Detection of suicidal ideation with machine learning using biopsychosocial and linguistic correlates
İntihar düşüncesinin biyopsikososyal ve dilsel göstergeler kullanılarak makine öğrenimi ile tespiti
- Tez No: 978174
- Danışmanlar: DOÇ. DR. HALE YAPICI ESER
- Tez Türü: Doktora
- Konular: Psikoloji, Psikiyatri, Psychology, Psychiatry
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: İngilizce
- Üniversite: Koç Üniversitesi
- Enstitü: Sağlık Bilimleri Enstitüsü
- Ana Bilim Dalı: Nörobilim Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
İntihar, yılda 700.000'den fazla ölümle sonuçlanan küresel bir halk sağlığı krizidir. Geleneksel intihar riski değerlendirme yöntemleri büyük ölçüde bireylerin kendi beyanlarına dayanmaktadır;ancak bu yaklaşım, damgalanma korkusu ve utanç duyguları nedeniyle sıklıkla sınırlı kalmaktadır. Sağlık hizmeti sağlayıcıları tarafından doğrudan sorulduğunda bireyler intihar düşüncelerini reddedebilmekte olup, bazı çalışmalarda bu oran üçte ikiye kadar yükselmektedir. Bu tez, intiharla doğrudan ilişkili öngörücülere (geçmiş intihar girişimi, açık intihar düşüncesi) başvurmaksızın intihar düşüncesini yordayan birbirini tamamlayan üç makine öğrenmesi çalışması sunmaktadır. Bu yaklaşım, mevcut değerlendirme engellerini aşmayı hedeflerken biyopsikososyal modele ait boyutların kapsamlı bir şekilde ele alınmasını sağlamaktadır. Birinci çalışmada psikiyatrik belirti değişkenleri, ikinci çalışmada psikopatoloji dışındaki psikososyal faktörler, üçüncü çalışmada ise duygusal uyarıcı kelimelerle tetiklenen otobiyografik bellek anlatılarının dilbilimsel analizinden elde edilen değişkenler yordayıcı olarak kullanılmıştır. Çalışma 1'de DSM-5 Kendi Kendine Değerlendirme Düzey 1 Kesitsel Belirti Ölçeği kullanılarak 924 üniversite öğrencisinin verisiyle bir yapay sinir ağı eğitilmiş, dış geçerlilik 361 üniversite öğrencisinin verileriyle test edilmiştir.Çalışma 2'de 190 katılımcı (klinik ve kontrol grupları) psikopatoloji dışı ölçümlerle incelenmiştir. Bu ölçümler çocukluk travmaları, bağlanma, başa çıkma, duygu düzenleme ve kişilik özelliklerini kapsamaktadır. Dış geçerlilik 84 katılımcıda doğrulanmıştır. Çalışma 3'te 190 katılımcının otobiyografik bellek anlatıları LIWC-22 yazılımıyla analiz edilmiştir. İç içe çapraz geçerlilik yöntemi kullanılmıştır. Tüm çalışmalarda açıklanabilir makine öğrenmesi yöntemleri (SHAP analizi) ve yapay sinir ağları, rastgele orman, destek vektör makineleri gibi çoklu algoritmalar uygulanmıştır. Çalışma 1'de AUC = 0.80 (dış geçerlilik: 0.79) olmak üzere, kişilik işlevselliği, depresif duygudurum ve kaygı en önemli yordayıcılar olarak tespit edilmiştir. Çalışma 2'de AUC = 0.878 ve F1 = 0.819 ile üstün performans sergilenmiş, dış geçerlilik korunmuştur (AUC = 0.791, F1 = 0.549). Yalnızlık en güçlü yordayıcı olarak belirlenirken, sorumluluk ve dışadönüklük kişilik özelliklerinin koruyucu etkisi gösterilmiştir. Çalışma 3 en yüksek ayırt edici performansı elde etmiştir (AUC = 0.908, F1 = 0.727). Bu çalışma, korku bağlamlarında kişisiz zamirlerin koruyucu etkilerini ve pozitif duygusal anılarda bilişsel mekanizmaları içeren duygu-spesifik dilbilimsel örüntüleri ortaya çıkarmıştır. Bu tez, intihar düşüncesinin doğrudan intihar ile ilgili açıklamalara dayanmaksızın biyopsikososyal çerçevenin birden fazla düzeyinde etkili bir şekilde yordanabileceğini göstermektedir. Çalışma 1 ve 2'de kritik bir faktör olarak kişilerarası kopukluğun ön plana çıkması, Çalışma 3'te belirlenen bilişsel işleme kalıplarıyla birleşerek intihar riski mekanizmalarına dair kapsamlı içgörüler sağlamaktadır. Performans hiyerarşisi (dilbilimsel analiz > psikososyal faktörler > psikiyatrik belirtiler) karmaşık davranışsal örüntüleri yakalayan yeni yaklaşımların üstün yordama kapasitesi sunabileceğini göstermektedir. Bu bulgular, çoklu veri kaynaklı yorumlanabilir tarama araçlarının geliştirilmesinin önemini göstermektedir. Bu araçlar özbildirim sınırlılıklarını azaltarak klinik değerlendirmeyi güçlendirebilir ve intihar davranışının erken saptanıp önlenmesine katkı sağlayabilir.
