Merkezî Etiyopya’daki indeks TB hastalarının hane halkı temasları arasında tüberküloz riskini tahmin etmek için makine öğrenmesi yaklaşımları

Aileler için neden önemli

Tüberküloz (TB) genellikle otobüslerde veya kalabalık pazarlarda tanımadık kişilerden kapılan bir hastalık olarak düşünülür, oysa birçok enfeksiyon aslında evde gerçekleşir. Bir hane içinde bir kişi TB olduğunda, yakınları aynı havayı, odaları ve yatakları paylaşır—ancak bunların yalnızca birkaçı hastalığı geliştirecektir. Orta Etiyopya’dan bu çalışma küresel önemi olan pratik bir soruyu gündeme getiriyor: bilgisayarlar, kıt olan test ve ilaçların en çok ihtiyaç duyulan kişilere yönlendirilmesi için hangi aile üyelerinin hastalanma olasılığının daha yüksek olduğunu hızla seçmemize yardımcı olabilir mi?

Çalışılan evlerde yaşam

Araştırmacılar, bulaşıcı akciğer TB’si teşhisi konulan kişilerin evlerini rutin olarak ziyaret eden sağlık ekipleriyle çalıştı. Dört kırsal ilçede ve üç küçük kasabada, 387 "indeks" TB hastası ve onlarla yaşayan 1.277 kişi hakkında ayrıntılı bilgi topladılar. Birçok hane kalabalıktı; tipik dört kişilik aile küçük evlere sığışmış, genellikle yalnızca bir odaya ve bir pencereye sahipti. Ailelerin çoğu odun veya kömür ateşi üzerinde yemek pişiriyor, havayı dumanla dolduruyordu. Hane üyelerinin birçoğu çocuklar veya genç yetişkinlerdi ve hem hastalar hem de temasların neredeyse yarısı az veya hiç resmi eğitime sahip değildi. Bunlar TB’nin kolay yayıldığı ortamlardır—ama yine de yalnızca 23 hane üyesine (yüzde yaklaşık 2) sonunda TB teşhisi kondu.

Ev ziyaretlerini veriye dönüştürmek

Her ev ziyareti günlük yaşam ve sağlık hakkında zengin bir tablo ortaya koydu. Her temas için ekip yaş, cinsiyet, aşı durumu, öksürük, ateş, gece terlemeleri, yorgunluk, kilo kaybı, hasta ile geçirilen süre ve astım veya diyabet gibi diğer hastalıkları kaydetti. Ayrıca oda sayısı, ev tipi, pişirme yakıtı ve havalandırma gibi hane detayları ile indeks TB hastasının tedaviye başlamadan önce ne kadar süredir hasta olduğu gibi özellikler de not edildi. Tüm bu bilgiler, eksik yanıtları dikkatle ele alan ve veri kümesindeki nadir olayların—örneğin az sayıda TB vakasının—modeller tarafından göz ardı edilmesini önleyen yöntemlerle bilgisayar analizine uygun sayılara dönüştürüldü.

Algoritmaların desen aramasına izin vermek

Ardından ekip, hangi temasların TB’ye sahip olduğunu tahmin etmek için verilerden desenleri öğrenen birkaç tür makine öğrenmesi modelini eğitti. Bunlar arasında lojistik regresyon gibi tanıdık istatistiksel araçlar ile Random Forest, Balanced Random Forest, K‑Nearest Neighbors, yapay sinir ağları ve gradyan artırma gibi daha esnek yaklaşımlar vardı. Temasların ezici çoğunluğunun TB’si olmadığı için yazarlar "recall"a (duyarlılık) odaklandılar: bir modelin mümkün olduğunca çok gerçek TB vakasını yakalama yeteneği, bazen bazı yanlış alarmlar yükseltilse bile. Halk sağlığında hastayı kaçırmak genellikle fazladan sağlıklı bir kişiyi test etmekten daha tehlikelidir.

Riskte etkili olanlar ve hangi modeller daha iyi çalıştı

Birçok basit karar kuralını birleştiren toplu (ensemble) modeller, özellikle Random Forest ve onun "balanced" varyantı gerçek TB vakalarını bulmada en iyi performansı gösterdi. Bu modeller TB olan yaklaşık yedi kişiden altısını doğru şekilde tespit etti ve makul bir genel doğruluğu korudu. Çalışma ayrıca SHAP adı verilen bir teknik kullanarak bu "kara kutu" modellerin içine bakıp hangi faktörlerin en önemli olduğunu gösterdi. Tarama sırasında şüpheli TB vakası olarak işaretlenmek, balgam örneği vermek, uzun süren veya balgamlı öksürüğe sahip olmak, çok yorgun hissetmek ve iştah kaybı bir teması "muhtemel TB" tarafına güçlü biçimde itiyordu. Hane özellikleri arasında daha küçük ev alanı (kalabalığın bir işareti) riski artırdı. Bazı özellikler koruyucu görünüyordu: kadın olmak, daha uzun boylu olmak ve daha eğitimli bir indeks hasta ile yaşamak daha düşük riskle ilişkilendirildi; bu muhtemelen maruziyet, beslenme ve sağlık hizmetlerine erişimdeki farkları yansıtıyor olabilir.

TB kontrolü için ne anlama geliyor

Sınırlı kaynakları zorlayan sağlık programları için bulgular, rutin ev ziyareti verilerini daha akıllıca kullanmanın bir yolunu sunuyor. Tüm hane temaslarını aynı şekilde ele almak yerine klinikler arka planda çalışan basit bilgisayar modelleriyle en yüksek risktekileri daha yakın izlemede, daha hızlı testte veya koruyucu tedavide işaretleyebilir. Çalışma, düşük kaynaklı ortamlarda bile özenle tasarlanmış makine öğrenmesi araçlarının aile üyeleri arasındaki TB’yi daha erken tespit etmeye, kaçırılan vakaları azaltmaya ve temas soruşturmalarını daha verimli hale getirmeye yardımcı olabileceğini öne sürüyor—ancak modellerin ulusal TB stratejilerine entegre edilmeden önce diğer bölgelerde test edilip uyarlanması gerekir.

Atıf: Wolde, H.M., Kebede, W., Yewhalaw, D. et al. Machine learning approaches to predict the risk of tuberculosis among household contacts of index TB patients in Central Ethiopia. Sci Rep 16, 10457 (2026). https://doi.org/10.1038/s41598-026-41547-7

Anahtar kelimeler: tüberküloz, hane halkı temasları, makine öğrenmesi, risk tahmini, Etiyopya