Nature Communications’ta 3 Ağustos 2026’da yayımlanan ve Cleveland Clinic tarafından 8 Eylül’de yeniden gündeme taşınan araştırmada katılımcılar beş risk grubuna ayrıldı; en yüksek risk grubunda tüm nedenlere bağlı ölüm riski en düşük gruba göre belirgin biçimde daha yüksekti. Bulgular umut verici olsa da yöntem henüz kişinin gelecekte hangi hastalığa yakalanacağını kesin olarak söyleyen klinik bir test değil.
Bir gecelik uyku testi yalnızca uyku apnesini değerlendirmek için değil, kişinin ilerleyen yıllardaki sağlık riskleri hakkında daha fazla bilgi elde etmek için de kullanılabilir. Cleveland Clinic ve IBM Research araştırmacıları, standart uyku testlerinde kaydedilen ancak rutin değerlendirmelerde yalnızca sınırlı bölümü kullanılan fizyolojik sinyalleri yapay zekâ yardımıyla inceledi.
Nature Communications’ta 3 Ağustos 2026’da yayımlanan çalışma, Cleveland Clinic’in 8 Eylül 2026 tarihli klinik değerlendirmesiyle yeniden gündeme taşındı. Araştırmacılar, bir gece boyunca kaydedilen uyku verilerinde uzun dönem sağlık sonuçlarıyla bağlantılı örüntüler belirledi.
Ancak araştırmanın sonucu, “bir gece uyuyarak gelecekte hangi hastalığa yakalanacağınız öğrenilebilir” anlamına gelmiyor. Çalışma geçmiş sağlık kayıtlarının kullanıldığı geriye dönük bir araştırma ve geliştirilen sistem henüz rutin klinik kullanım için doğrulanmış bireysel hastalık tahmin testi niteliğinde değil.
Uyku laboratuvarında yalnızca nefes sayılmıyor
Uyku laboratuvarında yapılan polisomnografi sırasında kişinin beyin aktivitesi, kalp ritmi, solunumu, hava akımı, kas hareketleri ve kandaki oksijen düzeyi gibi çok sayıda fizyolojik sinyal gece boyunca kaydediliyor.
Uyku apnesinin değerlendirilmesinde en yaygın ölçütlerden biri apne-hipopne indeksi. Bu değer, uyku sırasında solunumun bir saat içinde kaç kez durduğunu veya belirgin biçimde azaldığını gösteriyor.
Araştırmacılar, saatler boyunca elde edilen çok boyutlu verinin yalnızca birkaç özet ölçüte indirgenmesi yerine tamamının yapay zekâ tarafından değerlendirilmesinin farklı sağlık bilgileri ortaya çıkarabileceği düşüncesinden hareket etti.
Başlangıçta 10 bin uyku çalışması vardı
Araştırmanın temelini Cleveland Clinic’in STARLIT kayıt sistemindeki 10 bin laboratuvar uyku çalışması oluşturdu. Bu kayıtlar 9 bin 661 kişiden elde edilmişti.
Veri kalite kontrollerinin ardından asıl analizlere 9 bin 608 uyku kaydı ve 9 bin 297 kişinin verileri dahil edildi.
Bu ayrım önemli. Çalışmanın başlangıç veri seti 10 bin uyku çalışmasından oluşsa da tüm kayıtlar nihai analize girmedi.
Uyku testleri 2012 ile 2022 yılları arasında gerçekleştirilmişti. Araştırmacılar gece boyunca kaydedilen yüksek çözünürlüklü fizyolojik verileri hastaların uzun dönem elektronik sağlık kayıtlarıyla eşleştirdi.
Model, bu sinyallerdeki karmaşık örüntüleri öğrenmek üzere geniş kapsamlı bir yapay zekâ mimarisi kullanılarak geliştirildi.
Amaç yapay zekânın tek tek hastalıkları doğrudan teşhis etmesi değil, uyku fizyolojisinde birbirine benzeyen örüntülere sahip kişileri belirleyebilmesiydi.
Yapay zekâ beş farklı risk grubu belirledi
Modelin uyku kayıtlarından çıkardığı özellikler kullanılarak katılımcılar beş gruba ayrıldı.
