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

SO133

Ergenlerde 6 aylık yeni ortaya çıkan intihar düşünce ve davranışlarını öngören yorumlanabilir bir makine öğrenmesi modelinin geliştirilmesi

DEVELOPMENT OF AN INTERPRETABLE MACHINE LEARNING MODEL FOR PREDICTING 6-MONTH INCIDENT SUICIDAL THOUGHTS AND BEHAVIORS IN ADOLESCENTS

Çin'den 14.840 ergenlik verisiyle geliştirilen 21 maddelik yorumlanabilir lojistik regresyon modeli, 6 aylık yeni intihar düşünce ve davranışı riskini orta düzeyde bir ayırt edicilikle, ancak yüksek negatif öngörü değeriyle sınıflandırmaktadır.

Amaç, ergen ölümlerinin önde gelen nedeni olan intiharda erken saptanması güç olan yeni intihar düşünce ve davranışlarını (suicidal thoughts and behaviors, STB) öngörecek yorumlanabilir bir makine öğrenmesi modeli geliştirmektir. Çin'de Linqing Ergen Sağlığı ve İyilik Hali Kohortu'nda 10-18 yaş arası 17.741 ergenden başlangıç ve 6. ay verileri toplanmış, başlangıçta STB bulunanlar ve eksik veriler çıkarıldıktan sonra 14.840 katılımcı analiz edilmiştir (%46,7 kız, yaş ortalaması 13,70 ± 1,39; %91,0 kırsal yerleşim). Yedi bölü üç eğitim/test ayrımının ardından LASSO ve maksimum ilgi minimum artıklık (max-relevance min-redundancy) yöntemiyle değişken seçimi, SMOTE ile dengesizlik düzeltmesi yapılmış, dokuz makine öğrenmesi modeli karşılaştırılmış ve yorumlanabilirlik SHAP (SHapley Additive exPlanations) ile değerlendirilmiştir. Test setinde (n = 4.452) 6 aylık STB insidansı %5,9 bulunmuştur. En iyi başarımı 21 değişkenli lojistik regresyon göstermiş (eğri altında kalan alan (area under the receiver operating characteristic curve, AUROC) = 0,657; özet metninde AUROC = 0,66 ve AUPRC = 0,11 olarak bildirilmiştir), diğer sekiz modelin AUROC değerleri 0,524 ile 0,634 arasında kalmıştır. Eniyilenmiş 0,63 eşik değerinde özgüllük (specificity) 0,84, negatif öngörü değeri (negative predictive value) 0,95 ve duyarlılık (sensitivity) 0,32 olmuştur. SHAP analizinde en önemli değişkenler cinsiyet, yaş, babanın özerklik desteği, arkadaş edinebilme becerisi ve iştah değişiklikleri (az yeme ya da aşırı yeme) olarak sıralanmıştır. Web tabanlı RISE-Y risk hesaplayıcısı olarak sunulan 21 maddelik model, öngörü başarımı orta düzeyde olmakla ve dış geçerlilik gerektirmekle birlikte, gençlerde toplum tabanlı intihar riski taraması için ölçeklenebilir bir yaklaşım sunmaktadır.

Tüm WCP 2026 özetleri