COVID-19 risk tahmini için yeni derin öğrenme modeliyle hibrit özellik seçimi

COVID-19 riskini tahmin etmenin önemi neden sürüyor

Dünya COVID-19 ile yaşamayı öğrenirken bile virüs ortadan kaybolmadı. Yeni varyantlar ortaya çıkmaya devam ediyor, hastaneler hâlâ baskı altında kalabiliyor ve savunmasız kişiler ciddi hastalık veya ölüm riski altında olmaya devam ediyor. Bu yüzden doktorların, enfekte bir hastanın ağır hastalanma olasılığını hızlı ve güvenilir şekilde tahmin etmeye ihtiyaçları var. Bu makale, hastane verilerini ve gelişmiş yapay zekayı kullanarak COVID-19 riskini daha doğru tahmin eden yeni bir bilgisayar modeli sunuyor; bu, klinisyenlerin kimin daha yakından izlenmesi, erken tedavi veya yoğun bakım gerektirebileceğine karar vermesine yardımcı olabilir.

Ham hasta kayıtlarından kullanılabilir sinyallere

Çalışma çok büyük bir klinik veri kümesiyle başlıyor: her biri yaş grubu, altta yatan durumlar ve diğer risk faktörleri gibi 21 basit, çoğunlukla evet-hayır özellik ile tanımlanan bir milyondan fazla anonim hasta. Gerçek dünya hastane verileri düzensizdir, bu yüzden ilk adım bunları "temizlemek". Yazarlar uç değerleri sıkıştıran ve çok küçük değer kümelerini açan log ölçekleme adlı matematiksel bir hile uyguluyor. Bu dönüşüm verileri daha kararlı ve algoritmalar için daha kolay işlenir hale getiriyor; sıra dışı sayılar veya seyrek göstergelerin modeli yanıltma olasılığını azaltıyor.

En belirleyici işaretleri seçmek

Her kaydedilen değişken tahmin için aynı derecede faydalı değildir ve çok fazla zayıf sinyal yapay zeka sistemini gerçekten karıştırabilir. Bu nedenle araştırmacılar, daha az yararlı bilgileri filtreleyen ve en bilgilendirici faktörleri tutan özellik seçimi yapıyor. Onların hibrit yaklaşımı iki fikri birleştiriyor: bir ölçüt bir özelliğin yüksek riskli ve düşük riskli hastaları ne kadar iyi ayırdığını inceliyor, diğeri ise özelliklerin birbirleriyle ne kadar örtüştüğünü kontrol ediyor. Bu iki bakış açısını ortak bir ölçekte dengeleyerek, yöntem hem güçlü hem de gereksiz tekrara düşmeyen özellikleri tercih ediyor. Bu budama eğitim süresini hızlandırıyor, aşırı uyumu azaltıyor ve modeli klinik olarak en anlamlı desenlere odaklıyor.

Desen tanımayı bulanık akıl yürütme ile harmanlamak

Makalede çekirdek olan şey, Fuzzy-Deep Kronecker Recurrent Neural Network yani Fuzzy-DKRNN adını taşıyan yeni bir tahmin motoru. Bu motor birkaç tamamlayıcı tekniği harmanlıyor. Bir bileşen, klinik verilerde gizli sıkıştırılmış, yapılandırılmış desenleri ortaya çıkarmaya yönelik bir Deep Kronecker Network. Diğer bir bileşen, örneğin zaman içinde bir dizi faktörün riski etkilemesi gibi bağımlılıkları ve eğilimleri yakalamaya uygun olan derin tekrarlı bir ağ. Bunların üzerine yazarlar bir bulanık mantık sistemi katıyor. Sadece sert evet-hayır kararları vermek yerine bulanık kurallar "birkaç risk göstergesi orta derecede yüksekse hasta muhtemelen yüksek risklidir" gibi ifadeler kuruyor. Her kural bir kesinlik derecesi taşıyor; bu da modelin tıpta yaygın olan belirsizlikleri ve gri alanları işlemesine olanak sağlıyor.

Model ne kadar iyi performans gösteriyor?

Yazarlar Fuzzy-DKRNN modellerini göğüs röntgeni görüntülerine dayalı sistemler, geleneksel makine öğrenmesi ve diğer derin öğrenme yaklaşımları dahil olmak üzere bir dizi son teknoloji alternatifle titizlikle test ediyor. Doğruluk, kesinlik, geri çağırma ve F1-skora gibi standart ölçütleri kullanarak, yöntemleri tutarlı şekilde öne çıkıyor. En iyi yapılandırmasında model genel olarak vakaların yaklaşık %91’ini doğru sınıflandırıyor; hem ağır hastalanacak hastaları tespit etmede hem de ağırlaşmayacaklarda gereksiz alarma yol açmamada yüksek yeteneğe sahip. Bu kazanımlar eğitim verisi miktarı ve iç doğrulama ayarları değiştirildiğinde de korunuyor; bu da yaklaşımın belirli bir senaryoya aşırı uyumlu değil, sağlam olduğunu gösteriyor.

Bu hastalar ve hastaneler için ne anlama geliyor

Düz bir ifadeyle, bu çalışma dikkatli veri temizliği, kilit risk faktörlerinin akıllıca seçimi ve derin öğrenme ile bulanık mantığın bir araya getirilmesinin, rutin klinik bilgilerden daha güvenilir COVID-19 risk tahminleri üretebileceğini gösteriyor. Böyle bir araç doktorların yerini almayacak, ancak erken uyarı yardımı olarak hizmet edebilir—daha yakından izlenmeyi hak eden hastaları işaretleyebilir, yoğun bakım yatakları gibi kıt kaynakların dağıtımına rehberlik edebilir ve sonuçta önlenebilir ölümleri azaltmaya yardımcı olabilir. Aynı strateji, karmaşık klinik verilerden erken risk tespiti kritik olan diğer hastalıklara da uyarlanabilir.

Atıf: P, G.S., Kathiravan, M., Shanthi, S. et al. Hybrid feature selection with novel deep learning model for COVID-19 risk prediction. Sci Rep 16, 4106 (2026). https://doi.org/10.1038/s41598-026-35013-7

Anahtar kelimeler: COVID-19 risk tahmini, derin öğrenme, bulanık mantık, klinik karar destek, tıbbi yapay zeka modelleri