GÜNCEL YAYIN Koruyucu Hekimlik, Yaşam Tarzı Tıbbı ve Hücresel Biyoloji
📅 16 Kasım 2026 · Bağımsız Editoryal Ağ
Dahiliye

Yaşlı Nüfuslarda Sarkopeni için Yorumlanabilir Dijital Çok Modallı Değerlendirmeler

✍️ Editör Masası • 📅 14 Kasım 2026 • ⏱️ 38 dk okuma
Yaşlı Nüfuslarda Sarkopeni için Yorumlanabilir Dijital Çok Modallı Değerlendirmeler

ÖZGEL ŞEKİLDE YAPILAN ARAŞTIRMA makalesi

Front. Digit. Health, 09 Kasım 2026

Sec. Kişiselleştirilmiş Tıp

Cilt 8 – 2026 | https://doi.org/10.3389/fdgth.2026.1950855

  • XM

    Xin Ma 1*

  • KZ

    Kehan Zou 1

  • JC

    Jiaming Chen 1

  • YZ

    Yafei Zhao 1

  • HZ

    Hanzhi Zhang 1

  • PY

    Ping Yang 1

  • XL

    Xiangkang Lai 1

  • VW

    Vivian W. Q. Lou 2,3

  • NX

    Ning Xi 1*

  • 1. Veri ve Sistem Mühendisliği Bölümü, Hong Kong Üniversitesi, Hong Kong, Hong Kong ÖYB, Çin

  • 2. Sosyal Hizmet ve Sosyal İdare Bölümü, Hong Kong Üniversitesi, Hong Kong, Hong Kong ÖYB, Çin

  • 3. Yaşlanma üzerine Sau Po Merkezi, Hong Kong Üniversitesi, Hong Kong, Hong Kong ÖYB, Çin

Makale ölçütleri

Görüntülemeler

İndirmeler

Özet

Arka plan:

Yaşlı Nüfuslarda Sarkopeni için Yorumlanabilir Dijital Çok Modallı Değerlendirmeler - Detaylı İnceleme ve Saha Gözlemi
Yaşlı Nüfuslarda Sarkopeni için Yorumlanabilir Dijital Çok Modallı Değerlendirmeler alanında yapılan saha araştırmaları ve doğal gözlem bulguları.

Sarkopeninin çok modallığı, yaşlı bireylerde değerlendirmesini zorlaştırmaktadır. Asya Sarkopeni Çalışma Grubu (AWGS) 2025 uzlaşıları, tanıyı eşzamanlı düşük kas kütlesi ve gücü gerektirerek kolaylaştırmakta ve klinik yararlılığı artırmaktadır. Bununla birlikte, nicel ve yorumlanabilir değerlendirmeler, iyi normalize edilmiş verilerin sınırlılığı ve çok modallık hizalamasındaki zorluklar nedeniyle kısıtlıdır.

Yöntem:

Bu çalışmada, sarkopeni değerlendirmesi için çok modallık algılama verilerini insan dinamiği modelleriyle birleştiren yorumlanabilir bir yapay zeka modeli olan üç seviyeli dengeleme değerlendirmesi (TLBass) tanıtılmaktadır. Model geliştirme ve doğrulama için Hong Kong’daki 355 yaşlı bireyden veri toplanmıştır.

Sonuçlar:

TLBass, iç veri setinde ikame değerlendirmeler için eğri altında alan (AUC) olarak 0.92 elde etmiştir. Yalnızca davranışsal temel modeli (SBA) dış doğrulamaya tabi tutulmuş ve dış klinik veri setinde bağımsız olarak 0.81 AUC elde ederek hızlı klinik tarama için potansiyelini desteklemiştir.

Sonuç:

TLBass, hızlı kas lifi özelliklerinin yerel işaretleri, azalan kas gücü ve bozulan denge dahil olmak üzere algılama verileri ile klinik sonuçlar arasında yorumlanabilir ilişkiler sundu. Bu bulgular, yorumlanabilir yapay zekanın kişiselleştirilmiş sarkopeni değerlendirmesini destekleme potansiyelini öne çıkarıyor.

1. Giriş

Sarkopeni, iskelet kütlesi ve fonksiyonundaki azalma ile karakterize, ileri yaşa özgü bir durum olup düşme riski gibi olumsuz sağlık sonuçlarıyla güçlü şekilde ilişkilidir (). Önemine rağmen, sarkopeni genellikle tanınmadan kalmakta ve standart klinik ortamlarda yetersiz yönetilmektedir (). Klinik entegrasyonundaki başlıca engel, sarkopeni için tanı araçlarındaki değişkenliğe, bu da sarkopeninin küresel yaygınlığında geniş bir çeşitliliğe yol açmaktadır (9,9%–40,4%) (–). Geleneksel olarak tanı, kas kütlesi, kas gücü ve fiziksel performansın değerlendirilmesini içermektedir (, , ). AWGS 2025 güncellemesinde (–) tanı algoritması basitleştirilmiştir—tanı için yalnızca düşük kas kütlesi ve gücü yeterlidir, fiziksel performans ise artık bir sonuç ölçütü olarak değerlendirilmektedir. Bu yaklaşım, sarkopeni değerlendirmelerinde klinik yararlılığı artırsa da, bazı hastalar niteliksel sonuçlara iyi yanıt vermeyebilmekte ve durumları hakkında düşük farkındalığa sahip olabilmektedir; bu durum belirtiler niceliksel olarak tanınmış olsaydı önlenebilirdi. Bu nedenle, sarkopeni değerlendirmeleri için yorumlanabilir ve niciesel yöntemler geliştirmek kritik önem taşımaktadır.

Bu arada nicel değerlendirmelerde karşılaşılan başlız zorluklardan biri, iyi normalize edilmiş verilerin kıtlığıdır (). Tek bir kesim noktasına dayanmak; boy ve kilu gibi bireysel farklılıkları dikkate almaya sıklıkla yetmez ve potansiyel olarak yanlış tanıya yol açabilir. Dijital sağlık teknolojileri, sarkopeninin nesnel değerlendirilmesinde yeni bir pencere sunar (). Sarkopeninin düşme riskini belirgin şekilde artırdığı göz önüne alındığında, denge performansını kas kütlesi ve gücüyle bütünleştiren algı teknolojileri geliştirmek doğal bir gelişmedir (). Biyomekanik temelli algı teknolojilerindeki son ilerlemeler, özellikle insan dinamiği modelleri (–) ile algı verilerinin (–) birleşimiyle eğitilen yapay zeka modelleri, buna bir çözüm sunar. Farklı olarak önceki fiziksel performans testleri (yürüme hızı, 5 kez sandalyeden kalkma ya da Zamanlı Kalk-Git test gibi, –), bu gelişmiş yapay zeka modelleri, biyolojik ilkeler temelli normalize etme stratejilerini kullanarak nesneliği artırır ve böylece bireysel farklılıkları daha etkili biçimde karşılar.

Sensör verileriyle eğitilen modeller, bu alanda yanıtları iyi şekilde öngörebilir ancak çok modlu hizalamada zorlanır. Sarkopeni araştırmalarında etkili değerlendirme, çok modlu analiz gerektirir (, , ); yine de tanıların sonuç ölçüleriyle hizalanması zor olmaya devam etmektedir (, ). Tıbbi yapay zekâdaki son gelişmeler, çok modlu modellerin geliştirilmesine yol açmış ve sarkopeni değerlendirmelerinde çok modlu analizi iyileştirmede önemli bir umut taşımaktadır. Bu modeller, büyük ve çeşitli veri kümeleri üzerinde önceden eğitilerek makine öğrenimi (ML) birleşimi yoluyla (, ) geniş bir aşağı yönlü görev yelpazesine uyarlanabilir. İnsan dinamiği yönlendirmeli normalleştirmelerle birleşen bu yapay zekâ yaklaşımları, sarkopeninin gelecekteki nicel ve yorumlanabilir değerlendirmeleri için dönüm noktası çözümleri olma potansiyeli taşımakta; böylece sarkopeniyle ilgili geniş bir çok modlu yelpazeyi sindirip birleştirecek ve yorumlayabilecektir. Ayrıca yorumlanabilirlik çoğu zaman yeterince ele alınmamakta ve bu da nüanslı ancak klinik açıdan önemli göstergelerin gözden kaçırılmasına yol açabilmektedir (). Sarkopeni bağlamında yorumlanabilirlik üç sonuç içerir: hızlı kas lifi özelliklerinin yerini alan belirteçler (–), kas gücü kaybı (–) ve denge yeteneğinde bozulma (, ). Bu nedenle amacımız, sarkopeninin nicel ve yorumlanabilir değerlendirmelerini mümkün kılacak bir çok modlu ML yöntemi geliştirmektir.

Bu çalışmada, insan dinamiği modelleri ile üç düzeyli dengelem değerlendirmeleri (TLBass) üzerinden kas kütüsü değerlendirmesi (MMA), kas gücü değerlendirmesi (MSA) ve durma dengesi değerlendirmesi (SBA) verilerini birleştiren çok modallı bir ML yöntemi öneriyoruz. Bu çerçevenin klinik vizyonu iki yönlüdür: yansıtıcı değerlendirmeler (TLBass) için kapsamlı, nicel ve çok modallı bir araç sağlamak ve yoğun gerçek klinik ortamlarda hızlı tarama için tek modallı, son derece verimli bir araç (SBA) türetmek. Kas sakopisini sınıflandırma doğruluğunun yanı sıra ilgili klinik sonuçlara ilişkin nicel öngörü performansını ve yorumlanabilirliğini sistematik olarak değerlendiriyoruz. Özellikle, lojistik regresyon (LR) uygulanarak MMA, MSA ve SBA olmak üzere üç temel model oluşturulur; bu modeller ardından optimize edilmiş bir ağırlıklandırma yaklaşımıyla birleştirilir (MMA, MSA ve SBA modellerinin ML ile önceden eğitilmesi, ardından çok modallı bir bütünleştirme işlevine eşdeğerdir) (Şekil 1a–c). Böylece kas sakopisi için sınıflandırma performansı önemli ölçüde artırılırken, temel modellerin yorumlanabilirliği ve nicel performansı da belirgin biçimde doğrulanır. Çalışmamızı mümkün kılmak için iki veri kümesi (iç ve dış) toplamda 355 yaşlı katılımcıyla topladık,如图 1d’de gösterildiği gibi. Bilgimiz çerçevesinde bu çok modallı veri kümesi, Hong Kong’daki yaşlılar için sakopisiyle ilgili sensör verilerinin iyi normalize edilmiş bir koleksiyonunu oluşturur. Değerlendirmemiz iki temel boyuta odaklanır: (1) kas sakopisinin sınıflandırılması (Şekil 1d); ve (2) klinik sonuçların nicel öngörüsü, özellikle hızlı kas lifi özelliklerinin yansıtıcı işaretleri (Şekil 1e), kas gücündeki azalma (Şekil 1f) ve denge yeteneğindeki bozulma (Şekil 1g). TLBass, iç veri kümesinde üstün sınıflandırma doğruluğu göstermiş ve dış veri kümesinde hızlı tespit sağlamıştır; ayrıca SBA temel modeli, bağımsız dış veri kümesinde hızlı ve standartlaşmış tespit sağlayarak yerleşik klinik kriterleri (,) aşmıştır. Buna ek olarak,

Temel modeller, üç klinik sonucu nicel olarak öngördü ve yerleşmiş yaşlanma araştırmalarıyla güçlü uyum göstererek öngörülebilirlik sundu. Son olarak, hem veri setlerini hem de TLBass çerçevesini kamuya açık hale getirerek, gelecekteki klinik araştırmalar için sağlam bir temel sağladık ve sarkopeni değerlendirmelerine dair daha kapsamlı çalışmalarında dijital algılama teknolojilerinin ve biyomekanik modellemenin entegrasyonunu ilerlettik.

