Gizli depresiflerin sayısı bilinenden çok daha fazla

Yeni bir araştırma, daha iyi hasta tanımı yapılmasının yolunu açıyor.

Gizli depresiflerin sayısı bilinenden çok daha fazla
TT

Gizli depresiflerin sayısı bilinenden çok daha fazla

Gizli depresiflerin sayısı bilinenden çok daha fazla

Bir hastanın bağışıklık tepkisinde yer alan gen ifadesini (gen ekspresyonu) değerlendirmek için yürütülen yakın tarihli bir çalışmanın sonuçları, majör depresif bozukluğu (MDB) olan hastaların sayısının şu anda bilinen sayıdan çok daha fazla olduğunu ve hastaların aktif bağışıklık sistemleri nedeniyle hastalığa yakalandıklarının çoğu zaman anlaşılmadığını göstermekte.

King's College London Psikiyatri, Psikoloji ve Nörobilim Enstitüsü'ndeki (IoPPN) ekibin çalışmaları, bu ilişkide yer alan moleküler mekanizmaları tanımlayarak bu hastaların daha iyi anlaşılmasının yolunu açıyor. Söz konusu çalışmalar, bu bozukluğun tedavisine ve yönetimine daha doğru bir yaklaşım sağlamaya yardımcı olabilir.

Translational Psychiatry dergisinde yayınlanan araştırma, MDB olan birçok kişide aktif bir bağışıklık tepkisi olduğunu gösteren önceki bulgulara dayanıyor.

Önceki araştırmaların çoğu, C-reaktif protein (CRP) gibi enflamatuar proteinlerin seviyelerine odaklandı ve depresyonu olan kişilerin yaklaşık yüzde 21 ila yüzde 27'sinin aktif bir bağışıklık tepkisine sahip olduğunu, ancak CRP seviyelerinin bu bağışıklık tepkisinin tam resmini yakalayamadığını buldu.

Çalışmanın ilk araştırmacısı Luca Sforzeni Çarşamba günü enstitünün internet sitesine yaptığı açıklamada şu sözlere yer verdi: "Bu kanıt, aktif bağışıklıkla ilişkili depresyon bilgimize katkıda bulunuyor. Bu bağışıklık değişikliklerine sahip depresif kişilerin standart antidepresan ilaçlara yanıt verme olasılığı daha düşüktür ve durumlarına göre özel ilaçlara, özellikle de bağışıklık sistemini hedef alan müdahalelere ihtiyaç duyarlar".

Enstitünün internet sitesinde Çarşamba günü yayınlanan yeni çalışma, CRP seviyeleri tarafından yakalanmayan daha geniş bağışıklık özelliklerini izlemeyi amaçlıyor. Bu protein, karaciğerin vücuttaki iltihaplanma durumunda ürettiği proteinlerden biridir, çünkü karaciğer yabancı mikropları yok etmek için yüksek miktarda protein üretmeye başlar ve bu da onu kanda ölçülen iltihaplanma göstergelerinden biri yapar. Ancak bu inceleme genel bir inceleme olup, özel olarak iltihabın yerini belirlemez.

Biyobelirteçler, önceki bir depresyon çalışmasında, 128'i doğrulanmış MDB tanısı olan ve CRP seviyelerine göre üç alt gruba ayrılan 168 katılımcıdan elde edildi.

Araştırmacılar, aktivasyonu bağışıklık tepkisine dahil olan 16 genin ifadesini analiz etti. İlk analiz, depresyon teşhisi konmamış olanlara kıyasla, MDB olan kişilerde bağışıklıkla ilgili gen ifadesinin arttığını buldu.

Gen ifadesi, genlerimizdeki bilgilerin özelliklerimizin ve davranışlarımızın oluşumunu etkilediği normal bir biyolojik süreçteki ilk aşamadır.

Yüksek CRP düzeyleri olan MDB hastaları, düzeyi yüksek olmayanlarla karşılaştırıldığında, 16 genin ifadesinde hiçbir fark bulunamadı. Bu da bu gen ifadesi modelinin CRP düzeylerinden bağımsız olduğunu, muhtemelen başka bir farklı mekanizmadan kaynaklandığını düşündürttü.

Araştırmacılar daha sonra CRP değerleri 1'in altında olan, yani herhangi bir iltihaplanmaları olmadığı düşünülen tüm katılımcılar (hem teşhis konulmamış hem de depresyonda) üzerinde başka bir analiz gerçekleştirdi.

