Veteranların kişiselleştirilmiş intihar riski tahminini ayrık doğal dil işleme modellerini entegre ederek geliştirme

Bu araştırma neden önemli

Askeri gaziler arasında intihar, acil bir halk sağlığı sorunudur; yine de en iyi tahmin araçlarımız bile, özellikle açıkça tehlikede görünmeyen birçok yüksek riskli kişiyi kaçırmaya devam ediyor. Bu çalışma, bilgisayarların gazilerin tıbbi kayıtlarında yazılı olan kelimelerden daha fazla şey öğrenip öğrenemeyeceğini ve kimlerin yardıma ihtiyaç duyabileceğini daha iyi saptayıp saptayamayacağını araştırıyor; özellikle şu anda yalnızca düşük veya orta riskli olarak sınıflandırılanlara odaklanıyor.

Alışılmış sayılardan öteye bakmak

ABD Gaziler İşleri Bakanlığı (VA) zaten REACH‑VET adında gazileri en yüksek intihar riski açısından işaretleyen bir sistem kullanıyor. REACH‑VET, tanılar, önceki hastane yatışları veya bir kişinin intihar düşüncelerini bildirip bildirmediği gibi tabloya kolayca sığan “yapılandırılmış” bilgilere dayanıyor. Güçlü olmakla birlikte, bu yaklaşım en çok VA hizmetlerini sık kullanan ve bu tür verileri bolca üreten hastalar için etkili oluyor. Daha az ziyaret yapan veya sıkıntıları onay kutuları ve kodlarla tam olarak yakalanmayan gaziler, tehlikede olmalarına rağmen gözden kaçırılabiliyor.

Doktor notlarını kullanılabilir sinyallere dönüştürmek

Klinisyenlerin bir hasta hakkında bildiklerinin çoğu düzenli alanlarda değil, serbest metin notlarında yer alır. Araştırmacılar, intihar nedeniyle yaşamını yitiren gaziler için ölümden 5 ila 30 gün öncesinde alınan ve yaşamayan, eşleştirilmiş gaziler için aynı zaman aralığındaki bu yazılı notlara erişerek dildeki kalıpların risk tahminini keskinleştirip keskinleştiremeyeceğini incelediler. Metni işleme konusunda iki yaklaşımı karşılaştırdılar. Biri, aile bağları, zevk veya olumsuz duygular gibi kavramları yakalayan uzman tarafından oluşturulmuş sözlüklerden başlayan “semantik” yöntemdi. Diğeri ise belirli kelimelerin veya kısa ifadelerin ne sıklıkta göründüğünü sayan ve ön varsayımlara girmeden verinin kendi örüntülerini ortaya çıkarmasına izin veren “sayaç” yöntemiydi.

Dile iki bakış açısını birleştirmek

Bu bileşenleri kullanarak, ekip REACH‑VET’e göre yüksek, orta ve düşük öngörülen risk olmak üzere üç grupta ayrı ayrı intihar eden gazileri, etmemiş benzer gazilerden ayırt etmeye çalışan makine öğrenimi modelleri oluşturdu. Yalnızca semantik özellikleri kullanan, yalnızca kelime sayımlarını kullanan veya her ikisinin harmanını yapan modeller yarattılar. İki metin yaklaşımını adil şekilde karıştırmak için, sayıca daha az olan semantik özelliklerin, çok daha fazla sayıda olan sayım özellikleriyle birlikte kararları etkileme şansı elde etmesi için modelde ayarlama yaptılar. Performans, esasen modelin intihar nedeniyle yaşamını yitiren birine, yaşamayan eşleştirilmiş kişiye göre daha yüksek risk puanı verip vermediğini soran standart bir ölçüt kullanılarak değerlendirildi.

Modellerin keşfettiği şeyler

Üç risk grubunun tümünde, yalnızca kelime sayımlarına dayanan modeller genellikle yalnızca semantik sözlükleri kullanan modellerden daha iyi performans gösterdi. Yine de orta ve düşük REACH‑VET düzeyindeki gaziler için en başarılı modeller, kelime sayımlarına ağırlıklı olarak dayanan ama yine de semantik ölçülerden bazı bilgiler alan melez modellerdi. Bu birleşik modeller, yalnızca REACH‑VET’e kıyasla ılımlı kazanımlar sağladı; en büyük iyileşmeler başlangıçta düşük riskli olarak etiketlenen gaziler için görüldü; bu grup genellikle daha az tıbbi randevuya ve daha az yapılandırılmış veriye sahipti. Önemli olan dil kalıpları grup bazında farklılık gösterdi: yüksek riskli notlar akut ruhsal sağlık sorunlarını vurgularken, orta riskli notlar bakım süreçlerini ön plana çıkardı; düşük riskli notlar ise genel tıbbi ve rehabilitasyon temalarına, ayrıca sosyal bağlantıların varlığına veya yokluğuna işaret eden unsurlara eğilim gösterdi.

Bakım ve önleme için çıkarımlar

Bu bulgular, elektronik sağlık kayıtlarındaki yapılandırılmamış metnin, özellikle zaten en yüksek risk kategorisinde olmayan kişiler için intihar riski tahminlerini rafine edebilecek değerli ipuçları içerdiğini öne sürüyor. Basit kelime sayımı örüntülerini daha kuram odaklı semantik sinyallerle harmanlayıp modelleri farklı risk düzeylerine göre uyarlayarak, sağlık sistemleri savunmasız gazileri daha erken fark edebilir ve risklerinin düzeyine ve türüne uygun müdahaleler tasarlayabilir. Daha düşük riskli hastalar için bunun anlamı, otomatik kontroller, akran veya sağlıklı yaşam programlarına yönlendirmeler gibi daha hafif dokunuşlu destekler ya da rutin ziyaretlerde sosyal ve duygusal zorlukların düzenli olarak ele alınması olabilir.

Gaziler ve klinisyenler için anlamı

Basitçe ifade etmek gerekirse, çalışma klinisyenlerin hastalarını nasıl tanımladığına dikkat etmenin—geleneksel tıbbi verilerin yanı sıra—intihar tahmin araçlarını, aksi takdirde gözden kaçabilecek gazilere karşı daha duyarlı hale getirebileceğini gösteriyor. Kazançlar ölçülü olmakla birlikte ve yaklaşımın gerçek zamanlı klinik ortamlarda test edilmeye devam etmesi gerekirken, bu yalnızca açık kriz içindeki kişilere değil, riskinin daha sessiz, daha karmaşık ve daha kolay kaçırılabilecek olduğu gazilere de hizmet eden, daha kişiselleştirilmiş ve veriyle yönlendirilen intihar önleme yolunda somut bir adımı işaret ediyor.

Atıf: Dimambro, M., Levy, J., Gui, J. et al. Enhancing personalized suicide risk prediction for VA patients by integrating discrete natural language processing models. Transl Psychiatry 16, 196 (2026). https://doi.org/10.1038/s41398-026-03940-8

Anahtar kelimeler: gazi intihar riski, elektronik sağlık kayıtları, doğal dil işleme, risk tahmin modelleri, ruh sağlığı hizmetleri