Şekil 1

2 Yöntemler

2.1 Taban ölçümleri ve algoritmalar

Bu çalışmada, sarkopeni için taban tanı algoritması, AWGS 2025’e dayanıyordu (Ek Not 1 ve Ek Şekil 8). Kısa olarak, katılımcılar kas kütlesi ve kas gücü açısından düşük gösterdiklerinde, AWGS 2025 kılavuzları tarafından kesin biçimde tanımlandığı üzere sarkopenili olarak sınıflandırıldı. Katılımcılar, sınıflandırma görevinde sarkopeni için “1” ve sarkopeni olmayan için “0” olarak etiketlendi.

2.2 TLBass genel bakış

Şekil 1’de TLBass’ın oluşturulması ve uygulanmasının şematik bir özeti verilmiştir. TLBass’ı oluşturmak için önce üç farklı düzeyde temel modeller geliştirdik: MMA, MSA ve SBA (Şekil 1a–c). Fizyolojik düzeyde MMA modeli, TANITA MC780 vücut kompozisyonu analizörü ile ölçülen sol ve sağ kol ve bacakların apendiküler iskelet kütlesi (ASM) verileri üzerinde önceden eğitildi (Şekil 1a). İşlevsel düzeyde MSA modeli, Biodex System 3 Pro dinamometresi kullanılarak el kavrama gücü ve tek bir seçili eklem açısında (30°, 52° veya 73°) ölçülen pik izometrik diz ekstör gücü torku ile önceden eğitildi (Şekil 1b). Davranışsal düzeyde SBA modeli, denge sensörümüz ile kaydedilen ayakta basınç merkezini (CoP) izleyen trajektoriler üzerinde önceden eğitildi (Şekil 1c). Üç küme metriğin tümü, önceden eğitimden önce denge dinamikleri modelleri kullanılarak normalize edildi. Ardından, önceden eğitilen MMA, MSA ve SBA modelleri önerilen çok modallı birleştirmeyi oluşturmak için birleştirildi. Çok modallı önceden eğitim ve model birleştirmesinden sonra TLBass’ın çeşitli görevlerdeki yorumlanabilirliği değerlendirildi (Şekil 1d–g). Değerlendirme sonuçları hem dahili ayrı tutulan bir veri seti hem de tamamen bağımsız bir dış veri seti kullanarak sunuldu (Şekil 1d). Şekil 2a’da gösterildiği gibi TLBass’ın performansı ve verimliliği, üç önceden eğitilen temel model (MMA, MSA ve SBA) ile karşılaştırıldı; ayrıca geleneksel tek modallı klinik değerlendirmeler () ile karşılaştırıldı. Temel modeller, hızlı kas lifi özelliklerinin yerini alan işaretler, kas gücü kaybı ve denge bozukluğu gibi klinik sonuçların tahmini amacıyla uyarlandı (Şekil 1e–g). Model performansı, alıcı işletme eğrisi altında kalan alan (AUROC) kullanılarak nicellenmiştir. AURO’lar için güven aralıkları (95% GA) DeLong yöntemi kullanılarak hesaplanmıştır. Önemli olan, belirsizlik tahminlerinin tümü için istatistiksel birimin bireysel ölçümler veya türetilmiş özellikler değil, bireysel katılımcılar olmasıdır; bu da örneklem büyüklüklerinin ve resulting güven aralıklarının yapay olarak abartılmamasını sağlar. ROC arasındaki istatistiksel anlamlılık

eğrileri DeLong testi ile belirlendi.

Şekil 2

2.3 TLBass geliştirilmesi

Şekil 1a–c’de gösterildiği gibi, TLBass’ın geliştirilmesi dört ana aşamadan oluşuyordu: (1) üç seviyeli çok modallı ölçümler, yani ASM değerleri, maksimum izometrik diz ekstör kasılma momentleri ve CoP izlenimleri; (2) veri normalizasyonu, tüm algılama verileri denge dinamikleri modellerine göre normalizasyondan geçirildi; (3) çok modallı temel modellerin öncel eğitimi, üç seviyeli normalizasyonlu metrikler tek tek tek modallı eğitime verilerek üç temel model (MMA, MSA ve SBA) elde edildi; ve (4) çok modallı birleştirme, bu aşamada üç temel modelden gelen çıktılar birleştirilerek önerilen TLBass oluşturuldu.

Denge dinamikleri modelleri üzerinden veri normalizasyonunu çok modallı birleştirmeyle birleştiren TLBass, bireysel farklılıkların etkisini en aza indirmeyi ve üç seviyeli özellikleri etkili biçimde hizalamayı amaçlıyor. Klinik uygulamada çok modallı değerlendirmelerden tutarsız sonuçlar almak, heterojen eşik noktaları nedeniyle yaygındır (, , ). Bu sorunu çözmek için modelimiz, çok modallı değerlendirmelerin katkılarını dahil ederek sarkopeni için yapılan klinik değerlendirmeyi taklit edecek şekilde tasarlandı. Bu yaklaşım, modelin insan denge dinamiklerindeki bireysel farklılıklara olan bağımlılığını en aza indiriyor. Özellikle MMA ve MSA modellerinde üst ve alt ekstremite için ASM olmak üzere kas kütlesi metrikleri ve 73°, 52° ve 30°’de maksimum izometrik diz ekstör momentleri gibi kas gücü metrikleri, normalizasyon indeksi ile (

N

s) bölmek suretiyle normalizasyondan geçirildi. SBA modellemesi için, ayakta durma testleri sırasında elde edilen CoP izlenimi, öznel zamansal dinamikleri içeren CoG izlenimini elde etmek üzere IPM modeli ile normalizasyondan geçirildi. CoP- ve CoG tabanlı metriklerin ayrıntılı açıklamaları Ek Bilgi 3’te verilmiştir. Bu üç seviyeli normalizasyonlu metrikler sonrasında çok modallı temel modelleri eğitmek için kullanıldı. Lojistik regresyon (LR), bu temel modeller için temel sınıflandırıcı olarak iki temel nedenden dolayı bilinçli biçimde seçildi. İlk olarak, tıbbi veri setinin örneklem büyüklüğü (

N

 = 355), lojistik regresyon (LR) daha karmaşık makine öğrenmesi algoritmalarında içsel olarak bulunan aşırı uyum riskini azaltır. İkinci olarak LR, özdeşleştirilmiş özelliklerin sarkopeni risk tahminine nasıl katkıda olduğunu açık biçimde anlamayı sağlayarak derin sinir ağlarının “kutu kapalı” doğasından kaçınır. Veri seti rastgele eğitim seti (%70) ve test seti (%30) olarak ayrıldı. Olası veri sızmasını önlemek ve sağlam bir doğrulamayı güvence altına almak için, %30’luk test setinin kesin biçimde izole tutulduğu açıkça belirtilmiştir. Spesifik olarak test seti, özellik seçimi, özdeşleştirme kararları, model ayarlanması ve çok modallı birleştirme ağırlıklarının optimize edilmesi sırasında tamamen kullanılmadan korundu. Tüm özdeşleştirme parametreleri, hiperparametre ayarlanması ve ağırlık optimizasyonları yalnızca %70’lik eğitim seti içinde (dahili çapraz doğrulama kullanılarak) hesaplandı ve kesinleştirildi. Test seti yalnızca tamamen kilitli modelin nihai performans değerlendirmesinde kullanıldı. Eğitim verileri, model hiperparametrelerini tahmin etmek ve ayarlamak için on katmanlı çapraz doğrulama ile kullanılırken, test seti öngörü performansını bağımsız biçimde değerlendirdi (). Model karşılaştırmaları AUROC kullanılarak yapıldı.

Entegrasyon sürecinde hem yorumlanabilirliği hem de esnekliği artırmak için, ensemble TLBass mimarisi MMA, MSA ve SBA modellerinin ayrı ayrı eğitilmesini, ardından optimize ağırlıklarla birleştirilmesini kullanmıştır. Belirli bir çıkarım örneği x için, sırasıyla yerel olarak eğitilen MMA, MSA ve SBA modellerini F1, F2 ve F3 ile gösterelim. Ensemble değerlendirmesi (y = W1 × F1 + W2 × F2 + W3 × F3) olarak hesaplanmıştır; burada W1, W2 ve W3 birleştirme ağırlıklarını temsil eder ve bu ağırlıklar maksimum performans için doğrulama sırasında optimize edilip test sırasında uygulanmıştır. Önerilen TLBass’ta optimize ağırlıklar W1, W2 ve W3 sırasıyla 0.242, 0.414 ve 0.344 olarak belirlenmiştir. Ayrıca, bir yürüme modeli kullanılarak dinamik bir simülasyon çalışması yürütülmüş ve kalça, diz ve ayak bileği eklemlerinden elde edilen tork verileri analiz edilmiştir. Bu eklem torkları, insan dengeleme kapasitesinin nicel bir ölçüsünü sağlar ve tamamlama süresi analizinin yerine alternatif bir yaklaşım sunar.