Araştırmacılar, depresyon ve düşük protein C seviyeleri olan katılımcıların, depresyon teşhisi konmamış olanlara kıyasla, hala önemli ölçüde daha yüksek bağışıklık geni ifadesine sahip olduğunu buldu.

Enstitüde biyolojik psikiyatri profesörü ve bu araştırmanın baş yürütücüsü olan Profesör Carmine Pariante, şunları söyledi: "Önceki araştırmalar, ciddi şekilde depresyondaki kişilerde iltihaplanmanın bilinen bir göstergesi, ancak bağışıklık tepkisinin sadece bir parçası olan C-reaktif protein seviyelerine odaklanmıştı. Çalışmamız bu odağı genişletmeyi başardı ve hastaların genlerinde, CRP testi ölçülerek enflamasyonun yakalanmadığı hastalarda bile, CRP seviyelerinden bağımsız bir bağışıklık tepkisi olduğunu gösterdi. Bu, bağışıklığın artması ve bağışıklık aktivasyonu sürecinin birçok depresif hastada düşünülenden daha fazla mevcut olduğu anlamına gelir. Bu önemli bulgular, depresyonla ilgili moleküler yolları belirlememize olanak tanıyacak ve aynı zamanda, daha amacı belli tedavi yaklaşımlarının önünü açabilecek farklı türde bağışıklık tepkileri olan insanları belirlememize yardımcı olacak. Bu bulguların, mevcut ve gelecekteki araştırmaların, depresif bireylerin bağışıklık özelliklerine dayalı olarak tedavi yöntemlerinin kullanılacağını ve mevcut antidepresanlardan fayda görmeyen çok sayıda insan için daha etkili klinik stratejiler sağlayacağını umuyorum".



Peynir dahil sandığınızdan daha az protein içeren 6 gıda

Çeşitli bisküviler, peynirler, et ürünleri ve meyveler (AP)
Çeşitli bisküviler, peynirler, et ürünleri ve meyveler (AP)
TT

Peynir dahil sandığınızdan daha az protein içeren 6 gıda

Çeşitli bisküviler, peynirler, et ürünleri ve meyveler (AP)
Çeşitli bisküviler, peynirler, et ürünleri ve meyveler (AP)

Pek çok kişi bazı gıdaların ünleri ya da sağlıklı besin olarak pazarlanmaları nedeniyle iyi birer protein kaynağı olduğunu düşünmektedir. Ancak beslenme gerçeği farklı olabilir. Diyetisyenlere göre bir besin, en az yüzde yirmi oranında protein içerdiğinde ‘protein açısından zengin’ olarak sınıflandırılıyor. Buna karşın Şarku’l Avsat’ın ‘Very Well Health’ adlı sağlık sitesinden aktardığına göre beslenme raporları, yaygın olarak tüketilen pek çok besinin beklenen miktarda protein sağlamadığına işaret ediyor.

İşte bu besinlerin en önemlileri:

1- Badem sütü

Badem sütü, özellikle laktoz intoleransı yaşayanlar ya da bitkisel beslenmeyi tercih edenler arasında inek sütüne popüler bir alternatif olarak öne çıkıyor. Ancak bu tercih, geleneksel sütün sağladığı protein değerini karşılamıyor. Klinik diyetisyen Halle Saperstein, bazı kişilerin adından ötürü ‘badem sütünün’ inek sütüyle benzer miktarda protein içerdiğini düşündüğünü; oysa ürün protein açısından takviye edilmedikçe bunun doğru olmadığını açıklıyor. Bir bardak tatlandırılmamış badem sütü yaklaşık 2 gram protein içerirken normal sütün bir bardağı 8 gram protein baındırıyor.

2- Avokado

Yüksek besin değeriyle bilinen avokado, lif, sağlıklı doymamış yağlar ve potasyum açısından zengin bir gıda olsa da zengin bir protein kaynağı değil. Saperstein'a göre bir porsiyonu karşılayan yarım avokado yalnızca yaklaşık 1,5 gram protein içeriyor.

3- Humus

Bazı kişiler protein için bitkisel bir seçenek olarak humusu tercih ediyor.  Ancak humus, olağan miktarlarda tüketildiğinde sanıldığı kadar yüksek protein sağlamıyor.

