On ülke Doğu Afrika’da ergen gebeliğinin belirleyicilerinin makine öğrenmesi ile tahmini ve tanımlanması

Bu Çalışma Neden Önemli

Ergen gebeliği, özellikle düşük ve orta gelirli ülkelerde milyonlarca gencin sağlığını, eğitimini ve gelecekteki kazancını şekillendirir. Doğu Afrika’da kızların ergenlik döneminde hamile kalma olasılığı dünyanın birçok diğer bölgesine göre çok daha yüksektir ve bu durum aileler ve topluluklar üzerinde dalga dalga etkiler yaratır. Bu çalışma çağdaş bir soruyu gündeme getiriyor: modern bilgisayar teknikleri—özellikle makine öğrenmesi—hangi kızların en fazla risk altında olduğunu ve hangi sosyal ile ekonomik koşulların en önemli olduğunu tespit etmemize yardımcı olabilir mi, böylece sınırlı kaynaklar en fazla faydayı sağlayacak yerlere yönlendirilebilir mi?

Akıllı Bilgisayarlarla Yeniden Bakış

Araştırmacılar, on Doğu Afrika ülkesinden 15–19 yaş arasındaki 32.000’den fazla kızın verilerini; birçok halk sağlığı kararına rehberlik eden, geniş ve standartlaştırılmış sağlık anketlerini kullanarak analiz etti. Geleneksel istatistiklerle yetinmek yerine, örneklerden desenler öğrenen denetimli makine öğrenmesi yöntemlerine başvurdular. Lojistik regresyon, karar ağaçları ve Random Forests ile XGBoost gibi daha gelişmiş araçlar da dahil olmak üzere birkaç model test edildi. Bu modelleri eğitmeden önce ekip verileri titizlikle temizledi ve hazırladı: eksik değerler tamamlandı, anket yanıtları bilgisayar dostu formatlara dönüştürüldü, sayısal değerler tek bir faktörün baskın olmasını önleyecek şekilde ölçeklendirildi ve radyo, TV ve gazete erişimini birleştirerek sosyal medya maruziyeti için tek bir ölçüt gibi yeni değişkenler türetildi.

Veriyi Dengeleme ve Modellerin Eğitimi

Karşılaşılan zorluklardan biri, ankete katılan ergenlerin çoğunun hamile olmamasıydı; bu da “hamile” ve “hamile değil” vakaları arasında dengesizlik yaratarak bilgisayarları yanıltabiliyor. Bunu ele almak için ekip, hem sınırdaki yinelenen örnekleri kaldıran hem de daha küçük grup için gerçekçi ek vakalar üreten teknikler kullandı ve daha dengeli, bilgilendirici bir veri seti oluşturdu. Ardından veriyi, modelleri öğretmek için %80 ve yeni, görülmemiş kızlarda modelin performansını test etmek için %20 olarak ikiye böldüler. Genel doğruluk, gerçek vakaları yakalama sıklığı ve yanlış alarmlardan kaçınma gibi çoklu değerlendirme ölçütleri boyunca Random Forest modeli en güvenilir olarak öne çıktı.

Ergen Gebeliği Riskini Belirleyenler

İyi performans gösteren bir modelle yazarlar yorumlanabilirliğe odaklandı: ergen gebeliğini tahmin etmede en etkili faktörler hangileri? Özellik seçimi ve SHAP adlı açıklama aracı kullanılarak tutarlı biçimde bir dizi sosyal ve ekonomik koşul öne çıktı. Bunlar arasında evli olmama, daha erken yaşta cinsel ilişkiye başlama, düşük anne eğitimi düzeyi, daha yoksul hanelerde yaşama, daha büyük aile boyutu, kırsal bölgede ikamet etme ve sağlık kuruluşuna mesafenin büyük bir sorun olduğunu bildirme sayılabilir. Sosyal medya ve dijital bilgi kaynaklarına sınırlı maruziyetin de riski artırdığı görüldü. Buna karşılık, modern aile planlaması yöntemlerini şu anda kullanmanın ergen gebeliği olasılığını düşürdüğü beraberinde çıktı; bu da doğum kontrolüne erişim ve kabulün koruyucu olabileceğini düşündürüyor.

Ülkeler Arası Farklar ve Modelin Gücü

Veriler, ergen gebeliğinin Doğu Afrika’da eşit dağılmadığını ortaya koydu. Bu veri setinde Kenya yaklaşık her beş ergen kızdan birini etkileyerek en yüksek oranı gösterirken, Malawi en düşük oranı sergiledi. Yine de aynı geniş risk faktörleri bölge genelinde görüldü. Random Forest modeli bu desenleri yüksek doğrulukla (yaklaşık %90’a yakın) ve yüksek bir yüksek-risk ile düşük-riskli ergenleri ayırt etme yeteneğiyle yakaladı. Model farklı veri alt kümelerinde tekrar tekrar test edildiği için yazarlar, analizin nedensellik ilişkisini kanıtlayamasa da performansının benzer gerçek dünya koşullarında da dayanıklı olma ihtimalinin yüksek olduğunu savunuyorlar.

Kızlar ve Topluluklar İçin Anlamı

Kısacası çalışma, Doğu Afrika’da ergen gebeliğinin yoksulluk, sınırlı eğitim, erken cinsel başlangıç, kırsal yerleşim, sağlık hizmetlerine kötü erişim ve modern medya yoluyla bilgi eksikliği ile yakından ilişkili olduğunu; modern doğum kontrolünün ise riski azalttığını ortaya koyuyor. Bilgisayar modellerinin büyük ulusal anketlerde bu desenleri güvenilir biçimde işaretleyebileceğini göstererek, çalışmanın pratik bir yol sunduğu ileri sürülebilir: hükümetler ve sağlık kuruluşları benzer araçları kullanarak hangi bölgelerde ergen kızların en savunmasız olduğunu tespit edebilir, kırsal alanlarda gençlere uygun üreme sağlığı hizmetlerini genişletebilir, okul tabanlı cinsel sağlık eğitimini güçlendirebilir ve doğru, damgalamadan uzak bilgiyi paylaşmak için radyo, TV ve mobil medyayı kullanabilir. Bu adımlar bir arada, daha fazla ergenin istem dışı gebeliklerden kaçınmasına ve sağlıkları ile gelecekleri üzerinde kontrol sahibi olmalarına yardımcı olabilir.

Atıf: Baykemagn, N.D., Gebiru, A.M., Getnet, M. et al. Machine learning-based prediction and identification of determinants of teenage pregnancy in ten East African countries. Sci Rep 16, 13128 (2026). https://doi.org/10.1038/s41598-026-43004-x

Anahtar kelimeler: ergen gebeliği, Doğu Afrika, makine öğrenmesi, üreme sağlığı, sosyal belirleyiciler