2.4 Veri setlerinin açıklaması

2021 ile 2024 yılları arasında Hong Kong topluluğundan toplanan kapsamlı, çok modlu bir sarkopeni değerlendirmesi veri seti hazırlanmıştır. Veri setlerinin oluşturulması, Hong Kong Üniversitesi İnsan Araştırmaları Etik Kurulu’nun onayına (No. EA1903040) tabi tutulmuştur. Şekil 1d’de görüldüğü gibi çalışma, toplamda 355 yaşlı katılımcı içeren iki veri setinden (iç ve dış) oluşmaktadır. İç değerlendirmeler için laboratuvar ortamında 255 yaşlıdan (77 erkek ve 178 kadın, 14,9% sarkopeni yaygınlığı) çok modlu sarkopeni değerlendirmeleri toplanmış ve rastgele dört kurye (O, F, M ve B) içine ayrılmıştır. Özellikle Kurye O, sınıflandırma için hem eğitim hem de test kümesi olarak kullanılmıştır. Toplam 157 katılımcıdan (61,57%) oluşan kuryede, tüm katılımcılar hem önerilen TLBass hem de AWGS 2025 kriterlerini kullanarak sarkopeni değerlendirmesine tabi tutulmuştur. Buna karşılık F, M ve B kuryeleri, nicel ve yorumlanabilir tahmin çalışmalarının yapılabilmesi için bağımsız test amacıyla ayrılmıştır: Kurye F’deki 22 katılımcı (8,63%; Ek Tablo 1) hızlı kas lifi özelliklerinin yer işaretlerini araştıran bir çalışmaya; Kurye M’deki 39 katılımcı (15,29%; Ek Tablo 2) kas gücü azalması analizine; Kurye B’deki 37 katılımcı ise (14,51%; Ek Tablo 3) denge yeteneğine dair bir çalışmaya dahil olmuştur. Dış doğrulama için, Hong Kong’daki Tsan Yuk Hastanesinde toplanan Kurye C’den (100 yaşlı: 77 erkek ve 23 kadın, 21,0% sarkopeni yaygınlığı) gelen veriler, klinik ortamda hızlı tespit değerlendirmesi için kullanılmıştır. Veri setindeki tüm verilerin, antropometrik değişkenliği azaltmak ve bireysel biomekanik farkları azaltmak amacıyla insan denge dinamikleri modelleriyle normalize edildiğini belirtmek gerekir.

2.5 TLBass için Ölçümler

TLBass’ın önceden eğitimi ve doğrulaması, hem yerleşik temel kriterleri hem de yeni sunulan yöntemlerimizi içeren, eşleştirilmiş ve hizalanmış çok modlu veri setlerini gerektirir. Önceki çalışmalar temel kriterlere dayalı veri sağlamış olsa da, genellikle yüksek kaliteli çok modlu veri setlerinden yoksundur ve klinik ile araştırma protokollerinin arasında uyumsuzluklar sunabilir. Bu nedenle, bütünleştirme algoritmaları için kapsamlı klinik değerlendirmelerle üç seviyeli algılama verisi toplamanın kritik önemi vardır. Tüm katılımcılar yazılı bilgilendirilmiş onay verdi, görüntülerinin çekilmesini kabul etti ve katılımları için maddi tazminat aldı.

Genel performans çalışmalarında, kas kütlesi, kas gücü ve fiziksel performansın ölçülmesinde, özellikle insan denge yeteneklerine odaklanarak gelişmiş yüksek verimli araçlar kullandık. Spesifik olarak kas kütlesi, sol el, sağ el, sol bacak ve sağ bacak için ASM’nin nesnel ölçümlerini kaydeden vücut kompozisyonu analizörü (TANITA MC780) ile doğrudan nicelendirildi (Ek Figure 1a). Alt ekstremite gücünün, el kavrama gücüyle karşılaştırıldığında işlev için kritik bir rol oynadığından (Ek Figure 2a), kas gücünü kapsamlı şekilde değerlendirmek için hem el kavrama gücü hem de alt ekstremite kas gücü (System3 dinamometresi kullanılarak, Biodex Incorporated, Shirley, NY) değerlendirildi. Katılımcıların sağ diz eklemleri omuzlar, bacaklar ve karın bölgesi boyunca kayışlarla stabilize edildi ve MVC’ler üç açıda (30°, 52° ve 73°) gerçekleştirildi; her açıda tepe izometrik diz ekstansör momenti kaydedildi (Ek Figure 2b) ve testler arasında 2 dakikalık ara verildi. Fiziksel performans, geliştirilen denge sensörümüz kullanılarak değerlendirildi. Katılımcılar sensör taban kuvveti dağılımı videosu aracılığıyla CoP izini yakalarken en fazla 20 saniye boyunca stabil bir duruş sürdürdü. Bu CoP izleri ardından ağırlık merkezi (CoG) izlerinin ve CoG temelli metriklerin hesaplanmasında kullanıldı (Ek Not 3).

Cohort F’de hızlı kas lifi özelliklerinin yerini tutan belirteçleri incelemek için BIA kullanarak ASM, PhA, BMI, FFM ve SMI dahil kapsamlı antropometrik ve vücut kompozisyonu verileri elde ettik. LDS (BOJKE, Çin) kullanılarak FRT sırasında ayak bileği stratejisi ile maksimum ulaşım mesafeleri kaydedildi; katılımcılar ayak bileği eklemini harekete ederek vücutlarını uzattılar. Eşzamanlı olarak, dört alt uzuv kasından (BF, RF, GL ve TA) yüzeyel EMG sistemi [SMACQ USB 3130 kayıt kartı, SMACQ] ile 1.000 Hz örnekleme sıklığında aktivasyonlar kaydedildi; elektrotlar kasın merkezinin üzerine boyuna hizalanarak ve 2 cm elektrotlar arası mesafeyle yerleştirildi (). Cohort M’de kas gücü kaybı, diz ekstensiyonu ve fleksiyonunda 73° açıda ve ayak bileği ekstensiyonunda 90° açıda ölçülen pik izometrik tork ile değerlendirildi. Maksimum mesafeler, katılımcılar bir veya iki kollarını ileri uzatarak maksimum ulaşım mesafesini belirledikleri FRT sırasında kalça stratejisi ile kaydedildi. Cohort B’de denge yeteneği değerlendirilmek için 5 kez STS testi ve 4 metrelik yürüme testinin tamamlanma süreleri ölçüldü. Dinamik simülasyon analizi için ayrıca katılımcıların boyu, vücut ağırlığı ve diz ekstensörleri, diz fleksörleri ve ayak bileği ekstensörlerinin pik izometrik torkları kaydedildi.

2.6 Kas aktivasyonu ve EMG medyan frekansı

Kas aktivasyonu ve MF, kaydedilen yüzey EMG sinyallerinin analiziyle belirlenmiştir. Kas aktivasyonunun hesaplanması aşağıdaki üç adımı içerir (): (1) Filtreleme: ham EMG sinyalleri, hareket artefaktlarını ortadan kaldırmak için bant geçiren bir Butterworth filtresi (20–500 Hz) uygulanarak işlenmiştir; (2) Doğrusal zarf: kas aktivasyon deseni, tam dalık doğrultma ve 6 Hz’de düşük geçiren bir Butterworth filtresi kullanılarak çıkarılmıştır; ve (3) Genlik normalizasyonu: veriler, MVC denemelerinden elde edilen işlenmiş maksimum EMG değerlerine göre normalleştirilmiş ve sıfır ile bir arasında kas aktivasyon değerleri verilmiştir. EMG sinyalinin MF’si, FRT sırasında maksimum kuvvet çıktısının olduğu noktada 0,5 saniyelik örtüşen pencereye hızlı FFT uygulanarak hesaplanmıştır ().

2.7 Dengelenme dinamik modelleri aracılığıyla veri normalizasyonu

İnsan dengelenme modelleri, nicel değerlendirmelerimizde temel bir araç olarak hizmet etmiştir. İnsan dengelenme modellerinin uygulanmasıyla, üç seviyeli ölçümler sistematik olarak normalleştirilebilir ve sınırlı veri koşullarında ML modellemesine uygunlukları artırılır. Dolayısıyla insan dengelenme dinamik modeli kritik bir rol oynar. Önceki araştırmalarımıza (–) dayanarak iki temsilci dinamik modeli tanıttık: (1) FRT’ler için durma dengelenme modeli; ve (2) fiziksel performans analiz için yürüme modeli.

Durma dengelenmesini modellemek için, dengelenme dinamiklerini karakterize etmek amacıyla ters sarkaç modelini (IPM) kullandık. Durma dengelenme modeline (Ek Not 2’ye bakın) dayanarak, eklem torku u aşağıdaki gibi verilir (Denklem 1)

u

=

m

g

l

(

q

+

√

l

g

˙

q

)

(1)

(1)

Burada,

q

eklem durumudur,

m

vücut ağırlığını, ve

l

=

Z

C

o

G

boyutla ilişkili CoG’nin dikey yüksekliğini,

N

s

=

2

m

g

l

normalizasyon endeksini ifade eder. Yürüme modeli için, bipedal yürüme dinamiğini tanımladık, bu da (

) ile verilir:

M

(

q

)

q

¨

+

C

(

q

q

˙

)

q

˙

+

N

(

q

)

=

F

e

+

τ

(2)

(2)

burada

q

genelleştirilmiş koordinatların vektörüdür,

M

C

atalet ve Coriolis/merkezcil vektörlerdir,

N

yerçekimi kuvvetlerinin vektörüdür,

F

e

genelleştirilmiş kuvvetlerin vektörüdür,

τ

ise uyluk ve gövde kasları tarafından üretilen kontrol edilen torkların vektörüdür.

M

C

N

F

e

önceki çalışmalarımızda verilmiştir (–).

İnsan denge modelini geliştirdikten sonra, bireysel farkları minimize etmek için ölçülen metrikleri normalleştirdik. Hem MMA hem de MSA modellerinde, ölçülen metrikler doğrudan ilgili normalizasyon endeksiyle bölündü. SBA modeli için, CoP trajektorisi CoG’ye normalleştirildi, böylece CoG’den türetilen metrikler bireysel farklardan etkilenmeden denge yeteneğini temsil edebildi.

3 Bulgular

3.1 Sarkopeni sınıflandırması

TLBass’ın sarkopeni sınıflandırma yeteneğini hem iç hem de dış değerlendirmelerde inceledik (Şekil 2a). Tüm katılımcı etiketleri AWGS 2025 kriterlerine göre atandı. İç değerlendirme için TLBass genel olarak en iyi sınıflandırma performansını gösterdi; temel modeller ikinci sırada yer aldı (Şekiller 2b–d). Özellikle TLBass, AUROC değeri 0.92 [95% güven aralığı (GA): 0.877–0.962] ile MMA modelinden %8.2 (Şekil 2b ve Ek Şekil 1), MSA modelinden %8.2 (Şekil 2c ve Ek Şekil 2) ve SBA modelinden %12.2 (Şekil 2d ve Ek Şekil 3) daha iyi performans gösterdi. TLBass aynı zamanda geleneksel tek modallı klinik değerlendirmeleri de geride bıraktı: el gücü (Şekil 2c ve Ek Şekil 2) ve fiziksel performans için 4-metre yürüme ile 5 kez STS testleri (Şekil 2d ve Ek Şekiller 2b,g) (tümünde P < 0.001). Dış değerlendirme için SBA modeli yalnızca kullanılarak hızlı tanıma yeteneği incelendi. SBA, sarkopeni sınıflandırmada iki fiziksel performans değerlendirmesini (4-metre yürüme ve 5 kez STS) geride bıraktı ve 0.81 AUROC’ye ulaştı (95% GA: 0.770–0.849) (Şekil 2e ve Ek Şekil 4). Ayrıca SBA, kas kütlesi, kas gücü ve fiziksel performansın değerlendirilmesinde klinik tek modallı değerlendirmeleri de geride bıraktı (Şekil 2f ve Ek Şekil 4) (tümunde P < 0.001). Bu sonuçlar, çok modallı bir modelin eğitiminin yalnızca sarkopeninin standartlaştırılmış ve aktarılabilir bir sınıflandırmasını değil, aynı zamanda yeni katılımcılarda hızlı tanıma için kabul edilebilir bir performansı da sağladığını göstermektedir.