Saperstein, küçük bir porsiyon humusun (çeyrek bardak kadar) yaklaşık 70 kalori ve yalnızca 2 gram protein içerdiğini belirtiyor.

4- Granola barları

Granola barlar hareket halindeyken pratik ve hızlı bir protein kaynağı gibi görünse de çoğu zaman bu beklentiyi karşılamıyor. Bazı çeşitler bar başına yalnızca 1 ila 3 gram protein içeriyor. Saperstein, gerçek anlamda yüksek proteinli bir seçenek arayışında olanların besin etiketini dikkatlice okumalarını ve porsiyon başına yaklaşık 10 ila 15 gram protein içeren barları tercih etmelerini tavsiye ediyor.

5- Fıstık ezmesi

Yaygın kanının aksine fıstık ezmesi aslında iki çorba kaşığı başına yalnızca yaklaşık 7 gram protein içeriyor.

Diyetisyen Theresa Gentile, fıstık ezmesini yoğurt veya tam tahıllı ekmek gibi diğer besinlerle birlikte tüketmenin protein içeriğini artırabileceğini belirtiyor.

6- Peynir

Peynir lezzetli ve protein dahil besin değeri bakımından zengin bir gıda olarak kabul ediliyor. Ancak diğer protein kaynaklarıyla kıyaslandığında yüksek proteinli gıdalar arasında yer alıyor.

Bunun peynirden kaçınmak anlamına gelmediğini; aksine dengeli bir beslenme düzenine dahil edilebileceğini vurgulayan Gentile “Günlük olarak çeşitli protein kaynaklarından yararlanmak beslenme ihtiyaçlarının karşılanmasına yardımcı olur” ifadelerini kullanıyor.

Gentile, bu kaynaklar arasında deniz ürünleri, kümes hayvanları, yağsız etler, baklagiller, yumurta, soya fasulyesi ve az yağlı süt ürünlerinin sayılabileceğini ekledi.


Bilim insanları hastanede zatürreye yakalanmayı önleyecek basit yöntemi açıkladı

(Unsplash)
(Unsplash)
TT

Bilim insanları hastanede zatürreye yakalanmayı önleyecek basit yöntemi açıkladı

(Unsplash)
(Unsplash)

Vishwam Sankaran Bilim ve Teknoloji Muhabiri 

Yeni bir araştırmaya göre her gün diş fırçalamak, hastanede yatan hastaların zatürreye yakalanma riskini kayda değer derecede azaltabiliyor.

Hastaneye yattıktan en az 48 saat sonra ortaya çıkan yaygın bir enfeksiyon olan hastane kaynaklı zatürre, hastanede daha uzun yatma, sağlık masraflarının artması ve özellikle yaşlılarda ölüm oranlarının yükselmesiyle ilişkili.

Bilim insanları bu enfeksiyonun solunum cihazı kullanımından kaynaklanan zatürre kadar tehlikeli olabileceğini ve daha sık görüldüğünü ancak çok daha az araştırmaya konu olduğunu belirtiyor.

Avustralya'daki üç hastanenin 9 servisinin 12 ay boyunca takip edildiği yeni klinik çalışma, ağız hijyeninin iyileştirilmesinin hastane kaynaklı zatürre riskini yaklaşık yüzde 60 azaltabileceğini ortaya koydu.

Toplam 8 bin 870 hastanın yer aldığı çalışma, kısa süre önce Avrupa Klinik Mikrobiyoloji ve Bulaşıcı Hastalıkları Derneği'nin 2026 Küresel Kongresi'nde sunuldu.

Sözkonusu çalışma, bu yaklaşımı hastane ortamında değerlendiren, bu büyüklükteki çok merkezli tek klinik araştırma.

Doktorlar her hastaya yatış sırasında diş fırçası, diş macunu, eğitim materyali ve diğer çevrimiçi kaynaklara erişim imkanı sağladı. Sağlık çalışanları, hastaların günlük ağız bakımını iyileştirmesine yardımcı olurken kontrol gruplarının kendi rutinlerini sürdürmesine izin verildi.
 

Görsel kaldırıldı.Ağız hijyeninin iyileştirilmesi, hastane kaynaklı zatürre riskini yaklaşık yüzde 60 azaltabilir (AFP)

Araştırmacılar, müdahale programındaki hastaların ağız hijyeninde ciddi iyileşme kaydettiğini saptarken, denetimler ise ağız bakımının günde ortalama 1,5 kez yapıldığını gösterdi.