Birinci grupta görece daha düşük risk profiline sahip kişiler bulunurken gruplar ilerledikçe uyku bozukluğu özellikleri ve eşlik eden sağlık sorunları daha belirgin hale geldi.
Beşinci grup en yüksek risk profiline sahip katılımcıları içeriyordu.
Bu gruplar daha sonraki yıllarda görülen kalp-damar, nörolojik ve bazı psikiyatrik sağlık sonuçları açısından farklılık gösterdi.
En belirgin sonuçlardan biri tüm nedenlere bağlı ölüm riskiyle ilgiliydi.
Eğilim skoru ile dengelenmiş STARLIT analizinde, yaş ve cinsiyete göre düzeltme sonrasında en yüksek risk grubundaki kişilerin tüm nedenlere bağlı ölüm riski en düşük gruba göre yaklaşık 2,7 kat daha yüksekti. İstatistiksel ölçümde hazard oranı 2,71 olarak hesaplandı.
Araştırmacılar yaş, cinsiyet, vücut kitle indeksi, eşlik eden hastalıklar ve apne-hipopne indeksi gibi ek değişkenleri de hesaba kattığında ilişki zayıfladı ancak devam etti. Bu daha kapsamlı analizde hazard oranı 2,38 olarak bulundu.
Bu oranlar, en yüksek risk grubundaki kişilerin belirli bir süre içinde yüzde 238 veya yüzde 271 ölüm olasılığı taşıdığı anlamına gelmiyor. Hazard oranları, takip boyunca gruplar arasındaki olay hızlarının göreli farklılığını ifade ediyor.
Sonuçlar bağımsız bir grupta da sınandı
Araştırmacılar modelin yalnızca Cleveland Clinic hastalarındaki özellikleri öğrenip öğrenmediğini değerlendirmek amacıyla sistemi bağımsız ve toplum temelli Sleep Heart Health Study kohortunda da sınadı.
Model yeniden eğitilmeden bu veri grubuna uygulandığında, yüksek ve düşük risk kategorileri arasında ölüm ve kalp yetersizliği açısından benzer yönde farklılıklar görüldü.
Bağımsız kohortta en yüksek risk kategorisindeki kişilerin tüm nedenlere bağlı ölüm riski en düşük gruba göre yaklaşık yüzde 58 daha yüksekti. Hazard oranı 1,58 olarak hesaplandı.
Kalp yetersizliği açısından ise en yüksek risk grubunda hazard oranı 2,13 olarak bulundu.
İkinci veri grubunda benzer yönde sonuçlar elde edilmesi, yöntemin yalnızca tek bir hastanenin kayıtlarına özgü olmayabileceğini düşündürüyor.
Yine de farklı ülkelerden, farklı yaş gruplarından ve daha çeşitli topluluklardan katılımcıların yer aldığı ileriye dönük araştırmalara ihtiyaç bulunuyor.
Uyku apnesinin klasik ölçümünden farklı bilgiler verdi
Araştırmanın öne çıkan noktalarından biri, yapay zekânın oluşturduğu risk grupları ile uyku apnesinde kullanılan klasik apne-hipopne indeksi arasındaki farktı.
Apne-hipopne indeksine göre oluşturulan hafif, orta ve ağır uyku apnesi kategorileri, uzun dönem sağlık sonuçlarını yapay zekânın oluşturduğu gruplar kadar belirgin biçimde ayıramadı.
Özellikle ölüm riski açısından yapay zekâya dayalı kümeler daha belirgin bir ayrışma gösterdi.
Bu durum apne-hipopne indeksinin gelecekteki sağlık risklerini öngöremediği veya klinik değer taşımadığı anlamına gelmiyor.
Apne-hipopne indeksi uyku apnesinin tanı ve şiddet değerlendirmesinde temel ölçütlerden biri olmaya devam ediyor. Araştırmanın gösterdiği şey, tek bir gecede kaydedilen beyin, kalp ve solunum sinyallerinin birlikte incelenmesinin klasik solunum ölçümlerinin ötesinde ek bilgi taşıyabileceği.
Bir gecelik test geleceği kesin olarak tahmin etmiyor
Araştırmanın en kolay yanlış anlaşılabilecek noktası, yöntemin bir tür “geleceği görme testi” olarak yorumlanması.
