Çocukluk çağı travmalarının psikiyatrik semptomlar üzerindeki yordayıcı etkisi: Makine öğrenmesi yaklaşımı
Tezin Türü: Tıpta Uzmanlık
Tezin Yürütüldüğü Kurum: Sağlık Bilimleri Üniversitesi, ANKARA GÜLHANE SAĞLIK UYGULAMA VE ARAŞTIRMA MERKEZİ, DAHİLİ TIP BİLİMLERİ BÖLÜMÜ, Türkiye
Tezin Onay Tarihi: 2025
Tezin Dili: Türkçe
Öğrenci: MEHMET SAKARYA
Danışman: Özcan UZUN
Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
Özet:Amaç: Bu çalışmanın temel amacı, çocukluk çağı travmatik yaşantılarının, yetişkinlikteki psikiyatrik belirtileri yordama gücünü, çeşitli sosyodemografik ve klinik faktörlerin etkisi kontrol edildikten sonra, özellikle yorumlanabilir makine öğrenmesi modelleri aracılığıyla kapsamlı bir şekilde değerlendirmektir. Gereç Yöntem: Kesitsel ve nicel bir desende yürütülen bu araştırmaya, klinik ve toplum örnekleminden toplam 1192 yetişkin (18-65 yaş) gönüllü olarak katılmıştır. Veriler, Sosyodemografik Bilgi Formu, Çocukluk Çağı Travma Ölçeği (CTQ-28) ve Belirti Tarama Listesi-90-R (SCL-90-R) kullanılarak toplanmıştır. Çocukluk çağı travmalarının psikiyatrik belirtiler üzerindeki yordayıcı etkisini ve bu etkinin karmaşıklığını değerlendirmek amacıyla hiyerarşik çoklu doğrusal regresyon analizlerinin yanı sıra, belirti şiddetini ve Latent Profil Analizi (LPA) ile tanımlanan riskli semptom profillerine üyeliği yordamak için çeşitli makine öğrenmesi (MÖ) modelleri (örn. Rastgele Orman, XGBoost) kullanılmıştır. MÖ modellerinin geliştirilmesi ve yorumlanmasında çapraz doğrulama, hiperparametre optimizasyonu ve açıklanabilir yapay zeka (XAI) tekniklerinden yararlanılmıştır. Bulgular: Hiyerarşik regresyon analizleri, özellikle duygusal istismar ve ihmal başta olmak üzere çocukluk çağı travmatik yaşantılarının, yetişkinlikteki birçok psikiyatrik belirtinin anlamlı yordayıcıları olduğunu ve temel sosyodemografik ve klinik kontrol değişkenlerinin etkisi hesaba katıldıktan sonra dahi belirti varyansında önemli bir ek artış sağladığını göstermiştir. Uygulanan çeşitli makine öğrenmesi modelleri arasında Rastgele Orman algoritması, hem SCL-90-R belirti şiddetinin yordanmasında (ortalama RMSE = 0.645) hem de Latent Profil Analizi ile belirlenen 'Yüksek Semptom/Riskli Profil'e üyeliğin sınıflandırılmasında (ortalama AUC = 0.723) en iyi genel performansı sergilemiştir. Açıklanabilir yapay zeka (XAI) teknikleri ile yapılan model yorumlamaları, özellikle duygusal travma türlerinin ve yaşın, psikiyatrik belirtilerin yordanmasındaki göreli önemi yüksek temel faktörler olduğunu ortaya koymuştur. Sonuç: Çalışma bulguları, çocukluk çağı travmatik yaşantılarının, özellikle duygusal örselenmelerin, yetişkinlikteki psikiyatrik belirtiler için önemli bir risk faktörü olduğunu ve bu karmaşık ilişkilerin yorumlanabilir makine öğrenmesi modelleri aracılığıyla etkili bir şekilde modellenebileceğini ortaya koymuştur. Bu yaklaşımlar, risk altındaki bireylerin erken tanınması ve hedefe yönelik önleyici ve tedavi edici müdahalelerin geliştirilmesi açısından önemli olanaklar sunmaktadır.