Mid-Parental Height (MPH) boy tahmininin altın standardı olmuş 40 yıldır. Tanner formülü basit, hızlı, sahada kullanılabilir — ama hata payı ±8.5 cm (1 SD). Yapay zeka bunu nereye taşıyabilir?
Mevcut Tanner MPH formülü
- Erkek çocuk: MPH = (baba_cm + anne_cm + 13) ÷ 2
- Kız çocuk: MPH = (baba_cm + anne_cm − 13) ÷ 2
- 95% güven aralığı: MPH ± 8.5 cm
%80'lik genetik kalıtsallık (h²=0.8) ile, MPH bir lineer regresyon temsilidir:
Çocuk boyu = β₀ + β₁ × (baba + anne)/2 + ε
ε = açıklanamayan varyans = patoloji, çevre, polygenic farklılıklar.
AI ne yapabilir?
Ek özelliklerle (features) zenginleştirme
Klasik MPH sadece iki sayı kullanır. Modern ML modeli daha fazlasını dikkate alabilir:
- Anne-baba boyları (tabii ki)
- Çocuğun cinsiyeti
- Çocuğun mevcut boyu (kronolojik yaşa göre)
- Anne-baba etnik kökeni (ulusal referans bazı)
- Anne-baba doğum yılları (secular trend etkisi)
- Doğum ağırlığı + boy (intrauterin gelişim)
- Süt çocukluğu büyümesi (catch-up patternleri)
- Puberte zamanlama (henüz başlamış mı?)
- Kardeş boyları (sibling regression)
- Sosyoekonomik veriler (proxy: anne eğitimi, gelir aralığı)
Gradient Boosting / XGBoost
Bir Kaggle competition (2022, n=15.000) XGBoost modeliyle MPH formülünün ±5.2 cm'e indirildiğini gösterdi (klasik ±8.5 vs ML ±5.2). Yani aynı veriyle ML %39 daha iyi öngörü yaptı.
Trade-off: model 50+ özellik kullanır, açıklanabilirliği düşer.
Polygenic Risk Score (PRS)
Boy 700+ genetik varyant ile ilişkilidir (GIANT consortium meta-analizi, 2022). PRS hesabı:
- Çocuğun DNA'sından 700 SNP genotipleme
- Her SNP için boy ile ilişki katsayısı (effect size) literatürden alınır
- Çocuğun PRS skoru = Σ (SNP_genotype × effect_size)
PRS, çocuğun boy varyansının %25'ini açıklar — anne-baba boyundan bağımsız ek bilgi. PRS + MPH kombinasyonu tahminin hatasını ±5 cm'e indirir.
Sınırlama: maliyet + erişim
PRS için DNA genotipleme:
- Klinik testte $200-400
- Direct-to-consumer (23andMe) $99 ama klinik kalite değil
- Türkiye'de pediatrik PRS yaygın değil
Bu nedenle pratik uygulama: AI + standart aile verisi (boy + cinsiyet + yaş + mevcut boy + puberte evresi).
ML modeli pratik mimarisi
Adım 1: Veri toplama
Eğitim için 10.000+ aileden ilgili veriler:
- Anne + baba erişkin boy (ölçülmüş, raporlanmış değil)
- Çocuğun bilinen erişkin boyu (en az 18 yaş olmuş kohort)
- Tüm ara büyüme noktaları (zaman serisi)
Adım 2: Özellik mühendisliği
- Z-skor normalize
- Etnik kökeni one-hot encode
- Yaş × cinsiyet etkileşim terimleri
- Büyüme hızı türev özellikler
Adım 3: Model seçimi
- XGBoost veya LightGBM — feature importance kolay yorumlanabilir
- Neural network (MLP) — daha karmaşık ilişkileri yakalar ama black box
- Bayesian regression — belirsizlik aralıklarını doğru verir
Adım 4: Validation
- Train/test split (80/20)
- 5-fold cross-validation
- Out-of-distribution test: farklı etnik gruplar
- Bias analizi: cinsiyet, sosyoekonomik durum
Açıklanabilir AI (XAI)
Doktorlar "neden 175 cm tahmin ediyorsun?" sorduğunda model cevap vermeli. SHAP (Shapley Additive Explanations) veya LIME ile:
- "Anne boyu 162 cm → +3.2 cm katkı"
- "Mevcut boy 130 cm @ 8 yaş → +1.5 cm (büyüme hızı yüksek)"
- "Anne erken puberte → -2.0 cm (erken pubertal kapanma)"
Bu transparenlik klinik kullanım için kritiktir.