Yaşlı Nüfuslarda Sarkopeni için Yorumlanabilir Dijital Çok Modallı Değerlendirmeler - Karşılaştırmalı Süreç Analizi
Ekosistem döngüsü ve doğal süreçlerin pratik yansımaları.

Ayrıca önerilen dinamik temelli veri normalizasyonunun gerekli ve etkili olduğunu doğruladık. Normalleştirilmiş metrikleri kullanan temel modeller, tüm tek modallıklarda tutarlı şekilde en iyi performansı gösterdi. Örneğin, normalleştirilmiş metriklerle TLBass; MMA, MSA ve SBA modelleri için sırasıyla 0.85 (95% IG: 0.792–0.904), 0.85 (95% IG: 0.785–0.912) ve 0.82 (95% IG: 0.760–0.880) AUROC değerlerine ulaşırken, ham metriklerle bu değerler 0.66, 0.50 ve 0.65 olarak kaydedildi (Ek Figürler 1–3). Bu durum, temel model eğitiminde bireysel farklılıklar olduğunda dinamik temelli veri normalizasyon yaklaşımının avantajını öne çıkarmaktadır.

Özetle, çok modallıklı ML yöntemimiz sarkopeni değerlendirmeleri için etkili bir ML çerçevesi sunmaktadır. TLBass standartlaştırılmış sarkopeni sınıflandırmasını gösterirken, tek modallıklara dayalı temel modeller de önemli iyileşmeler göstermekte ve klinik ortamlarda hızlı tespiti olanaklı kılmaktadır. Bu ilerlemeler öncelikle eğitim öncesi aşamada dinikli temelli veri normalizasyonunun kullanımı ve etkili hizalama için ML birleştirme teknikleriyle sürülmektedir. Ayrıca, temel modellerin üstün performansı klinik sonuçların nicel tahminleri için temel oluşturmaktadır.

3.2. Hızlı kas lifi özelliklerinin gösterge işaretçileriyle ilişkiler

Elektrofizyolojik parametreler, örneğin EMG sinyallerinin medyan frekansı (MF), kas lifi bileşimi ve yaşa bağlı kas değişikliklerinin yerleşmiş dolaylı işaretçileridir. Yaşlanmayla birlikte ASM’deki kas gücü kaybının büyük ölçüde hızlı kas lifi özelliklerinin gösterge işaretçilerine atfedilmesi nedeniyle, bu fizyolojik özelliklerin kesit kesimi ilişkilerini nicel olarak tahmin etmek ve yorumlamak için eğitim öncesi MMA modelini kullanmayı amaçladık (Figürler 1e, 3a). Bu amaçla, ayak bileği stratejisini kullanan FRT ile entegre edilen biyoelektrik empedans analizi (BIA), faz açısı (PhA), ASM ölçümleri ve FRT’yi birleştiren bir protokol geliştirdik ve geçerliliğini doğruladık. MMA modeli, Cohort F’de maksimal FRT mesafesine karşılık gelen MFleri tahmin etmek için uygulandı (Ek Tablo 1).

Figür 3

ASM önemli ölçüde vücut ağırlığı ve boyundan etkilenmekte olduğundan (tüm P < 0.0001; Ek Şekiller 5a,b), değerlendirmeler öncesinde normalizasyon yapıldı. Ardından MMA modelinin yaş tahmini yeteneği (Şekiller 3b,c) ile PhA’ya (Şekiller 3d,e), sarkopeni araştırmalarında yaygın olarak kullanılan bir işaretçi karşılaştırıldı. MMA puanları yaşla pozitif ilişkiliydi (r = 0.56, P < 0.01; Şekil 3c), PhA ise anlamlı bir ilişki göstermedi (P > 0.1; Şekil 3d ve Ek Şekil 5c); bu da MMA modelinin PhA’ın yakalamadığı yaşla ilişkili özellikleri yakaladığını gösteriyor. Ayrıca MMA puanları ile PhA arasında minimal bir ilişki vardı (r = 0.14, P > 0.1; Şekil 3e) ve bu da onların ayrışan tahmin edici değerini pekiştirdi.

FRT sırasında gözlemlenen kas aktivasyon desenleri, duruş stratejilerine hangi kasların katkıda bulunduğuna dair önemli bilgiler vermektedir (Ek Şekil 5f). Yapılan ek analizler, bilateral BF kaslarının (r = 0.24, P = 0.02; Şekiller 3f,g) ve GL kaslarının (r = 0.25, P = 0.01; Şekiller 3h,i) hızlı kas lifleriyle ilişkili işaretlerle yaş tahmininde, TA ve RF kaslarına göre daha etkili olduğunu ortaya koydu (tüm P > 0.1; Ek Şekiller 5d,e). BF (P = 0.05; Şekil 3n) ve GL kaslarında (P < 0.05; Şekil 3k) gözlemlenen aktivasyonlar PhA ile anlamlı negatif ilişkiliyken, TA ve RF aktivasyonları zayıf ilişkiliydi (P > 0.5; Şekiller 3j,m). Buna ek olarak, bilateral BF ve GL kaslarında gözlemlenen aktivasyonlar aynı zamanda BMI, kitlelsiz kütle (FFM) ve iskelet kas indeksi (SMI) gibi temel fizyolojik parametrelerle de negatif ilişkiliydi (Şekiller 3l,o). Bu bulgular, FRT sırasında BF ve GL kaslarının aktivasyon desenlerinin, hızlı kas lifleriyle ilişkili yaşla ilişkili ayrışan işaretlerle uyumlu olduğunu gösteriyor.

Son olarak, MMA modelinin hızlı kas lifi özelliklerinin gösterge işaretlerini tahminindeki yararlılığı, BF ve GL’nin ölçülen MF’leri referans standart olarak kullanılarak doğrudan değerlendirildi. MMA modeli hem GL (r = 0,24, P = 0,02; Şekil 3p) hem de BF (r = 0,35, P = 0,01; Şekil 3q) için mütevazı düzeyde ilişkiler gösterdi ve artıklar gerçek değerlerin yakınında merkezleşti. Bu performans, ASM’nin normalleştirilmesinden (Ek Şekiller 5a,b ve “Yöntemler” bölümü) yararlanmaktadır. Karmaşık ölçüm prosedürleri içeren yerleşik MF göstergesine kıyasla, MMA modeli bu kas ile ilgili fizyolojik özellikleri tahmin etmek için verimli ve yorumlanabilir bir araç sunarak sarkopeninin değerlendirmesine değerli içgörüler sağlamaktadır.

3.3 Kas gücü özellikleriyle ilişkiler

Kas gücü kaybı, sarkopeninin temel bir özelliğidir (, ); ancak, temel güçteki belirgin bireysel farklılıklar, tek bir tanı eşığının kullanılması yanlış tanıya yol açabilir. Ayrıca, el kavrama testi () gibi standart değerlendirmeler, gerçek hareketliliği ve işlevsel kapasiteyi yansıtmada genellikle yeterince kesin değildir. Kas gücü kaybının nesnel olarak normalleştirilmesi ve belirlenmesi, yüksek riskli bireyler için robotik destek ve daha düşük riskli bireyler için özelleştirilmiş egzersiz programları gibi hedefli müdahalelerin tasarlanması açısından kritik önem taşımaktadır. Bu zorluğa yanıt olarak, dengeyle ilgili kas gücü özellikleriyle MSA modelinin ilişkisini, M kohortundan alınan veriler kullanarak (Ek Tablo 2) değerlendirdik ve kas gücü değerlendirmesi için standart olarak denge yeteneğini kullandık (–, ) (Şekil 4a).

Şekil 4

Yaklaşımımız, tek el ve çift el FRT’leriyle ölçülen kas gücü ve denge yeteneğini birleştirerek kapsamlı bir değerlendirme sunar. Yaşlanmanın maksimum FRT mesafesiyle ilişkili olduğu, ancak bu ilişkinin zayıf ve istatistiksel olarak anlamlı olmadığı bulundu (Şekil 4b; Ek Şekiller 6a,b). Benzer şekilde, tepe izometrik diz uzatma veya fleksyon momentleri yaşla anlamlı şekilde ilişkili değildi (Şekiller 4c,e ve Ek Şekiller 6c,d). Bireyler arasındaki belirgin farklar göz önüne alındığında, her iki tepe diz uzatma (P < 0.05; Şekil 4d) ve fleksyon momentinin (P < 0.05; Şekil 4f) vücut ağırlığı, boy ve bunların çarpımıyla anlamlı şekilde ilişkili olduğu bulundu. Bu altta yatan mekanizma, nesnel ve yorumlanabilir nicel analiz için kritik önem taşır ve “Yöntemler” bölümünde tanımlanan normalizasyonla uyumludur.

Ardından, MSA modelinin denge yeteneğiyle ilişkisini inceledik. MSA puanlarının maksimum FRT mesafeleriyle pozitif ilişkili olduğu bulundu (Şekiller 4g,h). Özellikle tek el FRT için, omuz boyuyla normalize edilen maksimum mesafeler MSA puanlarıyla orta düzeyde ilişkiliydi (diz fleksyon ve uzatmayı kullanan MSA için r = 0.27, P = 0.09; Şekil 4g). Çift el FRT için bu ilişkiler daha güçlü ve istatistiksel olarak anlamlıydı (diz fleksyonu kullanan MSA için r = 0.35, P = 0.03; diz uzatmayı kullanan MSA için r = 0.33, P = 0.04; Şekil 4h) ve çift el FRT’nin daha güvenilir bir den değerlendirme aracı olduğu yönündeki önceki bulguları destekledi. Bu sonuçlar, MSA puanlarının denge yeteneğiyle pozitif ilişkili olduğunu ve kas gücü kaybının nicel ölçümü olarak kullanılmasını desteklediğini gösteriyor.

