Makine öğrenmesiyle yönlendirilen diyabet risk tahmininde özellik seçimi için kopula tabanlı denetimli bir filtre

Neden en uç vakalar önemlidir

Doktorlar ve sağlık sistemleri kimlerin diyabet riski taşıdığını tahmin eden araçlar geliştirdiklerinde, genellikle riskin uç noktasındaki kişiler—sağlık ve yaşam tarzı faktörleri ileride sorun işaretleri verenler—konusunda en çok endişe duyarlar. Ancak birçok yaygın makine öğrenmesi yöntemi herkesin verisini örtük şekilde ortalar, bu da en yüksek riskli hastalar için tablonun bulanıklaşmasına yol açabilir. Bu makale, bilinçli olarak bu uçlara odaklanan, büyük sağlık veri kümelerini eleyip daha verimli ve klinisyenler için daha yorumlanabilir tahmin modelleri oluşturmayı amaçlayan yeni bir yöntemi tanıtıyor.

Veri denizinden doğru ipuçlarını seçmek

Modern sağlık anketleri yüz binlerce insan için yaş ve kilodan tansiyon, egzersiz alışkanlıkları ve ruh haline kadar onlarca değişkeni izleyebilir. Bu ölçümlerin hepsi diyabeti tahmin etmede eşit derecede yardımcı olmaz. Hangilerini saklayacağına karar verme sürecine özellik seçimi denir. Geleneksel yaklaşımlar her değişkeni hastalıkla olan genel ilişkiye veya bir modelin doğruluğunu ne kadar artırdığına göre sıralar. Yazarlar bunun önemli bir nüansı kaçırdığını savunuyor: bir faktör ancak en yüksek risk grubunda—örneğin çok yüksek vücut kitle indeksi veya ciddi hareket kısıtlılığı—önemli olabilir, ortalamada ise mütevazı görünebilir. Yöntemleri tam da bu “ortak uçları”, yani hem bir risk faktörünün hem de diyabet olasılığının eşzamanlı olarak yüksek olduğu durumları ortaya çıkarmak üzere tasarlandı.

Risk faktörlerini kuyruk odaklı sıralama

Çalışma, aşırı değer istatistiklerinin dünyasından kopula olarak bilinen matematiksel bir aracı ve özellikle Gumbel kopulası adını verdikleri bir versiyonunu ödünç alıyor. Verinin tüm ayrıntılarını modellemek yerine, yazarlar bunu bir puanlama kuralı olarak kullanıyor; bu kural belirli bir özelliğin ve diyabet durumunun değerlerinin üst kuyrukta birlikte ne sıklıkla uç değerler gösterdiğini söylüyor. Standart bir sıra‑tabanlı ilişki ölçüsünü “kuyruk uyumu” puanına çeviriyorlar: puan yüksekse, o özellik bir kişinin diyabet olması veya olmaya yakın olduğu zamanlarda özellikle büyük olma eğilimindedir. Her özellik böyle bir puan alıyor ve en yüksek puanlılar tahmin modelleri kurmak için tutuluyor. Yöntem ham sayılar yerine sıralar üzerinde çalıştığı için ölçüm birimlerinin tam kesinliğine karşı nispeten duyarsızdır ve çok büyük veri kümelerinde bile hızlı hesaplanabilir.

Fikri iki çok farklı veri kümesinde test etmek

Bu kuyruk‑farkındalıklı sıralamanın pratikte yararlı olup olmadığını görmek için yazarlar bunu iki iyi bilinen diyabet veri kümesine uyguluyor. İlki, kendi değerlendirilen sağlık durumundan tansiyon, kolesterol, kilo, hareket kabiliyeti ve bakım erişimine kadar 21 değişkeni kapsayan ve çeyrek milyondan fazla yetişkini içeren ABD Hastalık Kontrol ve Önleme Merkezleri kaynaklı geniş bir kamusal sağlık anketidir. İkincisi ise kan glukozu, insülin, vücut kitle indeksi ve yaş gibi sekiz laboratuvar ve muayene ölçümü bulunan, 768 kadından oluşan daha küçük ve klasik Pima Indians Diabetes veri setidir. Büyük ankette yeni yöntem, değişken sayısını yaklaşık yarıya indirerek 21’den 10’a düşürüyor, buna rağmen tüm değişkenleri kullanmaya yakın performans gösteren ve birkaç standart seçim tekniğini açıkça geride bırakan modelleri destekliyor. Daha küçük Pima verisinde, başlangıçta sadece sekiz potansiyel öznitelik olduğundan tüm yöntemler aynı değişken setini kullanıyor; burada yeni sıralama güçlü rakipler kadar iyi performans gösteriyor ve test edilen modellerden biri için sayısal olarak en yüksek ayırt edicilik skorunu sağlıyor.

Yöntemin diyabet riski hakkında öğrendikleri

Ham doğruluğun ötesinde, seçilen öngörücüler klinik sezgiyle örtüşüyor. Ulusal ankette kuyruk‑odaklı yöntem, zayıf kendi bildirilen genel sağlık durumu, yüksek tansiyon ve kolesterol, yüksek vücut kitle indeksi, ileri yaş, önceki kalp hastalığı veya felç, yürüme zorluğu ve kötü fiziksel sağlık günlerini sürekli olarak öne çıkarıyor—tam da en yüksek riskteki kişilerde kümelenen yükler bunlar. Pima çalışmasında ise son derece yüksek kan şekeri, aşırı vücut ağırlığı ve ileri yaş, ardından insülin seviyeleri ve aile öyküsü skoru öne çıkıyor. Araştırmacılar ayrıca modellere gürültü ekleyerek, etiketlerin bir kısmını ters çevirerek ve eksik değerler tanıtarak stres testi yapıyor; performans yalnızca hafifçe bozuluyor, bu da yaklaşımın gürültülü gerçek dünya verileri için yeterince sağlam olduğunu öne sürüyor.

Bu hastalara ve klinisyenlere nasıl yardımcı olabilir

Uzman olmayan bir okuyucu için çıkarılacak ana mesaj şudur: tüm risk faktörleri eşit yaratılmamıştır ve diyabetin eşiğindeki kişiler için en çok önem taşıyanlar, özel olarak uçlara bakılarak tespit edilebilir. Önerilen yöntem, büyük sağlık veri kümelerini hızlı ve şeffaf bir şekilde tarayıp hastalıkla en yüksek risk dilimlerinde birlikte yükselen değişkenleri gündeme getirme imkânı sunuyor. Yerleşik tekniklerle birlikte kullanıldığında, halk sağlığı ekiplerinin ve klinisyenlerin önleyici çabalarını ve kaynak dağılımını en büyük farkı yaratma olasılığı olan yerlere yönlendirebilmeleri için çok zayıf genel sağlık, şiddetli obezite ve kardiyovasküler sorunlar gibi en belirgin uyarı işaretlerine odaklanan daha basit modeller oluşturmalarına yardımcı olabilir.

Atıf: Aich, A., Murshed, M.M., Hewage, S. et al. A copula based supervised filter for feature selection in machine learning driven diabetes risk prediction. Sci Rep 16, 12132 (2026). https://doi.org/10.1038/s41598-026-41874-9

Anahtar kelimeler: diyabet risk tahmini, özellik seçimi, kuyruk bağımlılığı, tıbbi makine öğrenmesi, kopula yöntemleri