Çalışmaya göre müdahale programına katılım, hastane kaynaklı zatürre vakalarında istatistiksel açıdan anlamlı bir azalmayla ilişkilendirildi ve normalde 100 hastada 1 olan vaka sıklığı 0,41'e düştü.

Avustralya'daki Avondale Üniversitesi'nden ve araştırmanın yazarlarından Brett Mitchell, "Bu çalışmanın en cesaret verici bulgularından biri, elde edebildiğimiz iyileşmenin boyutu oldu" diyor.

Hastane kaynaklı zatürre vakaları genellikle ağız veya boğazdan gelen sıvıların akciğerlere girmesiyle ortaya çıkıyor. Ağız salgılarını temizleyemeyen hastalarda daha sık teşhis ediliyor.

Araştırmacılar, hastane kaynaklı zatürre vakalarını azaltmak için daha iyi eğitim, pratik kaynaklar ve hastalarla ağız bakımı hakkında konuşulmasını talep ediyor. Dr. Mitchell, "Bu enfeksiyonların kişiden kişiye bulaşmaktan ziyade büyük ölçüde hastanın kendi mikrobiyotasından kaynaklandığı düşünülüyor" diye açıklayarak oral hijyenin iyileştirilmesinin ağızdaki bu patojenleri azaltmaya fayda sağladığını ekliyor.

Çalışmamız, artık hastane ortamından elde edilen sağlam kanıtlar sunuyor. Bir sonraki adım, yapılandırılmış programların hastane servislerinde nasıl etkili bir şekilde uygulanabileceğini ve sürdürülebileceğini daha iyi anlamak.

Independent Türkçe,independent.co.uk/news


Dil yalan söylemez… Hastalıklara yönelik öngörücü bir parmak izi

Dil yalan söylemez… Hastalıklara yönelik öngörücü bir parmak izi
TT

Dil yalan söylemez… Hastalıklara yönelik öngörücü bir parmak izi

Dil yalan söylemez… Hastalıklara yönelik öngörücü bir parmak izi

Mezopotamya uygarlıklarında, sistematik tıbbın ilk örneklerinin ortaya çıktığı dönemlerde teşhis, cihazlara veya laboratuvar testlerine değil, doğrudan bedenin gözlemlenmesine dayanıyordu. Hekim, bedeni dikkatle inceler, küçük ayrıntıları bile değerlendirirdi. Bu ayrıntılardan biri de dildi.

Dilin incelenmesi

Hekimin hastadan dilini çıkarmasını istemesi sadece rutin bir işlem değil, vücudun iç durumu hakkında bilgi edinmenin temel yollarından biriydi. Dilin rengindeki değişiklikler, kuruluk veya anormal tabaka oluşumu gibi bulgular, sağlık durumuna dair önemli işaretler olarak yorumlanıyordu.

Günümüzde ise bu kadim yaklaşım farklı bir biçimde geri dönüyor. Artık hekimin yanında yapay zekâ algoritmaları da yer alıyor; dilin görüntüsü dijital olarak analiz ediliyor ve insan gözünün fark edemeyeceği desenler araştırılıyor. Böylece eski teşhis yöntemi, modern teknolojinin araçlarıyla yeniden yorumlanıyor.

Küçük bir biyolojik harita

Dil, vücuttaki en zengin biyolojik bilgi kaynaklarından biri olarak kabul ediliyor. Kan dolaşımı, vücut hidrasyonu, ağız mikrobiyotası dengesi ve bazı sistemik hastalıklar hakkında ipuçları verebiliyor. Soluk bir renk anemiyle, aşırı kızarıklık iltihapla, beyaz veya sarı tabaka ise ağız mikrobiyotasındaki değişimlerle ilişkilendirilebiliyor.

Bu anlamda dil yalnızca konuşma ve tat alma organı değil, aynı zamanda içsel sağlık dengesini yansıtan bir pencere olarak değerlendiriliyor.

Mikrobiyom ve algoritmaların buluşması

Son yıllarda araştırmacılar, dili ağız mikrobiyotası ile ilişkili karmaşık bir ekosistem olarak ele alıyor. Bu yapı; diyabet, kalp hastalıkları ve metabolik bozukluklar gibi kronik hastalıklarla bağlantılı olabiliyor.