Muskül gücü tahminini optimize etmek için, ayrıca maksimum diz ve ayak bileği torklarının boy, kilo ve bunların çarpımı ile normalize edilmesini inceledik. MSA modeli, dengeleme yeteneği ile en güçlü korelasyonları, diz ölçüleri boy ve kilonun çarpımı ile normalize edildiğinde gösterdi (P < 0.05; Şekil 4i’deki mavi ve gri pentagramlara bakınız), ayak bileği ölçüleri ise daha az bilgilendiriciydi (tüm P > 0.1; Şekil 4i’deki kırmızı etiketlere bakınız). Ayrıca model, tek elle yapılan FRT’ye göre çift elle yapılan FRT’de daha iyi performans gösterdi (Şekil 4i). Birikmiş yerel etki (ALE) () grafikleri kullanılarak yapılan ek analiz, daha yüksek normalize edilmiş diz fleksiyonu ve orta düzey diz ekstansiyonu torkuna sahip katılımcıların en yüksek MSA puanlarına sahip olduğunu ortaya koydu (Şekil 4j). Özetle, bu sonuçlar, MSA modelinin, özellikle uygun şekilde normalize edilmiş diz gücü ölçüleri kullanıldığında, kas gücü kaybıyla makul düzeyde ilişkilendirilen değerlendirmeler ve sarkopenili bireylerde dengeleme yeteneği değerlendirmeleri için yorumlanabilir ve klinik açıdan anlamlı bir araç sağladığını göstermektedir.

3.4 Dengesizlik Bozukluğu ile İlişkiler

İnsan dengesi değerlendirmesi, düşme önlemi için kritik önem taşır; ancak geleneksel fiziksel performans testleri () örneğin 4 metrelik yürüme ve 5 zamanlı oturma-kalkma (STS) testleri genellikle yalnızca niteliksel sonuçlar sunmakta ve bu da sarkopeninin tespitini ve farkındalığını sınırlayabilmektedir (–). Bu sınırı aşmak amacıyla, fiziksel performans sonuçlarını yorumlamak için daha niceliksel bir çerçeve geliştirdik ve bunu B Kohortu’ndan alınan verilerle kullandık (Şekil 5a, Ek Tablo 3). Spesifik olarak, yeni çerçevemiz, dinamik simülasyon analizi kullanarak geleneksel fiziksel performans testlerinin nicisel çıktısı hakkında içgörü sağlamakla kalmayıp, aynı zamanda SBA modeli kullanarak daha nesnel bir dengesizlik bozukluğu ölçüsünü de tahmin etmektedir.

Şekil 5

Tamamlanma sürelerine—ki bunların yaşla anlamlı bir ilişki göstermediği (P > 0.1; Şekil 5b ve Ek Şekiller 7a,b) göz önüne alınarak—fiziksel bozukluğu daha iyi ayırt edebilmek için eklem torklarına odaklandık. Torkta belirgin farkların olduğu durumlarda, eşik değerine dayalı sınıflandırma, katılımcıların denge yeteneğini daha uygun biçimde yansıttı. Gruplandırma, AWGS 2025 kesim değerine göre yapıldı. Doğrudan eklem torku ölçümü zor olduğundan, bu torkları dolaylı olarak tahmin etmek için her katılımcının fiziksel ölçümlerini kullanan kişiselleştirilmiş dinamik simülasyonlar kullandık (bkz. “Yöntemler”). 5- zamanlı STS simülasyonunda (Şekil 5c), 2. grup, tüm alt ekstremite eklemlerinde 1. gruba göre belirgin biçimde daha yüksek pik tork gösterdi (Şekil 5d). Benzer bir desen, özellikle bilek ekleminde, 4 metrelik yürüme testinde de gözlemlendi (Şekil 5e–g); bu da bu testlerin eklem bazlı bozukluk değerlendirmesi açısından önemini gösteriyor ve önceki bulgularla uyumlu (P > 0.1; Şekil 5b ve Ek Şekiller 7a,b).

SBA modelini doğrulamak için, simüle edilmiş pik torklarla olan ilişkisini inceledik. SBA puanları, 5 zamanlı STS’de diz torku (P = 0.04; Ek Formül 7c) ve 4 metrelik yürüyüşte ayak bileği torku (P = 0.03; Ek Formül 7e) ile anlamlı düzeyde korelasyon gösterdi. Bu sonuçlar, STS görevinin temelde diz gücüne, yürüyüşün ise daha çok ayak bileği işlevine dayandığını göstermektedir. Bir sınıflandırıcı olarak SBA modeli, 5 zamanlı STS için 0.68 ve 4 metrelik yürüyüş için 0.76 AUROC değerlerine ulaşarak yalnızca torka dayalı modelleri (diz için 0.68, ayak bileği için 0.5) geride bıraktı. Dikkat çeken bir diğer nokta ise SBA modeli ile tamamlama süresinin her iki yönle de simüle edilmiş pik tork ve ölçülen kas gücü ile negatif korelasyon göstermesidir (Figürler 5j,m). Genel olarak, önerilen dinamik simülasyon analizi, dengetsizliği geleneksel yalnızca tamamlama süresinden daha iyi yansıtsa da, SBA modeli insan dengetsizliğini nicelendirme konusunda her iki yöntemi de geride bıraktı. Bu klinik açıdan önemlidir, çünkü 4 metrelik yürüyüş ve 5 zamanlı STS testleri sırasında eklem torklarının doğrudan ölçümü doğası gereği zordur. SBA modeli, bu ortamlarda fiziksel bozukluğun nicelendirilmesi için yeni, verimli ve nesnel bir yöntem sunarak, dengenin nicel ve yorumlanabilir biçimde tahmin edilmesini desteklemektedir.

4 Tartışma

Bu çalışma, sarcopenia değerlendirmesi için yeni bir çoklu modallı ML yöntemi olan TLBass’ı sunmakta; hem değerlendirme doğruluğu hem de klinik uygulanabilirlik açısından mevcut yaklaşımlara göre anlamlı ilerlemeler göstermektedir. Yapay zeka tabanlı üç temel modelin (MMA, MSA ve SBA) birleştirilmesini kullanan TLBass, kas kütlesi, kas gücü ve denge performansını içeren çeşitli algılama verileriyle insan dinamikleri bilgisini verimli biçimde birleştirmektedir. Bu yaklaşım, algılama verilerindeki bireysel farklılıkların zorlukları ile geleneksel niteliksel değerlendirme yöntemlerinin eksiklikleriyle başa çıkmaktadır.

TLBass’ın elde ettiği performans, büyük ölçüde üç düzeyli algılama verilerini (–) ön eğitim için bütünleştirme yeteneğine dayanıyor; bu da önceki ölçümlerden (, ) çok daha nesnel ve doğru. Tek modallığa veya nitel skorlamaya dayanan geleneksel kriterlerin (, , ) aksine TLBass, son derece heterojen ve eşleşmeyen denge verilerini (–) hizalar ve bütünleştirir. Bu yaklaşım, tek modallıklı analizlerin genellikle kaçırdiği gizli özellikleri yakalar ve sarkopeni için kapsamlı, nesnel bir karakterizasyon sağlar (). Figure 2’de TLBass’ın sınıflandırmada AUROC 0.92 ile birinci geldiğini, ardından temel modelleri (MMA, MSA ve SBA) aldığını gözlemledik. TLBass modelinin kas kütlesi ve güce ilişkin bileşenleri içermesi nedeniyle, yüksek iç AUC’sinin, tamamen bağımsız bir tanısal doğrulama yerine, AWGS kriterleriyle güçlü matematiksel ve klinik uyumunu yansıttığını belirtmek önemlidir. Bunun yerine TLBass, bu temel yapıların değerlendirilmesinde otomatik, nicel bir yer tutucu işlevi görür. Bu sonuçlar, çeşitli kriterler arasındaki tanısal doğrulama farklarına dair artan literatüre katkıda bulunur ve çok modallıklı hizalamanın tanısal doğrulamayı artırabileceğine dair kanıt sunar. Geleceğe bakıldığında, çok modallıklı bütünleştirme yaklaşımımızın, sarkopeni değerlendirmelerinin klinik bütünleşmesini şu anda engelleyen araç değişkenliğini aşması bekleniyor ().

Sarkopeni değerlendirmelerinde önerilen yaklaşımın temel başarılarından biri, bireysel farklılıkların ölçülen sonuçlar üzerindeki etkisini ele almaktır. Örneğin, kas kütlesi ve gücü değerlendirmeleri, boy ve kilodaki bireysel farklılıklar hesaba katıldığında anlamlı derecede tutarsız sonuçlar verebilmektedir. Bu çalışmada temel sonuçlar olarak, sarkopeni sınıflandırması için fiziksel performans tanısal AUROK değerlerinin 4 metrelik yürüme testinde 0.64, 5 zamanlı oturma-kalkma (STS) testinde 0.63 olduğu gözlemlenmiş, bu da iyileşme için alan bırakmaktadır. Benzer şekilde, dengeleme yeteneği karşılaştırılabilir katılımcılar arasında, daha uzun boylu bireylerin merkez ağırlığı (CoP) izinde daha büyük bir genliğe sahip olma eğilimi gösterirken, daha yüksek beden ağırlığına sahip olanların daha az bir CoP yayılımı sergilediği görülmüştür. TLBass bu sorunu, önce tek modallık ön eğitim aşamasında метrikleri normalize ederek, ardından daha ince ayar ve hizalama için çok modallık birleştirmeyi kullanarak çözer. Bu yaklaşım, tüm temel modellerde tanısal doğrulukta kayda değer artışlar gösterilmesiyle ortaya çıkan, içsel hataları en aza indirir ve nicel değerlendirmelerin güvenilirliğini artırır; MMA modelinde 28.8% (Ek Bilgi Şekil 1e), MSA modelinde 70% (Ek Bilgi Şekil 2h) ve SBA modelinde 26.2% (Ek Bilgi Şekil 3g) artışlar şeklinde ortaya çıkmıştır. Böylece önerilen yöntem, bireysel farklılıkları azaltmada standart normalize etmeyi sağlar.