Özet (Çeviri)
Suicide represents a global public health crisis, causing over 700,000 deaths annually. Traditional suicide risk assessment relies heavily on direct disclosure, which is often limited by stigma and shame. Individuals may deny suicidal ideation when directly asked by healthcare providers, with this rate reaching up to two-thirds in some studies. This dissertation presents three complementary machine learning studies that predict suicidal ideation without relying on directly suicide-related predictors (previous suicide attempts, explicit suicidal thoughts). This approach aims to overcome current assessment barriers while ensuring comprehensive coverage of dimensions of the biopsychosocial model. The first study used psychiatric symptom variables, the second study employed psychosocial factors outside of psychopathology, and the third study utilized variables obtained from linguistic analysis of autobiographical memory narratives cued by emotionally evocative words as predictors. In Study 1, an artificial neural network was trained using data from 924 university students with the DSM-5 Self-Rated Level 1 Cross-Cutting Symptom Measure, and external validation was tested with data from 361 university students. Study 2 examined 190 participants (clinical and control groups) using non-psychopathological measures including childhood adversities, attachment patterns, coping strategies, emotion regulation, and personality traits, with external validation on 84 participants. Study 3 investigated 190 participants' autobiographical memory narratives using Linguistic Inquiry and Word Count (LIWC-22) software with nested cross-validation. All studies employed explainable machine learning techniques (SHAP analysis) and multiple algorithms including neural networks, random forest, and support vector machines. Study 1 achieved AUC = 0.80 (external validation: 0.79), identifying personality functioning, depressed mood, and anxiety as top predictors. Study 2 demonstrated superior performance with AUC = 0.878 and F1 = 0.819, maintaining strong external validation (AUC = 0.791, F1 = 0.549), with loneliness as the strongest predictor alongside protective effects of conscientiousness and extraversion. Study 3 achieved the highest discriminative performance (AUC = 0.908, F1 = 0.727), revealing emotion-specific linguistic patterns including protective effects of impersonal pronouns in fear contexts and cognitive mechanisms in positive emotional memories. This dissertation demonstrates that suicidal ideation can be effectively predicted across multiple levels of the biopsychosocial framework without relying on direct suicide-related disclosure. The convergence of interpersonal disconnection as a critical factor across Studies 1 and 2, combined with Study 3's identification of cognitive processing patterns, provides comprehensive insights into suicide risk mechanisms. The performance hierarchy (linguistic analysis > psychosocial factors > psychiatric symptoms) suggests that novel approaches capturing complex behavioral patterns may offer superior predictive capability. These findings support the development of interpretable screening tools using multiple data sources. These findings demonstrate the importance of developing interpretable screening tools using multiple data sources. These tools can strengthen clinical assessment by reducing self-report limitations and contribute to early detection and prevention of suicidal behavior.
Benzer Tezler
- Doğal dil işleme ve makine öğrenimi yöntemi ile majör depresif bozukluk tanılı hastaların görüşmelerinde intihar düşüncesinin tespiti
Detection of suicidal ideation in clinical interviews with patients diagnosed with major depressive disorder using natural language processing and machine learning
GİZEM ANIL YUNUSOĞLU
Tıpta Uzmanlık
Türkçe
2026
PsikiyatriAkdeniz ÜniversitesiRuh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. SERCAN KARABULUT
- State-of-mind classification from unstructured texts using statistical features and lexical network features
İstatistiksel öznitelikler ve sözcüksel ağ özniteliklerini kullanarak, formatsız metinlerde düşünce yapısı sınıflandırılması
ULYA BAYRAM
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolUnıversıty Of CıncınnatıElektrik-Elektronik ve Bilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. JOHN PESTIAN
- Derin öğrenme ve makine öğrenmesi yöntemleriyle çevrimiçi sosyal ağlarda depresyon ve intihar tespiti
Detection of depression and suicide in online social networks with deep learning and machine learning methods
FATOŞ ORĞUN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMunzur ÜniversitesiHesaplamalı Bilimler ve Mühendislik Ana Bilim Dalı
DR. ÖĞR. ÜYESİ ÜMİT CAN
- İntihar girişimi ve intihar düşüncesi olan ergenlerin, serum oksitosin, lipit ve tükürük kortizol düzeylerinin sağlıklı kontrollerle karşılaştırılması
Comparison of serum oxytocin, lipid and salivary cortisol levels of adolescents with suicide attempt and suicidal ideation with healthy controls
ASLIHAN AVUNDUK
Tıpta Uzmanlık
Türkçe
2025
PsikiyatriEskişehir Osmangazi ÜniversitesiÇocuk ve Ergen Ruh Sağlığı ve Hastalıkları Ana Bilim Dalı
DOÇ. DR. DAMLA EYÜBOĞLU
- Unipolar depresyon tanılı beliren yetişkinlerde umutsuzluk, başa çıkma becerileri ve intihar düşüncesinin incelenmesi
An examination of hopelessness, coping skills, and suicidal ideation in emerging adults diagnosed with unipolar depression
NİLAY TURAN
Tıpta Uzmanlık
Türkçe
2025
PsikiyatriZonguldak Bülent Ecevit ÜniversitesiRuh Sağlığı ve Hastalıkları Ana Bilim Dalı
DR. ÖĞR. ÜYESİ VİLDAN ÇAKIR KARDEŞ