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

EV0450

Çocukluk çağı DEHB'inde tedaviden kopmanın erken öngörülmesi için bir yapay zekâ modeli: alt orta gelirli bir ülkeden pilot çalışma

AN ARTIFICIAL INTELLIGENCE MODEL FOR EARLY PREDICTION OF TREATMENT DISENGAGEMENT IN CHILDHOOD ADHD: A PILOT STUDY FROM A LOWER-MIDDLE-INCOME COUNTRY

Yeni DEHB tanısı almış 459 çocuğun %35,8'i tedaviden kopmuş ve rutin klinik verilerle eğitilen en iyi makine öğrenmesi modeli (XGBoost) 0,66 AUC değerine ulaşmıştır.

Çalışmanın amacı, kaynakları kısıtlı bir ortamda çocukluk çağı dikkat eksikliği hiperaktivite bozukluğu (DEHB) kohortunda erken tedavi kopmasının sosyodemografik ve klinik yordayıcılarını belirleyecek açıklanabilir bir makine öğrenmesi modeli geliştirmektir. Sri Lanka'da Colombo North Teaching Hospital CAMHS kliniğinde yeni DEHB tanısı almış 459 çocuğun geriye dönük kohortu kullanılmış; demografik özellikler, sevk yolağı, belirti profilleri, psikiyatrik eş tanılar, zihinsel işlevsellik ve ebeveyn özellikleri başlangıç değişkenleri olarak alınmıştır. Beş katlı çapraz geçerleme ile lojistik regresyon, rastgele orman (random forest) ve aşırı gradyan artırma (extreme gradient boosting, XGBoost) olmak üzere üç model geliştirilmiş, model kestirimlerinin yorumlanmasında SHapley Additive exPlanations (SHAP) yöntemi kullanılmıştır. Kohortun %35,8'i tedaviden kopmuş; sevk yolakları bakıcı öz başvurusu %33,0, yatan hasta %32,0, eğitim sektörü %18,0 ve çocuk koruma hizmetleri %10,3 biçiminde dağılmıştır. En iyi başarımı gösteren model, eğri altında kalan alan (area under the curve, AUC) 0,66 ile XGBoost olmuştur. Daha yüksek kopma riski özgül öğrenme güçlüğü, davranışsal/dürtüsellik baskın görünüm ve ayaktan öz başvuru ile; daha iyi tedavide kalma ise ortalama zihinsel işlevsellik ile ilişkili bulunmuştur. Sonradan kopan çocuklar arasında bildirilen kopma nedenleri sosyal desteğin yitirilmesi %63,9, ebeveynin DEHB tanısını kabul etmemesi %13,7 ve ilaca ilişkin kaygılar %1,5'tir. Yazarlar, yapay zekâ ve rutin toplanan klinik verilerin kopma riski taşıyan çocukların erken belirlenmesini sağlayarak hedefli girişimleri ve kısıtlı CAMHS kaynaklarının daha iyi kullanımını destekleyebileceğini belirtmektedir.

Tüm WCP 2026 özetleri