Hızlı kas lifi özelliklerinin dolaylı işaretleri (–), kas gücünün azalması (–) ve denge bozukluğu (, ) gibi temel faktörlerin nicel değerlendirmesi, yaşlı bireylerde sarkopeninin anlaşılmasında başka bir ilerlemeyi temsil etmektedir. Ancak, çok modlu veri toplamanın yüksek maliyeti ile klinik ve araştırma protokolleri arasındaki tutarsızlıklar nedeniyle bu yönler genellikle klinik uygulamada göz ardı edilmektedir (, ). Bu çalışmada, önceden eğitilmiş temel modellerimizin bu sonuçlarla düşük orta düzeyde orta düzeyde ilişkiler gösterdiğini ve PhA kas lifi özelliklerinin dolaylı bir işareti olarak (), kas gücü için el kavrama gücü () ve denge için fiziksel testler () dahil olmak üzere geleneksel klinik biyomarkerları önemli ölçüde aştığını gösteriyoruz. Ayrıca, kişiselleştirilmiş dinamik simülasyon kullanarak yaklaşımımız, etkilenen spesifik kasları veya eklemleri nesnel olarak belirleyebilir (Şekil 5h,k ve Ek Şekiller 7c,e) ve bireyselleştirilmiş bakım için uygulanabilir içgörüler sağlayabilir. Geleneksel nitel değerlendirmelerin aksine (, –), yöntemimiz kapsamlı ve nicel bir kas-iskelet değerlendirmesi gerçekleştirebilir ve kişiseltirilmiş sarkopeni yönetiminin ilerletilmesinde güçlü bir potansiyel olduğunu vurgulamaktadır.

TLBass sonuçları umut verici olsa da, Hong Kong’dan 355 katılımcıdan oluşan nispeten küçük bir kohortu ve kapsamlı testler nedeniyle dört yıl içinde toplanan verileri temel almaktadır. Ayrıca, dahili ve harici kohortlarımız arasındaki cinsiyet dağılımı açısından önemli bir fark bulunmaktadır; dahili veri seti büyük ölçüde kadın, harici kohort ise büyük ölçüde erkektir. Bu tutarsızlık, SBA modelinin taşınabilirliğini olası olarak etkileyebilir, çünkü kas dağılımı, yürüyüş ve biyomekanik alanındaki cinsiyete özgü farklar, davranışsal tarama özelliklerinin en iyi kalibrasyonunu etkileyebilir. Buna rağmen, bu belirgin demografik değişime rağmen SBA modelinin kabul edilebilir bir harici AUROC değeri olan 0.81’i koruduğunu belirtiyoruz. Bu da çerçevemiz tarafından çıkarılan temel davranışsal özelliklerin belirgin düzeyde cinsiyet ötesi genellenme özelliğine sahip olduğunu göstermektedir. Yine de, modelin farklı nüfuslar arasındaki taşınabilirliğini tam olarak değerlendirmek ve geliştirmek için daha büyük, cinsiyet dengeli kohortları kullanan gelecekteki çalışmalar gerekmektedir. Ayrıca, F, M ve B kohortlarını içeren analizlerin nispeten küçük örneklem büyüklüklerine dayanması ve çoklu korelasyon testleri içermesi önemlidir. Bu nedenle, bu sonuçların açıkça keşif amaçlı olduğu ve hipotez üreten kanıt olarak değerlendirilmesi gerektiği vurgulanmalıdır; nominal

P

-değerleri dikkatle yorumlanmalıdır. Buna rağmen veri normalizasyonu güçlü istatistiksel anlamlılık sağlamıştır. Önemli olan, TLBass’ın nesnel çoklu modalli sarkopeni değerlendirmesini mümkün kılmasıdır; ancak yoğun, gerçek dünya klinik ortamları olan Tsan Yuk Hastanesi gibi yerlerde tam ölçekli üç seviyeli verinin (EMG, dinamometre ve vücut kompozisyonu) elde edilmesi zaman alıcı ve yoğun kaynak gerektirir. Bu sorunu çözmek için davranışsal temel modelimizi (SBA), profesyonel yardım gerektirmeyen, hızlı, 20 saniyelik bir tarama aracı olarak dış kohortta geçerliliğini özellikle test ettik. Dış geçerlilik için 0.81 AUROC elde ettik. Bu, SBA’ın hızlı klinik taramadaki faydasını göstermekle birlikte, mevcut çalışmanın tam çoklu modalli TLBass modelinin henüz dış geçerliliğinin test edilmemiş olması bir sınırlama olduğunu kabul ediyoruz. Bununla birlikte, daha büyük, çok merkezli ve daha çeşitli popülasyonlarda daha fazla geçerlilik gereklidir. Ayrıca, bu çalışmada en güncel AWGS 2025 kriterleri kullanılmış olup, bu kriterler Asian kohortumuz için son derece uygundur; ancak sarkopeni tanı eşikleri küresel düzeyde değişmektedir. Gelecekteki çok merkezli çalışmalar, TLBass çerçevesinin küresel genelleyebilirliliğini ortaya koymak için diğer uluslararası konsensüs tanımları, örneğin Avrupa EWGSOP2 kriterleriyle karşılaştırmalı olarak geçerliliğini test etmelidir. Gelecekteki çalışmalar, ayrıca bu çalışmada tek modallı şikayetlerin tanısında bulunan olası sistematik hataları en aza indirmek için moleküler düzeydeki özellikleri (, , ) dahil etmek üzere değerlendirme algoritmalarını iyileştirmeye odaklanmalıdır. Çalışmamız, kapsamlı değerlendirmeyi mümkün kımanın ötesinde, aynı zamanda hızlı bir tarama çözümü de sunan, verimli, nicel ve ölçeklenebilir bir sarkopeni değerlendirme çerçevesi ortaya koymaktadır.

Açıklamalar

Veri erişilebilirliği açıklaması

Bu çalışmanın bulgularını destekleyen tüm veriler makale ve Ek Bilgiler dosyaları içinde mevcuttur. Ek bilgiler talepleri ilgili yazarlara yöneltilebilir ve makul bir talep üzerine karşılanacaktır. Kaynak veriler bu makaleyle sağlanmıştır.

Etik açıklaması

Veri setlerinin oluşturulması, Hong Kong Üniversitesi İnsan Araştırmaları Etik Kurulu’nun onayına (No. EA1903040) sunulmuştur. Çalışmalar, yerel mevzuat ve kurumsal gerekliliklere uygun olarak yürütülmüştür. Katılımcılar, çalışmaya katılmaya ilişkin yazılı bilgili onayı vermiştir. Makaleye dahil edilen herhangi bir potansiyel olarak tanımlanabilir görüntü veya verinin yayımlanması için ilgili kişi(ler)den yazılı bilgili onay alınmıştır.

Yazar katkıları

XM: Kavramsal tasarım, Metodoloji, İlk yazım, İnceleme ve düzenleme. KZ: Metodoloji, Görselleştirme, İnceleme ve düzenleme. JC: Metodoloji, Görselleştirme, İnceleme ve düzenleme. YZ: Soruşturma, İnceleme ve düzenleme. HZ: Soruşturma, İnceleme ve düzenleme. PY: Soruşturma, İnceleme ve düzenleme. XL: Soruşturma, İnceleme ve düzenleme. VWQL: Yönetim, İnceleme ve düzenleme. NX: Kavramsal tasarım, Finansman edinme, Yönetim, İnceleme ve düzenleme.

Finansman

Yazar(lar), bu çalışma ve/veya yayımlanması için finansal destek alındığını bildirmiştir. Bu çalışma, Çin Hong Kong Özel İdari Bölge Araştırmalar Grantları Konseyi (Projeler No. T42-717/20-R ve 17210323), Çin Hong Kong Özel İdari Bölge Hong Kong Üniversitesi Araştırmalar Kurulu (2501251194 No’lu Grant), Daha İyi Yaşam için Yenilik ve Teknoloji Fonu (Proje No. ITB/FBL/4018/21/P) ve Shenzhen Bilim ve Teknoloji Programı (No. KJZD20240903102759061) tarafından desteklenmiştir.

Çıkar çatışması

Yazar(lar), bu çalışmanın herhangi bir ticari veya finansal ilişki olmadan, potansiyel bir çıkar çatışması olarak değerlendirilebilecek herhangi bir durumun dışında yürütüldüğünü bildirmiştir.

Üretken yapay zeka beyanı

Yazar(lar), bu el yazısının oluşturulmasında üretken yapay zekanın kullanılmadığını bildirmiştir.

Bu makalede figürlerle birlikte sağlanan alternatif metinler (alt text) Frontiers tarafından yapay zekânın desteğiyle oluşturulmuş olup, mümkün olduğunca yazarların da katkısıyla doğruluğun sağlanması için makul çabalar gösterilmiştir. Herhangi bir sorunu tespit etmeniz halinde lütfen bizimle iletişime geçin.

Yayıncının notu

Bu makalede ifade edilen tüm iddialar yalnızca yazarların görüşlerini yansıtır ve bağlı oldukları kuruluşların, yayıncının, editörlerin ya da hakemlerin görüşlerini zorunlu olarak temsil etmez. Bu makalede değerlendirilen herhangi bir ürün ya da üreticisinin yapabileceği herhangi bir iddia, yayıncı tarafından garanti edilmez ya da desteklenmez.

Ekleme materiali

Bu makalenin ekleme malzemesi çevrimiçi olarak şu adreste bulunabilir: https://www.frontiersin.org/articles/10.3389/fdgth.2026.1950855/full#supplementary-material

EK NOT 1

AWGS 2025 uzlaşılarına dayanan sarkopeni için temel tanı algoritması ve sınıflandırma kuralları.

EK NOT 2

Dur dengesi (ters sarkaç) modelinin türetimi, eklem torku denklemi ve normalleştirme indeksini içeren.

EK NOT 3

Basınç merkezi (CoP) ve ağırlık merkezi (CoG) tabanlı ölçütlerin tanımları ve hesaplanması.

EK FİGÜR 1

Kas kütüsü değerlendirmesi (MMA): vücut kompozisyonu analizörü ile ekstremit iskelet kas kütüsünün (ASM) ölçüm bölgeleri ve MMA modelinin normalleştirilmiş ile ham ölçütler karşılaştırıldığında sınıflandırma performansı.

EK FİGÜR 2

Kas gücü değerlendirmesi (MSA): el gücü ile alt ekstremite gücü, MVC ölçüm kurulumu ve MSA modelinin sınıflandırma performansı.

EK FİGÜR 3

Dur dengesi değerlendirmesi (SBA): SBA modelinin sınıflandırma performansı; 4 metrelik yürüme ve 5 zamanlı oturma-kalkma (STS) testleriyle karşılaştırmaları ve normalleştirilmiş ile ham ölçütleri içeren.

EK FİGÜR 4

Dış validasyon: SBA modelinin sınıflandırma performansının, dış kohorttaki klinik tek modallı değerlendirmelerle karşılaştırılması.

EK FİGÜR 5

ASM’nin vücut ağırlığı ve boyuyla ilişkileri (a, b), yaş grubuna göre PhA, TA ve RF kaslarının kas aktivasyonu ve orta frekansı (d, e) ve fonksiyonel ulaşma testinde temsilci kas aktivasyonu desenleri (f).

