Tanzanya’da HIV bakımından kopmayı tahmin etme ve anlama için geliştirilmiş dil modelleri: bir vaka çalışması

İnsanları HIV bakımında tutmanın önemi

HIV tedavisine devam etmek, insanları sağlıklı tutmak ve virüsün yayılmasını durdurmak için elimizdeki en güçlü araçlardan biridir. Yine de birçok yerde, özellikle sahel altı Afrika’da, bazı hastalar ilaçlarını almamaya veya klinik randevularını kaçırmaya başlıyor; bunun arkasında genellikle karmaşık sosyal ve ekonomik nedenler bulunuyor. Bu çalışma, yeni bir yapay zeka türü olan büyük dil modelinin, Tanzanya’daki doktorların bakımdan kopma riski en yüksek kişileri tespit ederek desteğin sorun başlamadan önce onlara ulaşmasını sağlamada yardımcı olup olamayacağını inceliyor.

Sağlık kayıtlarını yararlı bir hikâyeye dönüştürmek

Araştırmacılar, 2018–2023 yılları arasında Tanzanya’da bakım alan 260.000’den fazla HIV pozitif kişiye ait 4,8 milyondan fazla elektronik hasta kaydıyla çalıştı. Bu kayıtlar yaş, cinsiyet, klinik ziyaret tarihleri, verilen ilaç sayısı, viral yük gibi laboratuvar sonuçları ve sağlık tesislerine ilişkin ayrıntıları içeriyordu. Araştırma ekibi tek tek anlık görüntülere bakmak yerine, randevu kaçırma veya gecikme ve antiretroviral terapi alma boşlukları gibi örüntüleri yakalayan tüm bakım geçmişlerine odaklandı. Ardından bu verileri, bir dil modelinin neredeyse hasta biyografisi gibi okuyabileceği sade dilde özetlere çevirdiler.

Yapay zekayı titiz bir klinisyen gibi düşünmeye öğretmek

Araştırma ekibi açık kaynak bir dil modeli (Llama 3.1) uyarladı ve Tanzanya kayıtları üzerinde ince ayar yaparak modele şu belirli soruyu yanıtlamayı öğretti: önümüzdeki yıl bu hasta haftalarca tedavi almayacak mı, baskılanmamış viral yük geliştirecek mi yoksa takibi kaybedilecek mi? Tutarlı biçimde yapabilmesi için modele üç sonuca ilişkin sabit bir cümle formatında yanıt vermesi talimatı verildi: virüs baskılanmış mı yoksa tespit edilebilir mi; kişi 28 günden fazla süreyle takibi kaybeder mi; tedaviye uyumsuzluk riski yüksek, orta, düşük veya yok mu. Girdi aynı zamanda standartlaştırılmış metin olarak yazıldığı için sistem hem karmaşık geçmişleri işleyebildi hem de mantığını insan tarafından okunabilir dilde açıklayabildi.

Yeni model eski araçlarla nasıl kıyaslanıyor

Geliştirilmiş dil modeli Tanzanya’nın iki bölgesinde test edildi: eğitildiği Kagera ve daha önce veri görmediği Geita. Performansı güçlü geleneksel bir makine öğrenimi yöntemi ve ince ayar yapılmamış aynı dil modeliyle karşılaştırıldı. Önemli sonuçlarda geliştirilmiş model hastaları daha tutarlı biçimde sıraladı. Bakımdan kopacakları—yedeklenmeyen bakımda 28 gün veya daha fazla aksama—tahmin etmede Kagera’da 0,77 ve Geita’da 0,71 AUC doğruluk skorlarına ulaştı; bu değerler hem geleneksel modelin hem de ince ayarsız dil modellerinin üzerindeydi. Sağlık programları sadece bir hasta kesitine odaklanabildiğinde bunun önemi büyük: geliştirilen modelin en yüksek riskli olarak işaretlediği ilk %25’lik hasta diliminde yaklaşık dört hastadan üçü gerçekten takibi kaybetti; bu da sınırlı kaynakların en çok ihtiyaç duyulan yere yönlendirilmesini sağladı.

