Makine Öğrenimi Sağlıkta Psikolojik Riski Öngörüyor

Makine öğrenimi sağlık araştırmalarında yalnızca hastalıkların teşhisinde değil, hastaların psikolojik durumlarının değerlendirilmesinde de yeni olanaklar sunuyor. Çin'de gerçekleştirilen yeni bir araştırmada geliştirilen yapay zeka modeli, kronik rinosinüzit hastalarında psikolojik sıkıntı riskini belirlemek amacıyla kullanıldı. Bulgular, rutin klinik verilerden yararlanan makine öğrenimi sistemlerinin hastaların fiziksel ve psikolojik durumlarını birlikte değerlendirmeye katkı sağlayabileceğini gösteriyor.

1 Eylül 2026 tarihinde Annals of Allergy, Asthma & Immunology dergisinde yayımlanan kronik rinosinüzit hastalarında psikolojik sıkıntı riskini makine öğrenimiyle tahmin etmeye yönelik araştırma, dokuz farklı algoritmanın performansını karşılaştırıyor. Çalışmada CatBoost en başarılı model olarak öne çıkarken SHAP analiziyle tahminlerde etkili olan klinik değişkenler de inceleniyor.

Kronik Rinosinüzit Hastalarında Psikolojik Sıkıntı

Kronik rinosinüzit, burun boşluğu ve paranazal sinüslerde en az 12 hafta devam eden inflamasyonla karakterize bir hastalık. Burun tıkanıklığı, koku kaybı, yüz bölgesinde basınç hissi ve uyku problemleri gibi belirtiler hastaların günlük yaşamını ve yaşam kalitesini olumsuz etkileyebiliyor.

Hastalığın etkileri yalnızca fiziksel belirtilerle sınırlı kalmıyor. Uzun süre devam eden semptomlar, hastaların psikolojik durumları üzerinde de önemli bir yük oluşturabiliyor. Araştırmacılar, kronik rinosinüzit hastalarında kaygı ve depresyonla ilişkili psikolojik sıkıntının erken belirlenmesinin klinik değerlendirmeleri destekleyebileceğini düşünüyor.

Araştırmada 469 Hastanın Verileri Kullanıldı

Çok merkezli araştırmaya toplam 469 yetişkin kronik rinosinüzit hastası dahil edildi. Modelin geliştirilmesi için endoskopik sinüs cerrahisi planlanan 408 hastanın ameliyat öncesi verileri kullanıldı. Ayrıca 61 hastadan oluşan bağımsız bir grup, modelin dış doğrulama sürecinde değerlendirildi.

Psikolojik sıkıntının belirlenmesinde Hastane Anksiyete ve Depresyon Ölçeği (HADS) kullanıldı. Geliştirme grubundaki hastaların yüzde 42,9'unda, dış doğrulama grubundaki hastaların ise yüzde 37,7'sinde psikolojik sıkıntı tespit edildi.

Bu bulgular, kronik rinosinüzit hastalarının değerlendirilmesinde psikolojik durumun da dikkate alınmasının önemini ortaya koyuyor.

Dokuz Makine Öğrenimi Modeli Karşılaştırıldı

Araştırmacılar, klinik veriler üzerinden psikolojik sıkıntı riskini tahmin edebilmek için dokuz farklı makine öğrenimi algoritmasını karşılaştırdı. Modellerin performansı yalnızca ayırt etme başarısı üzerinden değil, kalibrasyon ve klinik karar desteğine sağlayabilecekleri katkı açısından da değerlendirildi.

Çalışmada CatBoost, Random Forest, Support Vector Machine (SVM), Multilayer Perceptron (MLP), Decision Tree, LightGBM, XGBoost, AdaBoost ve lojistik regresyon algoritmalarından yararlanıldı. Farklı algoritmaların aynı klinik problem üzerindeki performansını karşılaştıran bu yaklaşım, yapay zeka, makine öğrenmesi ve derin öğrenme arasındaki ayrımın model seçimindeki önemini de ortaya koyuyor.

Modellerin geliştirme ve iç test süreçlerinin ardından en başarılı sonucu veren CatBoost modeli, yeniden eğitilmeden bağımsız dış doğrulama grubunda da test edildi. Bu yaklaşım, modelin daha önce karşılaşmadığı hasta verileri üzerindeki tahmin performansını değerlendirmek açısından önem taşıyor.

CatBoost Modeli En Yüksek Performansı Gösterdi

Dokuz algoritma arasından CatBoost modeli en başarılı performansı sergiledi. Modelin iç test grubundaki AUC değeri 0,864 olarak hesaplandı. Bu sonuç için yüzde 95 güven aralığı 0,793-0,927 olarak bildirildi. Aynı değerlendirmede Brier skoru 0,146 oldu.

Bağımsız dış doğrulama grubunda ise modelin AUC değeri 0,792 olarak ölçüldü. Bu değerin yüzde 95 güven aralığı 0,653-0,913 olarak açıklandı.

AUC (ROC Eğrisi Altında Kalan Alan), bir modelin farklı sınıflara ait örnekleri birbirinden ayırt edebilme performansını değerlendirmek için kullanılıyor. Değerin 1'e yaklaşması daha güçlü bir ayırt etme performansına işaret ediyor. Brier skoru ise modelin tahmin ettiği olasılıklarla gerçekleşen sonuçlar arasındaki uyumu değerlendirmeye yardımcı oluyor; düşük değerler daha iyi sonuç anlamına geliyor.

Dış doğrulama sonuçları, CatBoost modelinin geliştirme sürecinde kullanılmayan hasta grubunda da belirli bir performansı koruduğunu gösteriyor. Ancak güven aralığının genişliği ve doğrulama grubunun yalnızca 61 hastadan oluşması, sonuçların daha geniş örneklemlerle desteklenmesi gerektiğini ortaya koyuyor.

