Depresyon ve anksiyete bozukluklarının takibinde intihar olasılığı ve intihar girişimini yordayan faktörlerin makine öğrenmesi yolu ile değerlendirilmesi
Machine learning based assessment of predictors of suicide probability and suicide attempt in the longitudinal follow-up of depression and anxiety disorders
- Tez No: 947226
- Danışmanlar: DOÇ. DR. SEVGİ ÖZMEN
- Tez Türü: Tıpta Uzmanlık
- Konular: Çocuk Sağlığı ve Hastalıkları, Psikiyatri, Child Health and Diseases, Psychiatry
- Anahtar Kelimeler: intihar, ergen, depresyon, anksiyete bozukluğu, makine öğrenmesi, destek vektör makineleri, naive bayes, KNN, suicide, adolescent, depression, anxiety disorder, machine learning, support vector machines, naive Bayes, KNN
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Erciyes Üniversitesi
- Enstitü: Tıp Fakültesi
- Ana Bilim Dalı: Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Amaç: Bu çalışmada, ergenlik döneminde depresyon ve anksiyete bozukluğu tanısı almış bireylerde intihar olasılığı ve girişimini öngören değişkenlerin belirlenmesi ve bu değişkenlerin makine öğrenmesi algoritmalarıyla modellenmesi amaçlanmıştır. Yöntem: Erciyes Üniversitesi Tıp Fakültesi Çocuk ve Ergen Ruh Sağlığı ve Hastalıkları Polikliniği'ne başvuran 130 ergene ait ilk veri seti 2020–2022 yılları arasında oluşturulmuştur. 2024 yılında 15-21 yaş aralığında olan aynı bireylerin 80'i ile yapılan değerlendirme sonucunda oluşturulan ikinci veri setiyle boylamsal çalışma yürütülmüştür. İntihar girişimi ve olasılığı, hedef değişkenler olarak tanımlanmış; yaşa göre ölçek farklılaştırmasına gidilmiştir. 18 yaş altındaki bireylerde Çocuklar için Depresyon Ölçeği (ÇDÖ), Çocuklarda Anksiyete Bozukluklarını Tarama Ölçeği (ÇATÖ), İntihar Olasılığı Ölçeği (İOÖ), Beck Umutsuzluk Ölçeği (BUÖ) ve İlişki Ölçekleri Anketi–Ergen Formu (İÖA-E); 18 yaş ve üzerindekilerde Beck Depresyon Ölçeği (BDÖ), Beck Anksiyete Ölçeği (BAÖ), Beck Umutsuzluk Ölçeği (BUÖ), İntihar Olasılığı Ölçeği (İOÖ) ve İlişki Ölçekleri Anketi (İÖA) uygulanmıştır. Tüm katılımcılardan sosyodemografik bilgi formu alınmıştır. Sınıflandırma amacıyla Lojistik Regresyon, Destek Vektör Makineleri (SVM), Karar Ağaçları, K-En Yakın Komşu (KNN), Naive Bayes ve Yapay Sinir Ağı (NN) makine öğrenmesi algoritmaları uygulanmıştır. Model performansları doğruluk, duyarlılık, özgüllük ve ROC eğrileriyle değerlendirilmiştir. Bulgular: Takip süresince katılımcıların %26.25'inde (n=21) intihar girişimi saptanmıştır; bu oran kızlarda %29, erkeklerde %20'dir. Bu bireylerin %71.4'inde depresyon ve %28.6'sında anksiyete bozukluğu tanısı mevcuttur. İntihar girişimini öngörmede en etkili değişkenler sırasıyla İntihar Olasılığı Ölçeği puanı, önceki intihar girişimi öyküsü, anne ile ilişki kalitesi, umutsuzluk ve anksiyete x düzeyi olmuştur. Beş değişken kullanılarak en yüksek doğruluk oranı (%90) Naive Bayes ve SVM algoritmaları tarafından elde edilmiştir. İntihar olasılığını öngörmede ise depresyon skoru, tanı tipi, anksiyete düzeyi, takipte gelişen girişim öyküsü ve umutsuzluk düzeyi en belirleyici değişkenler olarak bulunmuştur. Bu alanda en başarılı model, %86.25 doğruluk ve %89 duyarlılık ile KNN algoritmasıdır. Sonuç: Makine öğrenmesi modelleri, ergenlerde intihar riskini öngörmede yüksek doğruluk oranlarıyla etkili bir yaklaşım sunmaktadır. Özellikle önceki intihar girişimi öyküsü, yüksek depresyon ve umutsuzluk düzeyleri ile aile içi ilişki sorunları intihar olasılığı ve girişimi açısından belirleyici risk faktörleridir. Bu bulgular, yapay zekâ destekli veri temelli değerlendirme araçlarının klinik süreçlere entegre edilerek erken müdahale olanaklarını artırabileceğini göstermektedir.