Yapay zekanın “dikkatini” neye verdiği

Dil modelleri dikkat (attention) mekanizmaları kullandığı için araştırmacılar hangi bilgi parçalarının tahminleri en çok etkilediğini görebildiler. Model, bakım sürekliliği ile ilgili faktörlere güçlü biçimde odaklandı: ziyaretler arasındaki uzun boşluklar, gecikmiş veya kaçırılmış randevular, ilaç alma bozukluğuna işaret eden sinyaller ve bir kişinin HIV ile yaşama süresi. Yaş ve cinsiyet de rol oynadı; özellikle daha yaşlı yetişkinlerde ve 2021’de bakımda olmayan kişilerde takibi kaybetmeyi tahmin etmede güçlü performans görüldü. Temel demografik veriler ve ilaç sayımlarına daha fazla yaslanan geleneksel modele kıyasla geliştirilmiş dil modeli zaman içinde hasta katılımına dair daha zengin bir tablo çizdi. Örnek vaka inceleyen Tanzanyalı HIV hekimleri modelin yargılarıyla %65 oranında hemfikir oldu ve hemfikir oldukları durumların çoğunda yapay zekanın yazılı açıklamalarını klinik açıdan mantıklı buldular.

Umut, gizlilik ve uygulanabilirlik arasında denge kurmak

Çalışma aynı zamanda gizlilik ve uygulamaya ilişkin gerçek dünya kaygılarıyla da ilgilendi. Tüm veriler kimliksizleştirildi ve güvenli yerel bir hesaplama kümesinde saklandı; ekip, zaman çizelgelerini korurken ziyaret tarihlerinin hafifçe kaydırılması gibi ek korunma önlemlerini de test etti. Gelişmiş yapay zekâ kullanmanın teknik ve bakım zorlukları getirdiğini ve iki Tanzanya bölgesinde eğitilmiş modellerin başka yerlerde uyarlanması gerekebileceğini not ettiler. Yine de geliştirilmiş model nadir olsalar bile yüksek riskli hastaları daha iyi belirlediği için temas ve destek programlarını daha verimli hale getirebilir—kliniklerin tedavi kesintileri viral rebound ve daha yüksek bulaşma riski oluşturup ciddi sorunlara yol açmadan önce daha erken müdahale etmesine yardımcı olabilir.

Bu, HIV ile yaşayan insanlar için ne anlama geliyor

Günlük gözlemci için temel sonuç şu: bu tür bir yapay zekâ, binlerce hasta geçmişini aynı anda tarayan ekstra bir uzman gözü gibi davranır. Doktorların veya hemşirelerin yerini almaz, ancak bir kişinin randevu ve laboratuvar sonuçları örüntüsü bakımından yakında bakımdan kopabileceğini gösterdiğinde onları uyarabilir. Dikkatli ve etik biçimde kullanıldığında bu tür araçlar, Tanzanya ve benzer ortamlardaki sağlık çalışanlarının telefon aramaları, ev ziyaretleri veya maddi destek gibi müdahaleleri en çok ihtiyaç duyanlara yönlendirmesine yardımcı olabilir; böylece tedavi başarısını artırır ve HIV salgınını kontrol etme yönündeki uzun vadeli hedeflere yaklaşılmasına katkı sağlar.

Atıf: Wei, W., Shao, J., Lyu, R.Q. et al. Enhanced language models for predicting and understanding HIV care disengagement: a case study in Tanzania. npj Digit. Med. 9, 165 (2026). https://doi.org/10.1038/s41746-026-02349-3

Anahtar kelimeler: HIV bakımında kalıcılık, büyük dil modelleri, elektronik hasta kayıtları, sahel altı Afrika, antiretroviral terapi uyumu