Psikolojik Sıkıntı Riskini Belirleyen Beş Temel Değişken

Araştırmada modelin psikolojik sıkıntı tahminlerinde öne çıkan beş temel klinik değişken belirlendi:

22 maddelik Sino-Nazal Sonuç Testi (SNOT-22) skoru

Burun tıkanıklığı

Nazal polip varlığı

Antihipertansif ilaç kullanımı

Kulakta dolgunluk hissi

SNOT-22, kronik rinosinüzitin hastaların semptomları ve yaşam kalitesi üzerindeki etkisini değerlendirmek için kullanılan bir ölçektir. Bu değişkenlerin birlikte öne çıkması, psikolojik sıkıntı riskinin tek bir belirti üzerinden değerlendirilmesinin yeterli olmayabileceğini gösteriyor.

SHAP Analizi Modelin Tahminlerini Açıklıyor

Makine öğrenimi modellerinin sağlık alanında kullanılmasındaki önemli konulardan biri, algoritmaların hangi verilere dayanarak tahmin ürettiğinin anlaşılması. Araştırmacılar bu ihtiyaca yanıt vermek için SHAP (SHapley Additive exPlanations) yönteminden yararlandı.

SHAP analizi, modeldeki değişkenlerin tahmin sonuçlarına katkısını incelemeye yardımcı oluyor. Böylece klinisyenler, bir hastanın psikolojik sıkıntı riskinin hesaplanmasında hangi klinik özelliklerin öne çıktığını daha anlaşılır biçimde değerlendirebiliyor. Modelin kararlarını yorumlanabilir hale getiren bu yaklaşım, sağlık alanında giderek önem kazanan açıklanabilir yapay zeka (XAI) çalışmalarının da temelini oluşturuyor.

Makine Öğrenimi Sağlıkta Klinik Kararları Nasıl Destekleyebilir?

Araştırmanın dikkat çeken çıktılarından biri, geliştirilen CatBoost modelinin bireyselleştirilmiş risk tahmini sunan web tabanlı bir araca dönüştürülmesi oldu. Araç, rutin klinik değişkenlerden yararlanarak hastaların psikolojik sıkıntı riskini değerlendirmeyi amaçlıyor. Akademik yayında araç için özel bir ürün adı belirtilmemesi, sistemin tanımlanmasında araştırmacıların kullandığı ifadeye bağlı kalmayı gerektiriyor.

Bu tür sistemler, psikolojik değerlendirmeye ihtiyaç duyabilecek hastaların daha erken fark edilmesine yardımcı olabilir. Özellikle kronik hastalıkların yönetiminde fiziksel belirtilerle psikolojik durumun birlikte ele alınması, daha bütüncül bir klinik yaklaşımın geliştirilmesini destekleyebilir.

Klinik karar destek sistemlerinde yalnızca tahmin başarısı değil, modelin nasıl çalıştığının anlaşılması ve sonuçlarının güvenilir biçimde yorumlanması da önem taşıyor. Sağlık verilerinin işlenmesinden klinik çıktıların yorumlanmasına kadar uzanan bu süreçte doğal dil işleme ve klinik modellerde şeffaflık, yapay zeka sistemlerinin sağlık hizmetlerine güvenilir biçimde entegre edilmesi açısından öne çıkıyor.

Modelin bağımsız bir psikolojik tanı aracı olarak değerlendirilmemesi gerekiyor. Ürettiği risk tahmini kesin tanı anlamına gelmediği gibi klinik görüşmenin ve uzman değerlendirmesinin yerini de almıyor.

Araştırmanın Sınırlamaları Neler?

Çalışmanın sonuçları dikkat çekici olsa da bazı sınırlamalar içeriyor. Öncelikle araştırma, endoskopik sinüs cerrahisi planlanan yetişkin hastalarla yürütüldü. Bu nedenle modelin cerrahi planlanmayan hastalarda veya farklı ülkelerdeki hasta gruplarında aynı performansı göstereceği henüz bilinmiyor.

Bağımsız dış doğrulama grubunun 61 hastayla sınırlı olması da daha geniş örneklemlerle yeni araştırmalara ihtiyaç duyulduğunu gösteriyor. Ayrıca çalışmanın kesitsel tasarımı, belirlenen klinik değişkenlerle psikolojik sıkıntı arasında nedensel bir ilişki kurmaya izin vermiyor.

Araştırma Türkiye'deki Sağlık Çalışmaları İçin Ne Anlama Geliyor?

Araştırma, makine öğrenimi sağlık uygulamalarının yalnızca hastalık teşhisi veya tedavi süreçleriyle sınırlı olmadığını gösteren önemli bir örnek sunuyor. Hastaların yaşam kalitesi ve psikolojik durumları gibi farklı boyutların klinik verilerle birlikte değerlendirilmesi, yapay zeka destekli karar sistemleri için yeni araştırma alanları oluşturuyor.

Türkiye'deki hasta gruplarında benzer modellerin geliştirilmesi ve mevcut modelin yerel verilerle doğrulanması, bu yaklaşımın farklı sağlık sistemlerindeki kullanılabilirliğini değerlendirmek açısından önemli olacaktır.

Araştırmanın öne çıkardığı nokta, makine öğreniminin klinisyenlerin değerlendirmesine alternatif olmak yerine onu destekleyebilecek bir araç olarak ele alınması. Kronik rinosinüzit gibi yaşam kalitesini farklı yönlerden etkileyen hastalıklarda psikolojik riskin de değerlendirilmesi, hasta odaklı sağlık araştırmalarına katkı sağlayabilir.