Karaciğer hastalıkları ve kronik rahatsızlıklar

Şarku’l Avsat’ın Chinese Medicine dergisinden aktardığı habere göre 2025 yılında yayımlanan bir çalışmada, Çinli araştırmacılar yapay zekâ ile dil görüntülerinin analiz edilmesinin ve mikrobiyom verileriyle birleştirilmesinin karaciğer fonksiyon bozukluklarıyla ilişkili örüntüleri tespit edebildiğini ortaya koydu.

gfbgf

Daha yeni bir gelişmede ise 2026 yılında araştırmacılar “dil yaşı” (Tongue Age) kavramını önerdi. Bu yaklaşım, dilin görünümü ile mikrobiyom yapısını birleştirerek biyolojik yaş ve kronik hastalık riskini tahmin etmeyi amaçlıyor.

Dil bir “öngörücü parmak izi”

Bu çalışmalar, dilin insan sağlığına dair yalnızca yüzeysel değil, öngörücü bir işaret taşıyabileceğini gösteriyor. Stanford Üniversitesi’nin yaptığı araştırmalar, tıbbi görüntüler ile biyolojik verilerin birleştirilmesinin, hastalıkların belirtiler ortaya çıkmadan yıllar önce tespit edilmesine olanak sağlayabileceğini ortaya koyuyor.

Burada algoritmalar klasik teşhis diliyle değil, gizli örüntülerin diliyle çalışıyor; daha önce fark edilmeyen bağlantıları ortaya çıkarıyor.

Gözlemden örüntüye

Geleneksel hekim ile yapay zekâ arasındaki temel fark, prensipten çok kapsamdır. Hekim tek bir işareti değerlendirirken, yapay zekâ aynı anda binlerce veriyi analiz eder ve bunlar arasındaki ilişkileri belirler.

Bu nedenle teşhis, sezgiye dayalı gözlemden veri temelli algoritmalara evrilmiştir.

Klinikten telefona: sürekli teşhis dönemi

Bu teknolojiler artık yalnızca laboratuvarlarla sınırlı değil. Dil analiz sistemleri akıllı telefonlara kadar entegre edilmeye başlamıştır. Böylece dil muayenesi, klinik bir işlem olmaktan çıkıp sürekli çalışan bir izleme sistemine dönüşebilir.

Bu durum teşhisin anlamını da değiştiriyor: artık tek seferlik bir işlem değil, sürekli bir süreç haline geliyor.

Bilginin sınırları ve yorumlama sorunu

Tüm bu ilerlemelere rağmen temel bir ayrım devam ediyor: “görmek” ile “anlamak” arasındaki fark. Yapay zekâ desenleri tespit edebilir, ancak bu desenlerin insan bağlamındaki anlamını kavrayamaz.

sdfrgt

Dil üzerindeki bir değişiklik hastalık belirtisi olabileceği gibi, beslenme veya geçici bir durumdan da kaynaklanabilir. Bu nedenle hekimin rolü hâlâ kritiktir: yalnızca işareti görmek değil, onu doğru bağlamda yorumlamak.

Mezopotamya’dan yapay zekâya

Mezopotamya hekimleri, bedenin gizli sinyaller verdiğini ve bunların okunması gerektiğini anlamıştı. Bugün yapay zekâ bu fikri daha geniş veri ve daha yüksek hassasiyetle yeniden canlandırıyor. Ancak temel soru değişmiyor: İşareti kim okuyor ve kim gerçekten anlıyor?

Sonuç: Henüz okumayı öğrenmediğimiz şey nedir?

Telefonların bile dil analizi yapabildiği bir çağda teşhis artık yalnızca kliniklerle sınırlı değil. Ancak bu gelişme daha derin bir soruyu gündeme getiriyor: Daha mı fazla görüyoruz, yoksa daha mı az anlıyoruz?

Dil, binlerce yıl önce olduğu gibi bugün de yalan söylemiyor. Ancak asıl mesele onun ne söylediği değil, bizim onu nasıl yorumladığımız. Bu nedenle soru artık “Dil bize ne söylüyor?” değil; “Algoritmalar onun içinde ne görüyor ve biz bunu nasıl okumayı öğreneceğiz?” haline geliyor.