Çok modlu makine öğreniminden yararlanarak yakın partner şiddetinin doğru risk tanımlanması

Gizli uyarı işaretlerinin önemi

Bir romantik ilişkideki şiddet genellikle gizli tutulur, bunun yarattığı yaraları gören doktorlardan bile saklanır. Oysa tıbbi kayıtlar sessizce yıllarca süren ipuçlarını saklar: tekrarlayan acil servis başvuruları, belirli yaralanma örüntüleri ve ağrı veya anksiyeteyle ilgili notlar gibi. Bu çalışma, bilgisayarların bu ipuçlarını bugünkü basit tarama sorularından daha erken ve daha güvenilir biçimde okuyup okuyamayacağını soruyor; böylece yakın partner şiddeti riski altındaki kadınlara bir kriz noktasından çok önce yardım sunulabilir.

Günlük bakımın erken uyarı sistemine dönüştürülmesi

Araştırmacılar, iki büyük ABD hastanesinin elektronik tıbbi kayıtlarından yararlandı; odak noktası ya aile içi şiddet müdahale programına kaydolan ya da yakın partner şiddetiyle ilişkili tıbbi tanılara sahip kadınlardı. Bu kadınların her biri için, belgelenmiş kötü muamele geçmişi olmayan, benzer yaş aralığına ve genel arka plana sahip hastalar seçilerek dikkatle eşleştirilmiş bir karşılaştırma grubu oluşturuldu. 2017’den itibaren bu hastaların hastane sistemiyle yaptıkları her randevu veri sağladı—tanılar, ilaçlar, görüntüleme çalışmaları, vital bulgular, acil servis başvuruları ve radyoloji raporları ya da sosyal hizmet özetleri gibi klinik notlar dahil.

Bilgisayarlara sayıları ve anlatıları okutmak

Ekip, gerçek dünya kliniklerinde farklı veri zenginliği düzeyleri için her biri farklı şekilde tasarlanmış üç tür öngörücü model kurdu. Bir model yalnızca tanı kodları, reçete geçmişleri ve belirli görüntüleme testlerinin sayıları gibi yapılandırılmış bilgileri kullandı. İkinci model sadece serbest metin notlara dayanıyordu; bu notlar milyonlarca klinik cümle üzerinde eğitilmiş modern tıbbi dil modelleri kullanılarak sayısal temsillere dönüştürüldü. Üçüncü ve “füzyon” modeli her iki kaynağı birleştirdi: tablolar ve anlatılardan desenleri özümseyip birleştirerek makine öğrenimi sınıflayıcısına aktardı. Tüm modeller her hastane temasında günlük bir soruyu yanıtlayacak şekilde eğitildi: bu hasta yakın partner şiddeti yaşıyor olabileceğine dair işaretler gösteriyor mu?

Risk sinyallerinin performansı nasıl oldu

Eğitimde kullanılmayan kadınlar üzerinde test edildiğinde, üç modelin tamamı belgelenmiş kötü muamele vakalarını eşleştirilmiş kontrollerinden yüksek doğrulukla ayırt edebildi. Performans, 1.0 mükemmel ve 0.5 şansa eşdeğer olan AUC adlı bir metrikle özetlendi. Sadece tabular model yaklaşık 0.85 AUC, sadece notlar modeli yaklaşık 0.87 ve birleşik füzyon modeli yaklaşık 0.88 AUC elde etti. Kritik olarak, bu sonuçlar modeller daha yeni gruplara uygulandığında da korundu: sonraki yıllarda müdahale programına kaydolan kadınlar, aynı ağdaki ikinci bir hastanedeki kadınlar ve uzman programa hiç girmemiş ama kötü muameleyle ilişkili tanılara sahip kadınlar. Her durumda füzyon modeli AUC 0.8’in üzerinde kaldı; bu, sayıların ve metnin harmanlanmasının sistemi hem doğru hem de farklı ortamlarda kararlı kıldığını gösteriyor.

Kadınlar yardım aramadan yıllar öncesinde desenleri görmek

Vakaları kontrollerden ayırt etmenin ötesinde modeller, kadınların uzmanlara kötü muameleyi açıklamalarından çok önce sıkça sorunu fark etti. Modelin yüksek risk işaretlediği ilk tarihi bir kadının müdahale programına girdiği tarih ile karşılaştırarak, araştırmacılar ortalama “erken uyarı süreleri”nin üç yıldan fazla olduğunu ve birçok vakanın dört-beş yıldan fazla önceden işaretlendiğini buldular. Birleşik model gelecekteki kötü muamele vakalarının daha büyük bir payını erken aşamada tanımlarken, sadece tabular model algıladığı vakalar için bazen biraz daha uzun bir önceden haber verme süresi sundu. Yapılandırılmış özelliklerin analizinde, önceki klinik araştırmalarla uyumlu risk desenleri öne çıktı: sık acil servis başvuruları, belirli üst ekstremite görüntüleme çalışmaları, yüksek ağrı ilacı kullanımı, ruh sağlığı tanıları ve sosyal zorluk belirtileri daha yüksek öngörülen riskle ilişkiliydi; oysa mamografi gibi rutin koruyucu taramalar genellikle daha düşük riskle ilişkilendirildi.

Kontrolü elinden almadan risk skorlarını kullanmak

Yazarlar, bu araçların kötü muameleyi “tanılamak” veya bir kadının sözünü geçersiz kılmak için tasarlanmadığını vurguluyor. Bunun yerine, modellerin elektronik kayıt sistemlerinin arka planında sessizce çalıştığını, klinisyenlere nazik, travma bilgili konuşmaları ve zamanında sosyal ve hukuki destek yönlendirmelerini tetikleyebilecek gizli bir risk skoru sunduğunu hayal ediyorlar. Ayrıca verilerin yalnızca kötü muamelesi belgelenmiş veya yardım aramış kadınları yansıttığını; dolayısıyla bazı grupların yeterince temsil edilmediğini de uyarıyorlar. Geniş çaplı dağıtımdan önce hastanelerin daha genel popülasyonlarda performansı test etmesi, önyargıyı izlemesi ve işaretlenen skorların baskı veya özerklik kaybı değil, şefkatli yardım tekliflerine yol açmasını sağlayacak dikkatli güvenlik önlemleri tasarlaması gerekecek. Bu şekilde kullanıldığında, çok modlu makine öğrenimi, ev içi şiddetle karşı karşıya olan kişiler için günlük tıbbi randevuları daha erken ve daha güvenilir bir güvenlik kapısına dönüştürebilir.

Atıf: Gu, J., Carballo, K.V., Ma, Y. et al. Leveraging multimodal machine learning for accurate risk identification of intimate partner violence. npj Womens Health 4, 15 (2026). https://doi.org/10.1038/s44294-025-00126-3

Anahtar kelimeler: yakın partner şiddeti, elektronik tıbbi kayıtlar, makine öğrenimi, çok modlu veri, erken risk tespiti