Bu sayfa, 26. Dünya Psikiyatri Kongresi'nde sunulan çalışmanın yapay zekâ desteğiyle hazırlanmış Türkçe özetidir. Çalışmanın sahibi sunan yazarlardır; atıf için orijinal kaynağa başvurun.

EV0446

Aynı tanı, farklı bakım: depresyon bakım yollarının bireysel farklılıkları yansıtacak biçimde kişiselleştirilmesi

SAME DIAGNOSIS, DIFFERENT CARE: PERSONALIZING DEPRESSION CARE PATHWAYS TO REFLECT INDIVIDUAL DIFFERENCES

Belirti düzeyinde makine öğrenmesi ile tedavi bırakma riskini birleştiren model, atanan tedaviye kıyasla daha fazla belirti düzelmesi öngörmektedir.

Amaç, depresyonda toplam şiddet puanına dayanan modellerin gözden kaçırdığı belirti ve tedavi etkileşimlerini dikkate alan, kişiselleştirilmiş bir tedavi öneri çerçevesi geliştirmektir. Poster, tedaviden kopmanın hastaların yaklaşık %20 ile %30'unu etkilediğini ve intihar girişimi riskinde 2 ile 4 kat artışla ilişkili olduğunu, buna karşın çoğunlukla eksik veri olarak analiz dışı bırakıldığını gerekçe olarak sunmaktadır. Yöntemde başlangıç belirti özelliklerinden oluşan girdi matrisi üzerinde popülasyon ortalamasına dayalı modelleme ile belirti düzeyinde LightGBM modellemesi (gradyan artırmalı karar ağacı) karşılaştırılmış; SSGİ için yanıt ve remisyon sınıflandırıcısı, diğer antidepresanlar için belirti düzelmesi regresyonu ve kombinasyon kolu için kopma (disengagement) sınıflandırıcısı kurulmuş, model başarımı AUC, RMSE, eşleştirilmiş t testi ve R kare ile değerlendirilmiştir. Belirti düzeyinde LightGBM modelinde öngörülen ve gözlenen PHQ-9 belirti düzelmesi arasındaki uyum r = 0,92 ve RMSE = 3,86 olarak bildirilmiştir. STAR*D kapsamında atanan tedavi ile modelin önerdiği tedavinin eşleştirilmiş karşılaştırmasında, model önerisi altında daha fazla belirti düzelmesi öngörülmüştür (t = 4,27, p < 0,001). Çerçevenin uygulanması durumunda 1.000 hasta başına 8 milyon dolar tasarruf ve 1.000 hastanın 570'inde PHQ-9'da 1 puandan fazla düzelme öngörülmektedir. Yazarlar bunun belirti düzeyindeki heterojenliği ve tedavi bırakma riskini birleştiren ilk makine öğrenmesi çerçevesi olduğunu belirtmekte, sonraki adım olarak bağımsız klinik çalışma ve gerçek yaşam elektronik sağlık kaydı veri setlerinde geçerleme ile çift yönlü sağlam kestirim gibi daha güçlü nedensellik yöntemlerini önermektedir.

Tüm WCP 2026 özetleri