Model, kişinin belirli bir tarihte kalp hastalığı, demans veya başka bir hastalık geliştireceğini söylemiyor.
Sistem, uyku sırasında kaydedilen fizyolojik örüntülere göre birbirine benzeyen kişileri gruplandırıyor ve bu grupların daha sonraki sağlık sonuçlarında farklılık olup olmadığını inceliyor.
Çalışma ayrıca geriye dönük sağlık kayıtlarına dayanıyor. Bu nedenle yapay zekânın belirlediği uyku özelliklerinin daha sonraki hastalıkların nedeni olduğu sonucuna varılamaz.
Yüksek risk grubundaki kişilerin araştırmanın başında daha farklı bir sağlık profiline sahip olması da sonuçları etkileyebilir.
Araştırmacılar yaş, vücut kitle indeksi, eşlik eden hastalıklar ve başka değişkenleri istatistiksel modellerde hesaba katmış olsa da gözlemsel çalışmalarda ölçülmeyen etkenlerin tamamen dışlanması mümkün değil.
Çok sayıda sağlık sonucu aynı araştırmada incelendi
Çalışmanın bir başka sınırlılığı, farklı kalp-damar, nörolojik ve psikiyatrik sonuçların aynı veri setinde incelenmiş olması.
Araştırmacılar bazı analizlerde çoklu karşılaştırmalar için ek istatistiksel düzeltme uygulamadı.
Bir araştırmada çok sayıda ayrı sonuç aynı anda test edildiğinde, yalnızca tesadüf nedeniyle istatistiksel olarak anlamlı görünen bazı ilişkilerin ortaya çıkma ihtimali artabiliyor.
Bu nedenle özellikle ikincil sağlık sonuçlarına ilişkin bulguların bağımsız çalışmalarla yeniden doğrulanması gerekiyor.
Ölüm ve kalp yetersizliği gibi bazı sonuçların bağımsız kohortta da benzer yönde görülmesi araştırmanın bulgularını destekliyor; ancak yöntemin rutin klinik kullanıma geçmesi için tek başına yeterli değil.
Rutin uyku testinden daha fazla bilgi çıkarılabilir
Çalışmanın klinik açıdan ilgi çekici tarafı yeni bir cihaz geliştirmekten çok, zaten yapılan bir testten daha fazla bilgi elde etmeye dayanması.
Standart bir polisomnografi gece boyunca büyük miktarda fizyolojik veri topluyor.
Yapay zekâ yaklaşımı, bu kayıtların bugün rutin raporlarda yeterince değerlendirilmeyen bölümlerinden uzun dönem sağlık riskiyle ilişkili ek sinyaller çıkarılabileceğini düşündürüyor.
Ancak sistem şu aşamada hastanelerde rutin olarak kullanılan bir risk testi değil.
Bir hastanın tedavisinin yalnızca modelin belirlediği risk grubuna göre değiştirilmesinin kalp hastalığını, nörolojik hastalıkları veya ölüm riskini azaltıp azaltmadığı da henüz bilinmiyor.
Bunun gösterilebilmesi için yöntemin farklı toplumlarda ileriye dönük olarak sınanması ve klinik kararlara eklendiğinde hastalara gerçek bir yarar sağlayıp sağlamadığının araştırılması gerekiyor.
Bir gecelik uyku kaydı şimdilik geleceği kesin biçimde söylemiyor. Araştırmanın ortaya koyduğu daha sınırlı ve somut bulgu, uyurken beyin, kalp ve solunum sisteminden toplanan saatlerce verinin bugünkü standart uyku raporlarında kullanılan ölçümlerin ötesinde sağlık bilgileri taşıyabileceği.
KAYNAKLAR
• Nature Communications – A Foundation Model for Sleep-Based Risk Stratification and Clinical Outcomes, 3 Ağustos 2026
• Cleveland Clinic – AI Model Stratifies Sleep-Based Risk and Clinical Outcomes, 8 Eylül 2026
• Cleveland Clinic – AI Identifies Previously Unrecognized Health Insights in Routine Sleep Studies, 3 Ağustos 2026
• ABD Ulusal Kalp, Akciğer ve Kan Enstitüsü – Sleep Heart Health Study
