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

EV1310

Üniversite öğrencilerinde intihar düşüncelerini öngörmek için açıklanabilir bir makine öğrenmesi yaklaşımı: SMS-ME projesi

AN EXPLAINABLE MACHINE LEARNING APPROACH TO PREDICT SUICIDAL THOUGHTS IN UNIVERSITY STUDENTS. THE SMS-ME PROJECT.

Açıklanabilir XGBoost modeli sağlık alanı öğrencilerinde intihar düşüncesini iç ve dış örneklemlerde AUROC 0,72 ile 0,81 arasında öngörmüş, en güçlü belirleyiciler depresyon, stres, anksiyete ve kusma atakları olmuştur.

Amaç, akademik, psikolojik ve davranışsal öngörücüleri bütünleştirerek Sicilyalı üniversite öğrencilerinde intihar düşüncesini saptayan, klinik olarak yorumlanabilir ve genellenebilir bir açıklanabilir makine öğrenmesi (machine learning, ML) modeli geliştirmektir. Eylül 2022 ile Haziran 2024 arasında Sicilya üniversitelerinde tıp, hemşirelik, psikoloji, diş hekimliği ve diğer sağlık programlarına kayıtlı öğrencilerle anonim çevrim içi anket yürütülmüş; sosyodemografik ve akademik bilgiler, DASS-21 ve EAT-26 ölçekleri ile son altı aydaki intihar düşüncesi kaydedilmiştir. İntihar düşüncesini öngörmek için XGBoost modeli kullanılmış, eğitim kümesi tıp ve hemşirelik öğrencilerinden, dış doğrulama kümesi diğer programlardaki öğrencilerden oluşturulmuş; eksik veri KNN ile atanmış, sınıf dengesizliği BorderlineSMOTE ile giderilmiş, başarım iç içe çapraz geçerlilikle (nested cross-validation) AUC-ROC, doğruluk, duyarlılık, özgüllük ve F1 skoru üzerinden değerlendirilmiş, yorumlanabilirlik için SHAP (SHapley Additive exPlanations) çözümlemesi uygulanmıştır. Toplam 3.278 sağlık alanı öğrencisi dahil edilmiştir (yüzde 69,5'i kadın; ortalama yaş 22,7 ± 4,3 yıl) ve tümünün yüzde 26,2'si son altı ayda intihar düşüncesi ya da girişimi bildirmiştir. Ağır ya da çok ağır belirtiler depresyon için yüzde 34,8, anksiyete için yüzde 52,6 ve stres için yüzde 37,1 oranında bildirilmiş, öğrencilerin yüzde 14,2'si yeme bozukluğu riski taşımıştır. XGBoost modeli iç ve dış örneklemlerde AUROC 0,72 ile 0,81 arasında iyi öngörü başarımı göstermiş; SHAP çözümlemesi en etkili öngörücüler olarak depresyon, stres, anksiyete ve kusma ataklarını belirlemiştir. Sonuç olarak açıklanabilir yapay zekâ, üniversite ortamında erken tanıma ve hedefe yönelik önleme için saydam ve yorumlanabilir risk değerlendirmesi sağlayarak klinik karar vermeyi tamamlayabilir; akademik başarım ve yeme davranışıyla ilgili üniversiteye özgü öngörücüler akademik baskı ile beden algısı kaygılarının etkisini öne çıkarmaktadır.

Tüm WCP 2026 özetleri