ML MPH vs klinik altın standartlar
| Yöntem | Veri gereksinimi | Hata (±, cm) | Klinik kabul |
|---|---|---|---|
| Tanner MPH | Anne+baba boyu | 8.5 | Yüksek |
| Khamis-Roche | + boy + kilo | 5.6 (erkek) / 4.3 (kız) | Yüksek |
| ML model (lite) | Tanner girdileri + mevcut boy | 6.0-7.0 | Henüz onaylı değil |
| ML model (full) | + puberte + sibling + etnik | 5.0 | Araştırma aşaması |
| ML + PRS | + DNA | 4.0-5.0 | Pahalı, sınırlı |
| Bayley-Pinneau (BA + boy) | Kemik yaşı röntgeni | 3.2 (erkek) | Yüksek, klinik altın standart |
Çıkarım: ML modeli klasik MPH'tan iyidir, ama BA içeren yöntemleri geçemez. BA fizyolojik gerçek taşır, ML çıkarsama yapar.
Çocuk Gelişim platformunda ML MPH
Şu anki MPH araç klasik Tanner formülü kullanıyor — %95 güven aralığı ±8.5 cm. Roadmap:
- ✅ Faz 0: Klasik Tanner MPH (mevcut)
- 🔄 Faz 1 (2026 Q4): Türk popülasyonu için secular trend düzeltmesi
- 🔄 Faz 2 (2027 Q1): ML model — XGBoost + lokalize feature set
- 🔄 Faz 3 (2027-2028): IRB onaylı validasyon çalışması (n=2.000 Türk çocuğu)
- 🔄 Faz 4: Açıklanabilir AI dashboard — aile verisinin her parçasının etkisi
Etik sınırlar
ML kullanırken kritik etik sorular:
- Bias: Modeli eğitirken sadece p25-75 popülasyon kullanırsak, marjinal popülasyonda (p3 altı, p97 üstü) doğruluk düşer
- Gizlilik: Aile boyları, etnik köken hassas veri — KVKK uyumu şart
- Karar etkisi: AI tahmininin %180 cm dediği aile çocuğunu basketbola yönelttirir. Yanlış sinyal psikososyal hasar yapar.
- Eğitim verisi temsiliyet: Türk verisinin %5'ten azı Doğu Anadolu kökenli. AI bölgesel bias riski.
Sıkça sorulanlar
AI MPH klasik MPH'ten ne kadar daha doğru?
Tipik raporlar ML modellerinin %30-40 daha düşük hata gösterir. Pratik olarak ±8.5 cm yerine ±5-6 cm aralığı. Klinik karar için yeterli mi? BA bazlı yöntemleri geçemez.
Çocuğumun DNA testini yaptırmalı mıyım?
Sağlıklı bir çocukta sadece boy tahmini için DNA testi maliyet/fayda açısından gerekli değil. Patolojik durumlar (cüceleşme, sendromik kısa boy şüphesi) klinik genetik konsültasyonu gerektirir.
Bizim platformda ML MPH ne zaman aktif olur?
2027 Q1 hedefimiz. Validation + KVKK + lisanslama tamamlandıktan sonra Premium özellik olarak sunulacak. Erken erişim için bültene kayıt olabilirsiniz.
AI tahmini doktor tahmininden daha doğru mu?
Tek başına sayısal olarak evet (MAE bazında). Ama doktor klinik bağlam ekler — patoloji, aile öyküsü, fizik muayene. AI doktoru tamamlar, yerini almaz.
Sonuç
AI ve makine öğrenmesi MPH tahmininin doğruluğunu artırabilir, ama kemik yaşı içeren klinik metodolojileri tek başına geçemez. Bizim platform şu an klasik klinik yöntemleri + modern AI prototipini birlikte sunuyor — ailelere bilim ve teknolojinin kesişiminde en güvenilir bilgiyi vermek için.
Ücretsiz MPH hesabını yapın, Premium ile Khamis-Roche ve Bayley-Pinneau ile karşılaştırın, Bone-Age AI araştırma önizlemesini deneyin.