Açıklanabilir hibrit makine öğrenmesi modeli ile beş yaş altı Etiyopyalı çocuklarda cücelik tahmini ve temel risk faktörlerinin belirlenmesi

Çocuk büyümesi tahmininin önemi

Düşük gelirli ülkelerde birçok çocuk, uzun süreli yetersiz beslenme, hastalık ve kötü yaşam koşulları nedeniyle olması gerektiği kadar uzun veya güçlü büyüyemiyor. Cücelik adı verilen bu durum öğrenmeyi, sağlığı ve gelecekteki kazancı olumsuz etkiliyor. Etiyopya’da beş yaş altı her üç çocuktan birinden fazlası bu durumdan etkileniyor. Burada özetlenen çalışma, anketlerin zaten topladığı bilgileri kullanarak sağlık personelinin hangi çocukların en yüksek risk altında olduğunu tespit etmesine yardımcı olabilecek yeni bir bilgisayar programı türünü ve bu programın sonuçlarına nasıl ve neden ulaştığını açıklamayı araştırıyor.

Cüceliği sayının ötesinde görmek

Araştırmacılar, beş yaş altındaki binlerce çocuk ve ailelerine dair ayrıntıları içeren 2019 Etiyopya Demografik ve Sağlık Araştırması verileri ile başladılar. Her çocuk için anket, boy ve yaşı kaydederek cücelik düzeyinin normal büyüme, orta düzey cücelik veya şiddetli cücelik olarak üç kategoriye ayrılmasına olanak tanıyor. Şiddetli gruptaki çocuk sayısı normal gruba göre çok daha az olduğu için ekip, bilgisayarın en yaygın kategoriye eğilimli olmak yerine üç kategoriyi de adil biçimde öğrenmesi için verileri dikkatle dengeledi. Ardından analiz için verilerin uygun olduğundan emin olmak üzere temizleme, dönüştürme ve doğrulama işlemleri yapıldı.

İki akıllı aracın harmanlanması

Tek bir makine öğrenmesi modeline dayanmak yerine yazarlar, iki güçlü yaklaşımı birleştiren hibrit bir sistem geliştirdiler. Ağaç tabanlı bölüm, Extra Trees olarak adlandırılan çok sayıda karar ağacı oluşturur; bölge, aile büyüklüğü ve doğum geçmişi gibi karışık verilerde desenleri bulmada iyidir. Diğer bölüm ise çok katmanlı algılayıcı adı verilen basit bir derin öğrenme ağıdır; veriler dönüştürüldükten sonra daha ince ilişkileri yakalayabilir. Tasarımda, ağaç tabanlı model önce verileri işler ve sinyalleri sinir ağına iletir; sinir ağı da çocuğun normal, orta düzeyde cücelik veya şiddetli cücelik olup olmadığını nihai olarak tahmin eder.

Dikkatle değerlendirilmiş doğruluk

Hibrit model, on bir binden fazla çocuk kaydı üzerinde eğitildi ve ayrı bir veri kümesi üzerinde test edildi. Yaklaşık %94 doğruluk, precision, recall ve F1 skoru elde etti ve çapraz doğrulamada güçlü performans göstererek tahminlerinin tek bir örneğe bağlı tesadüf olmadığını düşündürdü. Ayrıntılı bir karışıklık matrisi modelin özellikle açıkça normal çocukları ile açıkça şiddetli cücelik gösteren çocukları ayırmada iyi olduğunu, hataların çoğunun ise orta ile şiddetli cücelik sınırlarında meydana geldiğini ortaya koydu. Yazarlar, anketin yalnızca belirli bir zamana ait bir anlık görüntü sunduğunu vurguluyor; bu nedenle model kuvvetli ilişkiler buluyor ancak hiçbir tek faktörün doğrudan cüceliğe neden olduğunu kanıtlamıyor.

Siyah kutuyu açmak

Yüksek doğruluk tek başına halk sağlığı kararları için yeterli değildir; çünkü politika yapıcılar ve klinisyenler bir sistemin bir çocuğu neden riskli olarak işaretlediğini anlamak ister. Bunu ele almak için çalışma, özellikle her tahmini bireysel faktörlerin katkılarına ayıran LIME adlı yöntem de dahil olmak üzere açıklanabilir yapay zekâ araçları kullanıyor. Özellik önemini ve yerel açıklamaları inceleyerek araştırmacılar, çocuk yaşı, ikamet bölgesi, doğumlar arasındaki zaman aralığı ve hanedeki beş yaş altı çocuk sayısının en etkili öngörücüler olduğunu buldular. Diğer yardımcı sinyaller arasında anne eğitimi, hane yoksulluğu ve temiz suya erişim yer aldı; bunlar önceki beslenme çalışmalarını da yansıtıyor.

Tahminden pratik eyleme

Genel okuyucu için temel mesaj, yapay zekânın dikkatli kullanımıyla sağlık çalışanlarının sadece kaç çocuğun cücelik yaşadığını saymaktan, hangi çocukların ve hangi toplulukların en acil yardıma ihtiyacı olduğunu belirlemeye geçebilecekleri. Hibrit model bize cüceliğin nihai nedenlerini söylemez, ancak kolayca erişilebilen anket sorularına dayalı olarak istatistiksel olarak daha yüksek risk taşıyan çocukları belirlemede güvenilir ve şeffaf bir yöntem sunar. Klinik değerlendirme ile birlikte kullanıldığında, beslenme, temiz su ve aile planlaması gibi hedefe yönelik programları yönlendirerek Etiyopya ve benzeri ülkelerin sınırlı kaynaklarını çocukların büyüme ve potansiyelini koruyacak şekilde odaklamalarına yardımcı olabilir.

Atıf: Wudu, T.K., Endalew, A.A. & Dires, A.A. Explainable hybrid machine learning model for predicting stunting and identifying key risk factors among Ethiopian children under five. Sci Rep 16, 16204 (2026). https://doi.org/10.1038/s41598-026-46417-w

Anahtar kelimeler: çocukluk çağı cüceliği, Etiyopya, makine öğrenmesi, açıklanabilir yapay zekâ, çocuk beslenmesi