SUPPLEMENTARY FIGURE 6

Maksimum fonksiyonel ulaşma testi (FRT) mesafesi (a, b) ve tepe izometrik diz fleksiyon/extansiyon momentleriyle (c, d) yaş arasındaki ilişkiler.

SUPPLEMENTARY FIGURE 7

SBA modeli ile simüle edilmiş eklem momentleri arasındaki ilişkiler: yaşa göre tamamlanma süreleri (a, b), 5 kez STS’de tepe diz momenti ve 4 m yürüme testinde tepe ayak bileği momenti ile SBA skorları (c ve e) ve SBA modelinin sınıflandırma performansı (d, f).

SUPPLEMENTARY FIGURE 8

Sarkopeni için AWGS 2025 tanı algoritmasının akış diyagramı.

SUPPLEMENTARY TABLE 1

Cohort F’deki (hızlı kas lifi özellikleri çalışması) katılımcıların temel özellikleri.

SUPPLEMENTARY TABLE 2

Cohort M’deki (kas gücü kaybı çalışması) katılımcıların temel özellikleri.

SUPPLEMENTARY TABLE 3

Cohort B’deki (denge yeteneği çalışması) katılımcıların temel özellikleri.

  • 1.

    Cruz-JentoftAJBaeyensJPBauerJMBoorieYCederholmTLandiFet al. Sarcopenia: European consensus on definition and diagnosis. Age Ageing. (2010) 39(4):412–23. 10.1093/ageing/afq034

  • 2.

    ChenL-KWooJAssantachaiPAuyeungT-WChouM-YIijimaKet al. Asian working group for sarcopenia: 2019 consensus update on sarcopenia diagnosis and treatment. J Am Med Dir Assoc. (2020) 21(3):300–7.e2. 10.1016/j.jamda.2019.12.012

  • 3.

    EvansWJGuralnikJCawthonPApplebyJLandiFClarkeLet al. Sarcopenia: no consensus, no diagnostic criteria, and no approved indication—how did we get here?Geroscience. (2024) 46(1):183–90. 10.1007/s11357-023-01016-9

  • 4.

    Cruz-Jentoft AJ, Landi FS, Schneider SM, Zuniga CA, Rai H, Boirie Y ve diğerleri. Yaşlanan yetişkinlerde sarkopeninin yaygınlığı ve müdahaleleri: uluslararası sarkopeni girişiminin raporu (EWGSOP ve IWGS). Age Ageing. (2014) 43(6):748–59. 10.1093/ageing/afu115

  • 5.

    Mayhew AJ, Amo K, Phillips S, Parise G, McNicholas PD, De Souza RJ ve diğerleri. Topluma ait yaşayan yaşlılarda sarkopeninin yaygınlığı: çalışmalar arasındaki ve tanımlar arasındaki farkların incelenmesi: sistematik derleme ve meta-analiz. Age Ageing. (2019) 48(1):48–56. 10.1093/ageing/afy106

  • 6.

    Cruz-Jentoft AJ, Bahat G, Bauer J, Boirie Y, Bruyère O, Cederholm T ve diğerleri. Sarkopeni: tanım ve tanı için revize edilmiş Avrupa uzlaşı raporu. Age Ageing. (2019) 48(1):16–31. 10.1093/ageing/afz046

  • 7.

    Bhasin S, Travison TG, Manini TM, Patel S, Pencina K, Fielding RA ve diğerleri. Sarkopeni tanımı: sarkopeni tanımı ve sonuçlar konsorsiyumunun durum açıklamaları. J Am Geriatr Soc. (2020) 68(7):1410–8. 10.1111/jgs.16372

  • 8.

    Chen L-K, Hsiao F-Y, Akishita M, Assantachai P, Lee W-J, Lim W-S ve diğerleri. Asya Sarkopeni Çalışma Grubu’nun 2025 uzlaşı güncellemesi: sarkopeniden kas sağlığına kayan odak. Nat Aging. (2025) 5:2164–75. 10.1038/s43587-025-01004-y

  • 9.

    Lai Y, Ramírez-Pardo I, Seren J, An J, Perdiguero E, Serrano A ve diğerleri. Yaşlanan insan iskelet kasının çok modüllü hücre atlası. Nature. (2024) 629(8010):154–64. 10.1038/s41586-024-07348-6

  • 10.

    Mehta SP, Bremer H, Fleghaar J, Ramey A. The star excursion balance test. Crit Rev Phys Rehabil Med. (2018) 30(2):137–9. 10.1615/CritRevPhysRehabilMed.2018026179

  • 11.

    Alonso AC, Luna NM, Mochizuki L, Barbieri F, Santos S, Reve JM. The influence of anthropometric factors on postural balance: the relationship between body composition and posturographic measurements in young adults. Clinics. (2012) 67(12):1433–41. 10.6061/clinics/2012(12)14

  • 12.

    Błaszczyk JW, Cieślinska-Świder J, Plewa M, Zahorska-Markiewicz B, Markiewicz A. Effects of excessive body weight on postural control. J Biomech. (2009) 42(9):1295–300. 10.1016/j.jbiomech.2009.03.006

  • 13.

    Paillard T. Relationship between muscle function, muscle typology and postural performance according to different postural conditions in young and older adults. Front Physiol. (2017) 8:585. 10.3389/fphys.2017.00585

  • 14.

    Yu X, Hou L, Guo J, Wang Y, Han P, Fu L, et al. Combined effect of osteoporosis and poor dynamic balance on the incidence of sarcopenia in elderly Chinese community suburban-dwelling individuals. J Nutr Health Aging. (2020) 24(1):71–7. 10.1007/s12603-019-1295-6

  • 15.

    Gadelha AB, Neri SG, Oliveira RJ, Bottaro M, David A, Vainshelboim B, et al. Severity of sarcopenia is associated with postural balance and risk of falls in community-dwelling older women. Exp Aging Res. (2018) 44(3):258–69. 10.1080/0361073X.2018.1449591

  • 16.

    Olsson F, Halvorsen K, Åberg A. Nöromüsküler kontrol modelleri ile yaşlı bireylerde dik duruş dengesinin nicellenmesi: sistematik derleme. IEEE Rev Biomed Eng. (2023) 16:560–78. 10.1109/RBME.2021.3057673

  • 17.

    Ren P, Huang S, Feng Y, Chen J, Wang Q, Guo Y ve ark. Dengenin kontrol alt sistemlerinin yapay zeka ile değerlendirmesi. IEEE Trans Neural Syst Rehabil Eng. (2020) 28(3):658–68. 10.1109/TNSRE.2020.2966784

  • 18.

    Ma X, Xu J, Fang H, Lv Y, Zhang X. Alt ekstremite protezinin yürüyüş koordinasyonu için uyumlu nöral kontrol. Int J Mech Sci. (2022) 215:106942. 10.1016/j.ijmecsci.2021.106942

  • 19.

    Ma X, Xu J, Zhang X. Rastlantısal pürüzlü zeminde protezle yürüme için çift yönlü kısıtlı kontrol. Int J Mech Sci. (2023) 239:107896. 10.1016/j.ijmecsci.2022.107896

  • 20.

    Ma X, Zhang X, Fang H, Xu J. Yürüyüş koordinasyonuna yaklaşım: kasıtlı gecikmeli, rastlantısal protez-insan uyumunun uyumlu belirsiz sınırlı zamanlı kontrolü. IEEE Trans Fuzzy Syst. (2023) 31(11):3881–95. 10.1109/TFUZZ.2023.3270707

  • 21.

    QuijouxF, Nicolaï A, Chairi I, Bargiotas I, Ricard D, Elnik A ve ark. Yaşlı bireylerde dik duruş dengesini nicellemeye yönelik basınç merkezi (COP) değişkenlerine dair bir derleme: algoritmalar ve açık erişimli kod*. Physiol Rep. (2021) 9(22):1–32. 10.14814/phy2.15067

  • 22.

    Chen J, Wang S, Tian Y, Yuan W, Xi N. İnsan dengelenmesini ölçmeye dayalı içki alımı seviyesi tespiti. In: 2022 12th International Conference on CYBER Technology in Automation, Control, and Intelligent Systems (CYBER).IEEE (2022). s. 1015–9. 10.1109/CYBER55403.2022.9907241

  • 23.

    Wang S, Xi N. Transfer öğrenme kullanılarak dokunsal sensörlerin kalibrasyonu. IEEE Sens J. (2021) 21(2):2003–12. 10.1109/JSEN.2020.3020573

  • 24.

    Shim D, Park D, Yoo B, Choi J-H, Hong J, Choi T ve ark. Kuvvet plakaları kullanılarak basınç merkezini ölçerek serebral paralizide oturma ve ayakta durma postural dengeninin değerlendirilmesi: klinik ölçümlerle karşılaştırma. Gait Posture. (2022) 92:110–5. 10.1016/j.gaitpost.2021.11.024

  • 25.

    Rowald A,omi S, Demesmaeker R, Baaklini E, Hernandez-Charpak SD, Paoles E ve ark. Aktiviteye bağlı omurilik soğan modülasyonu tam felçten sonra gövde ve bacak motor fonksiyonlarını hızlı biçimde geri kazandırır. Nat Med. (2022) 28(2):260–71. 10.1038/s41591-021-01663-5

  • 26.

    Wang Z, Zhou Y, Zeng X, Zhou Y, Yang T, Hu K. Diz osteoartriti olan yaşlı Çinli hastalarda sarkopeni için açıklanabilir makine öğrenmesine dayalı bir tahmin modeli. Aging Clin Exp Res. (2025) 37(1):67. 10.1007/s40520-025-02931-x

  • 27.

    Omaña H, Bezaire K, Brady K, Davies J, Louwagie N, Power S ve ark. Yaşlı yetişkinlerde düşme riskinin tahmini için fonksiyonel ulaşma testi, tek ayak üzerinde durma testi ve Tinetti yönelimli hareket değerlendirmesi: sistematik derleme. Phys Ther. (2021) 101(10):1–18. 10.1093/ptj/pzab173

  • 28.

    Auyeung TW, Rai H, Chen LK, Woo J. 26.344 yaşlı yetişkinde el kavrama gücü normatif verileri: Asya’dan sekiz kohorttan birleştirilmiş veri seti. J Nutr Health Aging. (2020) 24(1):125–6. 10.1007/s12603-019-1287-6

  • 29.

    Wu Y, Liu Y, Yang Y, Yao M, Yang W, Shi X ve ark. Çoklu veri kullanarak koroid neoplazmalarının tanısı için kavram tabanlı yorumlanabilir model. Nat Commun. (2025) 16(1):3504. 10.1038/s41467-025-58801-7

  • 30.

    Niu C, Yu Q, Carothers CD, Kaviani P, Tan J, Yan P ve ark. Akciğer kanseri taraması için tıbbi çoklu görevli temel model. Nat Commun. (2025) 16(1):1523. 10.1038/s41467-025-56822-w

  • 31.

