Veteranların Sağlık Kayıtlarında Gizlenen Kendine Zarar Geçmişi Makine Öğrenmesiyle Ortaya Çıkarıldı

Elektronik sağlık kayıtları, modern tıbbın en zengin veri kaynaklarından biri olarak kabul ediliyor. Ancak bu kayıtlar, özellikle ruh sağlığı alanında, her zaman gerçeğin tamamını yansıtmıyor. New Mexico Üniversitesi Tıp Fakültesi’nde yürütülen yeni bir çalışma, ABD gazilerinin sağlık dosyalarında yer alan kendine zarar verme öykülerinin önemli bir bölümünün standart tanı kodlarıyla görünür hale gelmediğini ortaya koydu. Bulgular, klinik notlarda açıkça yer alan çok sayıda vakanın, kodlama sistemleri üzerinden tespit edilemediğini ve bu nedenle hem araştırmaların hem de risk değerlendirmelerinin eksik kalabileceğini gösteriyor.

Journal of Medical Internet Research dergisinde yayımlanan araştırma, Veterans Health Administration bünyesinde tedavi gören 1,3 milyondan fazla gazinin elektronik sağlık kayıtlarını inceledi. Araştırmacılar, tanı kodlarının klinik olarak belgelenmiş kendine zarar verme vakalarının yalnızca yaklaşık dörtte birini yakalayabildiğini belirledi. Bu oran, sağlık sistemlerinin yaygın biçimde güvendiği kod temelli ölçümlerin, özellikle intihar riskiyle yakından ilişkili olan geçmiş kendine zarar verme davranışlarını ciddi biçimde eksik yansıtabildiğine işaret ediyor.

Çalışmanın baş araştırmacısı ve translasyonel bilişim uzmanı Christophe Lambert, sorunun yalnızca teknik bir sınırlamadan ibaret olmadığını, aynı zamanda klinik görünürlük açısından da önemli bir boşluk yarattığını vurguladı. Sağlık çalışanlarının günlük pratikte kullandığı tanı kodları, veri toplama ve raporlama açısından pratiklik sağlasa da, ayrıntılı klinik anlatımları içeren notların yerini tutamıyor. Bu da özellikle geçmişi doğru biçimde saptanması gereken ruh sağlığı olaylarında, bazı hastaların kritik bilgilerinin sistem içinde “görünmez” kalmasına yol açabiliyor.

Çalışmanın önemini artıran nokta, kendine zarar verme öyküsünün gelecekteki intihar riskini değerlendirmede temel göstergelerden biri olması. Ruh sağlığı araştırmalarında ve klinik uygulamada, önceki kendine zarar verme davranışlarının belirlenmesi; takip sıklığı, güvenlik planlaması ve uygun kaynakların yönlendirilmesi açısından kritik kabul ediliyor. Ancak kayıt sistemleri bu öyküleri eksik yakaladığında, riskin boyutu olduğundan düşük görünebiliyor. Araştırmacılara göre bu durum, yalnızca bilimsel verilerin doğruluğunu değil, aynı zamanda klinik dikkat düzeyini ve kaynak dağılımını da etkileyebilir.

UNM ekibinin çalışması, sağlık kayıtlarındaki bilginin büyük bölümünün yapılandırılmış kodlar yerine serbest metin notlarında saklandığı gerçeğini bir kez daha gündeme taşıyor. Doktorların, hemşirelerin ve diğer klinisyenlerin değerlendirmeleri çoğu zaman ayrıntılı anlatımlar içeriyor; buna karşın bu ifadelerin standart kod sistemlerine dönüştürülmesi her zaman eksiksiz olmuyor. Özellikle ruh sağlığı gibi hassas ve çok katmanlı alanlarda, bir olgunun tanı kodu olarak kayda geçmesi ile klinik notlarda yer alması arasında belirgin farklar oluşabiliyor. Bu fark, veri madenciliği ve sağlık bilişimi açısından uzun süredir bilinen ama çözümü zor bir soruna işaret ediyor.

Bu boşluğu kapatmak için ekip, makine öğrenmesi temelli bir yaklaşım kullandı. Çalışmanın başlığında da yer alan “pozitif ve etiketlenmemiş öğrenme” yöntemi, yalnızca açıkça işaretlenmiş örneklere değil, aynı zamanda etiketsiz veriler içindeki olası desenlere de bakarak model kurmayı amaçlıyor. Böyle yöntemler, sağlık verilerinde eksik etiketleme sorunlarının yaygın olduğu durumlarda daha gerçekçi tahminler sunabiliyor. Bu yaklaşım, özellikle klinik kodlamanın tamamlayamadığı alanlarda, kayıtların içinde saklı kalan örüntüleri görünür kılmak için giderek daha fazla ilgi görüyor.

Gazilerin sağlık dosyaları üzerinde yapılan analizde, modelin amacı doğrudan yeni bir teşhis koymak değil; mevcut kayıtların içinde kodlanmamış fakat notlarda yer alan kendine zarar verme ifadelerini daha iyi tespit etmekti. Araştırmacılar, bu tür yöntemlerin sağlık sistemlerine daha doğru yaygınlık tahminleri sağlayabileceğini ve gelecekte ruh sağlığı izlemi için daha sağlam veri altyapıları kurulmasına katkı verebileceğini düşünüyor. Bununla birlikte çalışma, model tabanlı araçların klinik kararların yerini almadığını; daha çok uzmanların dikkatini olası eksik kayıt noktalarına yönlendirebileceğini de ima ediyor.