarar, neye yaramaz?

Bu tür biyolojik yaş skorlarının iki temel kullanım alanı var gibi duruyor. Birincisi, yaşlanma karşıtı ya da “healthspan” odaklı müdahalelerin etkisini, kronik hastalık çıkmasını beklemeden, daha kısa vadeli bir biyobelirteç üzerinden takip etmek. Diyelim ki bir hastanın beslenme düzenini düzelttiniz, egzersiz eklediniz, uyku, sigara, ilaçlar… Hepsini optimize ettiniz. Klasik tıpta “bakalım 10 yıl sonra kardiyovasküler olay oranı nasıl değişti” diyecekken, bu yaklaşım size birkaç yıl içinde “kanındaki yaş imzası yavaşladı mı?” sorusuna daha erken bir cevap verebilir.

İkincisi, aynı kronolojik yaştaki bireyler arasında, kimin aslında biyolojik olarak daha kırılgan olduğunu tespit edip, tarama stratejilerini, ilaç doz kararlarını, ameliyat risk değerlendirmesini daha rafine yapmak. Mesela 68 yaşında iki hasta düşün, biri biyolojik olarak 55 gibi, diğeri 80 gibi görünüyor; ikisine de aynı agresif kemoterapiyi, aynı dozda, aynı iştahla önermek, teorik olarak sorgulanabilir hale geliyor.

Bir de, ölüm riskini iyi tahmin eden her şey, yaşlanmayı hedeflemek için mutlaka müdahale edilebilir anlamına gelmiyor; yani sistatin C’yi değiştirdiğinizde gerçekten “yaşlanmayı mı yavaşlatıyorsunuz”, yoksa sadece böbrek fonksiyonunu mu düzeltiyorsunuz, o ilişki hala çift yönlü bir tartışma.

Bu nedenle, bu tür biyolojik yaş skorlarını şu an için bir “klinik oyuncak”tan çok, bakış açısını genişleten, özellikle de kan testini sadece bir referans aralığı checklist’i olarak gören alışkanlıklarımızı zorlayan araçlar gibi görmek daha yerinde. Kan paneline bakan hekim, sadece sınır dışına taşan değerleri değil, aralarındaki örüntüyü, organ sistemleri arasındaki senkronizasyonu ve bunların yaşlanma biyolojisiyle ilişkisini düşünmeye zorlanıyor.

Ve hikaye belki de şurada bitmeli: Kaç yaşında olduğunuzu değil, vücudunuzun kaç yaşında yaşadığını sormak, artık bir fantezi değil. Ama bu soruyu kan tahliline devretmeden önce, “Hangi popülasyon için geliştirildi, hangi biyolojiyi yakalıyor, hangisini ıskalıyor, benim önümdeki kişi o popülasyona ne kadar benziyor?” sorularını sormayı da bırakmamak gerekiyor. Tek bir puan, tek bir algoritma, tek bir check-up raporu kimsenin yaşlanma hikayesini tek başına yazmayacak; iyi ihtimalle, o hikayeyi daha dikkatle okumamıza yardım edecek.