23 Sahra Altı Afrika ülkesinde denetimli makine öğrenmesi algoritmaları ile beş yaş altı ölümünün tahmini

Bu çalışma aileler için neden önemli

Sahra Altı Afrika’nın birçok yerinde, küresel çocuk sağkalımı iyileşmiş olsa da, hâlâ çok sayıda çocuk beşinci yaş gününe ulaşamadan ölüyor. Bu çalışma umut verici bir soru soruyor: modern bilgisayar araçları, büyük sağlık anketlerini tarayarak hangi çocukların en fazla risk altında olduğunu sağlık çalışanları ve hükümetler harekete geçecek kadar erken tespit edebilir mi? Halk sağlığı ile makine öğrenmesini birleştirerek araştırmacılar, mevcut verileri genç hayatları kurtarmaya yardımcı olabilecek pratik rehberlere dönüştürmeyi amaçlıyor.

İnatçı bir probleme taze bir bakış

Sahra Altı Afrika’da çocuk ölümleri dünyada en yüksek seviyelerde kalmaya devam ediyor ve ülkeler arasında büyük farklılıklar var. Bu uçurumlar kliniklere erişimdeki eşitsizlikleri, derin ekonomik zorlukları ve anne ile yenidoğan bakımındaki sınırlamaları yansıtıyor. Hangi çocukların en savunmasız olduğunu tahmin etmeye yönelik önceki girişimler sıklıkla küçük örneklemler veya basit yöntemler kullandı; bu da sonuçların güvenilirliğini ve genellenebilirliğini azalttı. Bu çalışmanın ekibi, bölgedeki milyonlarca ailenin gerçeklerini yansıtan daha güçlü ve güvenilir tahmin araçları geliştirmeyi hedefledi.

Büyük anketleri risk tablosuna dönüştürmek

Araştırmacılar, 23 ülkenin son Nüfus ve Sağlık Anketi verilerini birleştirdi; bu veriler her bir anketten önceki beş yılda doğmuş yaklaşık 191.000 çocuğu kapsıyordu. Her çocuk için annenin yaşı ve eğitimi, hane zenginliği, aile büyüklüğü, ailenin yaşadığı yer, ebeveynlerin çalışma türü, annenin ilk doğumu ne zaman yaptığı, doğum öncesi ve doğum sonrası bakım kullanımı, doğum yeri ve sağlık hizmetlerine ulaşmanın zorluğu gibi geniş bir ayrıntı yelpazesi ele alındı. Veriler özenle hazırlandı, ölen çocukların çok daha küçük olan grubu sağ kalanlarla dengelendi ve eğitmeden önce en bilgilendirici değişkenlere odaklanmak için bir özellik seçimi yöntemi kullanıldı.

Algoritmaların örüntülerden öğrenmesine izin vermek

Lojistik regresyon ve karar ağaçları gibi tanıdık araçların yanı sıra birçok basit modeli birleştiren daha güçlü “topluluk (ensemble)” yöntemleri de dahil olmak üzere yedi farklı denetimli öğrenme algoritması test edildi. Her algoritma, beş yaşından önce ölenlerle hayatta kalan çocukları ayırt etmeyi öğrendi ve ne kadar sıklıkla doğru sınıflandırdığı, gerçekten yüksek riskli vakaları ne kadar iyi yakaladığı ve genel olarak yüksek ile düşük riski ne kadar net ayırdığı temelinde değerlendirildi. Birçok karar ağacı kurup sonuçlarını ortalayan rastgele orman (random forest) yaklaşımı açık ara öne çıktı. Yaklaşık %94 oranında doğru sınıflandırma yaptı ve yüksek risk ile düşük risk durumlarını ayırt etme konusunda mükemmele yakın bir yetenek gösterdi.

Siyah kutunun içini görmek

Modelin kararlarını sağlık planlayıcıları ve klinisyenler için anlaşılır kılmak amacıyla ekip, her bir faktörün tahmini daha yüksek veya daha düşük riske nasıl ittiğini gösteren SHAP adlı bir teknik kullandı. Bölge genelinde birkaç tema öne çıktı. Sağlığa ulaşmada büyük sorun bildiren ailelerin çocukları, anneleri 18 yaşından önce ilk çocuğunu doğuran çocuklar ve en yoksul hanelerde yaşayanlar belirgin şekilde daha yüksek tahmini riskle karşı karşıyaydı. Buna karşılık, yirmili yaşlarının ortasındaki annelerin çocukları, sağlık kuruluşlarında doğanlar ve önerilen gebelik ile doğum sonrası bakımı alabilen ailelerin çocukları daha düşük tahmini ölüm şansına sahipti. Bireysel çocuklar için görselleştirilmiş SHAP grafikleri, engeller ve koruyucu etkenlerin özgül karışımının nasıl kişisel bir risk profiline dönüştüğünü gösterdi.

Sayılardan eyleme

Çalışma, büyük, güncel ve temsili anket verileri beslendiğinde makine öğrenmesi modellerinin Sahra Altı Afrika’da hangi çocukların beş yaşından önce ölme olasılığının en yüksek olduğuna dair güvenilir bir erken uyarı sağlayabileceğini gösteriyor. Aynı derecede önemli olarak, yorumlanabilirlik araçları değişimi etkileyebilecek tanıdık ama güçlü müdahale noktalarını vurguluyor: kliniklere erişimi kolaylaştırmak, çok erken çocuk doğumlarını geciktirmek ve aşırı yoksulluğu azaltmak. Sıradan bir okuyucu için mesaj net: bilgisayarlar doktorların veya hemşirelerin yerini almıyor, ancak sınırlı kaynakları en çok ihtiyaç duyan ailelere yönlendirmede yardımcı olabilir ve verileri çocukların hayatlarını kurtarmaya yönelik pratik bir yol haritasına dönüştürebilir.

Atıf: Asnake, A.A., Gebrehana, A.K., Asmare, Z.A. et al. Prediction of under-five mortality using supervised machine learning algorithms in the 23 sub-Sharan African countries. Sci Rep 16, 9131 (2026). https://doi.org/10.1038/s41598-026-40401-0

Anahtar kelimeler: beş yaş altı ölüm, Sahra Altı Afrika, makine öğrenmesi, çocuk sağlığı risk faktörleri, kamu sağlığı tahmini