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

EV0472

Psikiyatri yatan hastalarında yatış süresi ve yeniden yatışı öngörmede zamansal olarak doğrulanmış makine öğrenmesi: düşük ve orta gelirli bir ortamdan kanıtlar

TEMPORALLY VALIDATED MACHINE LEARNING FOR PREDICTING LENGTH OF STAY AND READMISSION IN PSYCHIATRIC INPATIENTS : EVIDENCE FROM A LOW AND MIDDLE-INCOME SETTING

Yatış günü elde edilen yapılandırılmış verilerle her iki sonuç da şans düzeyinin üzerinde öngörülebilmekte, ancak ayırt edicilik ölçülü kalmakta ve klinik kullanılabilirliği belirleyen asıl özellik kalibrasyon olmaktadır.

Çalışmanın amacı, psikiyatrik tahmin modellerinin neredeyse tümüyle yüksek gelirli ülkelerin elektronik sağlık kayıtlarıyla ve modellerin gelecekteki hastalardan öğrenmesine izin veren rastgele bölmelerle doğrulanmış olması boşluğuna karşılık, düşük ve orta gelirli bir ortamda zamansal olarak doğrulanmış bir öngörü hattı sunmaktır. Yöntem olarak Güney Hindistan'da üçüncü basamak bir psikiyatri biriminde Haziran 2016 ile Mart 2026 arasındaki 3.140 ardışık yatış geriye dönük olarak incelenmiş; değişkenler yalnızca kağıt kayıtlardaki yapılandırılmış alanlardan üretilmiş (doğal dil işleme ya da elektronik kayıt entegrasyonu kullanılmamıştır); yaş ortalama 35,1 ± 11,5 yıl, erkek oranı %61,8, şizofreni %31,3 ve madde ilişkili tanı %23,9, acil başvuru %84,8, istemsiz yatış %43,1, yatış süresi (length of stay, LOS) ortanca 9 gün (çeyrekler arası aralık 5 ile 14), uzamış yatış %27,3 ve 30 günlük yeniden yatış %5,1'dir. Zamansal bölmede 2024 öncesi eğitim seti (LOS n=1.667; yeniden yatış n=1.716) ile 2024 ve sonrası ayrılmış test seti (LOS n=812; yeniden yatış n=827) kullanılmış, eğitim içi çapraz geçerlemede aynı hastanın yatışlarının bölmeleri geçmemesi için hasta numarasına göre gruplanmış beş katlı GroupKFold uygulanmış; beş model (Elastic Net lojistik regresyon, Random Forest, XGBoost, LightGBM ve yığınlama topluluğu) Optuna ile 40 denemede optimize edilmiş, 1.000 örneklemeli bootstrap ile %95 güven aralıkları hesaplanmış, açıklanabilirlik için SHAP kullanılmıştır. Uzamış yatış (14 gün ve üzeri, test setinde n=812, %28,2) için en iyi eğri altında kalan alan (area under the curve, AUC) Random Forest ile 0,637 (0,593 ile 0,679), en iyi AUPRC 0,384 (boş model yaklaşık 0,282), en iyi Brier skoru yığınlama topluluğuyla 0,196 (diğerlerinde 0,259 ile 0,268) olmuştur. Otuz günlük yeniden yatış (test setinde n=827, %5,2; 43 olay) için en iyi AUC Elastic Net lojistik regresyonla 0,638 (0,544 ile 0,724), en iyi AUPRC 0,091 (boş model yaklaşık 0,052), en iyi Brier skoru yine yığınlama ile 0,049 (diğerlerinde 0,059 ile 0,206) bulunmuştur. SHAP analizinde uzamış yatışın başlıca öngörücüleri yaş (0,227), intihar risk skoru (0,207) ve önceki yatışlar (0,186); yeniden yatışın başlıca öngörücüleri yerleşik eski olgu olma (0,630), hastalık süresi (0,316) ve intihar düşüncesidir (0,291). Yazarlar, yığınlamanın hiçbir sonuçta en yüksek AUC'yi vermediğini ancak her iki sonuçta en iyi Brier skorunu kaydettiğini, yani ek veri olmaksızın sıralama çıktısını kalibre edilmiş olasılığa dönüştürdüğünü ve eşik temelli klinik kararlar için gerekenin bu olduğunu vurgulamaktadır. Sınırlılıklar arasında tek merkezli ve tek ülkeli tasarım, yalnızca yapılandırılmış alanların kullanılması (serbest metin notlar, ilaç kayıtları ve sosyal öykü dışlanmıştır), yeniden yatış için olay başına değişken sayısının yaklaşık 3,95 (87 eğitim olayı) ile önerilen 10 alt sınırının altında kalması nedeniyle bu sonuçların ön nitelikte olması ve ileriye dönük doğrulama bulunmaması yer almaktadır.

Tüm WCP 2026 özetleri