Özet (Çeviri)
Objective: This study aimed to identify the predictors of suicide probability and suicide attempts in individuals diagnosed with depressive and anxiety disorders during adolescence and to model these predictors using machine learning algorithms. Method: The initial dataset, comprising 130 adolescents who presented to the Child and Adolescent Psychiatry Outpatient Clinic of Erciyes University Faculty of Medicine, was collected between the years 2020 and 2022. A longitudinal study was conducted using a second dataset formed by reevaluating 80 of these individuals, who were between 15 and 21 years old in 2024. Suicide attempts and suicide probability were defined as target variables, and age-specific assessment tools were applied. For participants under the age of 18, the Children's Depression Inventory (CDI), the Screen for Child Anxiety Related Emotional Disorders (SCARED), the Suicide Probability Scale (SPS), the Beck Hopelessness Scale (BHS), and the Relationship Scales Questionnaire–Adolescent Form (RSQ-A) were administered. For participants aged 18 and above, the Beck Depression Inventory (BDI), the Beck Anxiety Inventory (BAI), the Beck Hopelessness Scale (BHS), the Suicide Probability Scale (SPS), and the Relationship Scales Questionnaire (RSQ) were used. All participants completed a sociodemographic information form. For classification purposes, machine learning algorithms including Logistic Regression, Support Vector Machines (SVM), Decision Trees, K-Nearest Neighbors (KNN), Naive Bayes, and Neural Networks (NN) were employed. Model performances were evaluated using accuracy, sensitivity, specificity, and ROC curves. Results: During the follow-up period, 26.25% (n=21) of participants were identified as having attempted suicide; this rate was 29% in females and 20% in males. Among xii these individuals, 71.4% had a diagnosis of depression and 28.6% had an anxiety disorder. The most significant predictors of suicide attempts were, in order: Suicide Probability Scale score, history of previous suicide attempts, quality of the maternal relationship, level of hopelessness, and anxiety severity. Using these five variables, the highest accuracy rate (90%) was achieved by the Naive Bayes and SVM algorithms. In predicting suicide probability, the most influential variables were depression score, diagnostic category, anxiety severity, suicide attempt during follow-up, and level of hopelessness. In this domain, the most successful model was the KNN algorithm, with an accuracy of 86.25% and sensitivity of 89%. Conclusion: Machine learning models offer a highly accurate and effective approach to predicting suicide probability in adolescents. In particular, a history of previous suicide attempts, high levels of depression and hopelessness, and problematic family relationships emerged as key risk factors for both suicide probability and attempts. These findings suggest that integrating Artificial Intelligence assisted, data-driven assessment tools into clinical practice may enhance opportunities for early intervention.
Benzer Tezler
- 1978-1987 yılları arasında izlenen 33 cushing sendromu olgusunun incelenmesi
Başlık çevirisi yok
METİN CANER
Tıpta Uzmanlık
Türkçe
1987
Endokrinoloji ve Metabolizma Hastalıklarıİstanbul Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. H. HÜSREV HATEMİ
- Depresif kişilerin kendilerine ve önem verdikleri bir kişiye ilişkin yüklemeleri
Başlık çevirisi yok
IŞIK PAPATYA
Yüksek Lisans
Türkçe
1987
PsikolojiHacettepe ÜniversitesiPsikoloji Ana Bilim Dalı
YRD. DOÇ. DR. ALİ UZUNÖZ
- Kardiyovasküler sistemde simetidin-verapamil etkileşimi
Başlık çevirisi yok
ASUMAN AKGÜN
Yüksek Lisans
Türkçe
1987
Eczacılık ve FarmakolojiAkdeniz ÜniversitesiFarmakoloji Ana Bilim Dalı
DOÇ. DR. GÜLAY ŞADAN
- Polietilenglikol esaslı bazı yeni oligoazoperoksiester başlatıcıların sentezi ve karekterizasyonu
Synthesis and characterization of some new oligoazoperoxyester initiators based on polyethyleneglycolos
ALİPAŞA AYAS
Yüksek Lisans
Türkçe
1988
Kimya MühendisliğiKaradeniz Teknik ÜniversitesiKimya Ana Bilim Dalı
DOÇ. DR. BAKİ HAZER