    Li CY, Chang KJ, Yang CF, Wu HY, Chen W, Bansal H ve ark. 3D beyin BT radyoloji raporu üretiminde çoklu LLM için bütüncül bir çerçeve. Nat Commun. (2025) 16(1):1–14. 10.1038/s41467-025-57426-0

  • 32.

    Lee H, Song S, Yea J, Ha J, Oh S, Je J ve ark. Çoklu izleme ve stimülasyon için wiresiz heterojen cilt plağı. Nat Commun. (2025) 16(1):650. 10.1038/s41467-025-55951-6

  • 33.

    Gao Y, Ventura-Diaz S, Wang X, He M, Xu Z, Weir A ve ark. meme kanseri kadınlarında neoadjuvan tedavi yanıtını öngören açıklanabilir uzunlamasına çoklu birleşim modeli. Nat Commun. (2024) 15(1):9613. 10.1038/s41467-024-53450-8

  • 34.

    Liu Z, Wu Y, Xu H, Wang M, Weng S, Pei D ve diğerleri. Radyolojik-patolojik ve proteogenomik çok modallı birleşim, prognostik ve terapötik olanaklar sunan bütünleştirilmiş glioma alt tiplerini ortaya koyar. Nat Commun. (2025) 16(1):3510. 10.1038/s41467-025-58675-9

  • 35.

    Zambrano Chaves JM, Huang S-C, Xu Y, Xu H, Usuyama N, Zhang S ve diğerleri. Göğüs röntgeni bulguları için klinik erişilebilir küçük bir çok modallı radyoloji modeli ve değerlendirme ölçütü. Nat Commun. (2025) 16(1):1–15. 10.1038/s41467-025-58344-x

  • 36.

    Nilwik R, Snijders T, Leenders M, Groen B B, Van Kranenburg J, Verdijk L B ve diğerleri. Yaşlanmayla birlikte iskelet kası kütlesindeki azalma esas olarak tip II kas lifi çapındaki azalmaya bağlanır. Exp Gerontol. (2013) 48(5):492–8. 10.1016/j.exger.2013.02.012

  • 37.

    Miller A I, Heath E M, Dickinson J M, Bressel E. Kas lifi tipi ile reaktif denge arasındaki ilişki: ön çalışma. J Mot Behav. (2015) 47(6):497–502. 10.1080/00222895.2015.1015676

  • 38.

    Kupa E J, Roy S H, Kandarian S C, De Luca C J. Kas lifi tipi ve çapının EMG ortalanmış frekansı ve iletim hızı üzerindeki etkileri. J Appl Physiol. (1995) 79(1):23–32. 10.1152/jappl.1995.79.1.23

  • 39.

    Drechsler W I, Cramp M C, Scott O M. Ön çapraz bağ rekonstrüksiyonundan sonra kas gücü ve EMG ortalanmış frekansındaki değişimler. Eur J Appl Physiol. (2006) 98(6):613–23. 10.1007/s00421-006-0311-9

  • 40.

    Huang Y, Bodnar D, Chen C-Y, Sanchez-Andrade G, Sanderson M, Whelan C, et al. Nadir genetik varyantlar kas gücünü etkiler. Nat Commun. (2023) 14(1):1–8. 10.1038/s41467-023-39247-1

  • 41.

    Li YH, Wang XH, Ya S. Çin’de topluluk içinde yaşayan yaşlı yetişkinlerde el kavrama gücü ve 5 zamanlı sandalye kalkma testi temel alan sarkopeninin yaygınlığı ve tanı uyumu. Int J Older People Nurs. (2024) 19(5):1–8. 10.1111/opn.12635

  • 42.

    Slade P, Kochenderfer MJ, Delp SL, Collins SH. Gerçek dünyada yürürken exoskeleton desteğini kişiselleştirmek. Nature. (2022) 610(7931):277–82. 10.1038/s41586-022-05191-1

  • 43.

    Zhang H, Wang K, Cheng CY, Ma Chen M, Lai KW, Or CK, et al. Yapay zeka destekli giyilebilir IoT sensörleriyle günlük yürüyüş aktivitesi aracılığıyla sarkopeniye yatkın riskin değerlendirilmesi. IEEE Internet Things J. (2025) 12:20301–13. 10.1109/JIOT.2025.3543082

  • 44.

    Janssens GE, Grevendonk L, Perez RZ, Schomakers B, De Vogel-Van Den Bosch J, Geurts JM, et al. Sağlıklı yaşlanma ve kas fonksiyonu insanlarda NAD+ bolluğu ile olumlu ilişkilidir. Nat Aging. (2022) 2(3):254–63. 10.1038/s43587-022-00174-3

  • 45.

    Dent E, Woo J, Scott D, Hoogendijk EO. Rutin klinik bakımda sarkopeninin tanınması ve yönetimine doğru. Nat Aging. (2021) 1(11):982–90. 10.1038/s43587-021-00136-1

  • 46.

    Hession L, Sabnis G, Churchill GA, Kumar V. Teknoloji tabanlı görü ile farelerde kırılganlık indeksi. Nat Aging. (2022) 2(8):756–66. 10.1038/s43587-022-00266-0

  • 47.

    Carretero Gómez J, González Gónzalez P, Galeano Fernández TF, Córdoba BuenoS, Boyero Calvo N, Salgado Cardoso B ve ark. Obeziteyle yaşayan kişilerde biyoelektrik empedans kaynaklı faz açısı (PhA): sarkopeni ve eşlik eden hastalıklardaki rolü. Nutr Metab Cardiovasc Dis. (2024) 34(11):2511–8. 10.1016/j.numecd.2024.06.016

  • 48.

    Liu H, Wu C, Lin S, Chen Y, Hu Y, Xu T ve ark. Robotik eldiven tasarımında tek bir motorla yönlendirilen parmak fleksiyonu ve ekstansiyonu. Adv Intell Syst. (2023) 5(5):2200274. 10.1002/aisy.202200274

  • 49.

    Kathe C, Skinnider M, Hutson T, Regazzi N, Gautier M, Demesmaeker R ve ark. Felçten sonra yürümeyi geri getiren nöronlar. Nature. (2022) 611(7936):540–7. 10.1038/s41586-022-05385-7

  • 50.

    Mehryar P, Shourijeh M, Rezaeian T, Khandan A, Messenger N, O’Connor R ve ark. Normal geçici durum yürüme hızında sağlıklı bireylerle transfemoral amputasyon geçirenler arasında kas sinerjilerindeki farklar. Gait Posture. (2020) 76:98–103. 10.1016/j.gaitpost.2019.10.034

  • 51.

    Ogaya S, Okita Y, Fuchioka S. İleri yönde gövde eğilmesi sırasında ayak bileği ve kalça stratejilerinde kütlenin merkez kaymasına kas katkıları. J Biomech. (2016) 49(14):3381–6. 10.1016/j.jbiomech.2016.08.028

  • 52.

    Khemlani M, Carr JH, Crosbie WJ. Oturma-kalkma hareketinde iki farklı başlangıç ayak pozisyonu altında kas uyumları ve eklem bağlantıları. Clin Biomech. (1999) 14(4):236–46. 10.1016/S0268-0033(98)00072-2

  • 53.

    Catena RD, Bailey JP, Campbell N, Music H. Hamilelik sırasında kalkma-oturma kinematik değişiklikleri, azalmış sagital düzlem kalça hareketleriyle ilişkilidir. Clin Biomech. (2019) 67:107–14. 10.1016/j.clinbiomech.2019.05.014

  • 54.

    Miranda ER, Funai K. De novo sfinkolipid biyosentezinin baskılanması sarkopeniyi hafifletir. Nat Aging. (2022) 2(12):1088–9. 10.1038/s43587-022-00307-8

  • 55.

    Laurila P-P, Wohlwend M, Imamura de Lima T, Luan P, Herzig S, Zanou N ve ark. Sfinkolipidler yaşlı kas birikir ve bunların azaltılması sarkopeniyle mücadele eder. Nat Aging. (2022) 2(12):1159–75. 10.1038/s43587-022-00309-6

Özet

Anhtar kelimeler

denge algısı, insan dinamik modelleri, çok modlu makine öğrenimi, duruş dengesi, sarkopeni

Atıf

Ma X, Zou K, Chen J, Zhao Y, Zhang H, Yang P, Lai X, Lou VWQ ve Xi N (2026) Yaşlı nüfuslarda sarkopeni için yorumlanabilir dijital çok modlu değerlendirmeler. Front. Digit. Health 8:1950855. doi: 10.3389/fdgth.2026.1950855

Başvuru tarihi

28 Temmuz 2026

Düzeltme tarihi

07 Ekim 2026

Kabul tarihi

14 Ekim 2026

Yayınlanma tarihi

09 Kasım 2026

Cilt

8 – 2026

Sait Alp, Trabzon Üniversitesi, Türkiye

Xinglin Yi, Üçüncü Askeri Tıp Üniversitesi, Çin

Ovidiu Lucian Bajenaru, Carol Davila Tıp ve Eczacılık Üniversitesi, Romanya

Catalina Raluca Nuta, Carol Davila Tıp ve Eczacılık Üniversitesi, Romanya

© 2026 Ma, Zou, Chen, Zhao, Zhang, Yang, Lai, Lou ve Xi.

Bu, Creative Commons Atıf Lisansı (CC BY) koşulları altında erişime açık bir makaledir. Kabul edilen akademik uygulamalar doğrultusunda, orijinal yazar(lar)ın ve telif hakkı sahib(lar)ının credited edilmesi ve bu dergideki orijinal yayının atıf edilmesi şartıyla, diğer platformlarda kullanım, dağıtım veya çoğaltma izinlidir. Bu koşullara uymayan herhangi bir kullanım, dağıtım veya çoğaltma izinlidir.

*İletişim: Xin Ma xinm@hku.hk; Ning Xi xining@hku.hk

Bu makalede ifade edilen tüm iddialar yalnızca yazarlara aittir ve bağlı oldukları kuruluşların, ya da yayıncının, editörlerin ve hakemlerin görüşlerini kesin olarak yansıtmaz. Bu makalede değerlendirilebilecek herhangi bir ürün veya üreticisi tarafından yapılabilecek herhangi bir iddia, yayıncı tarafından garanti edilmez veya desteklenmez.

İlginizi Çekebilir: Büyük Dil Modellerinin Özofagus Kanserine İlişkin Sorulara Cevaplarındaki Karşılaştırmalı Performans Değerlendirmesi: Çoklu Model Değerlendirme Çalışması — Düzeltme →
Kaynak: Frontiersin ↗
BENZER İNCELEMELER

İlgili Diğer Rehberler