30 Saniyede Özet
Ekvador ve İspanya'dan bir ekip, psikososyal dayanıklılığı makine öğrenmesiyle sınıflandıran bir çalışma yayımladı. En iyi model, katılımcıların yaklaşık dörtte üçünü doğru gruba yerleştirdi. Ancak veri seti ABD genel nüfusundan geliyor ve sağlık çalışanları ayrıca tanımlanmamış. Asıl soru teknik değil etik: kurumlar çalışanlarının dayanıklılığını tahmin etmeli mi?
Ne oldu?
Makale, Springer Nature'ın açık erişimli Discover Artificial Intelligence dergisinde ilk yazar Pablo Torres-Carrion imzasıyla yer aldı. Yazarlar Ekvador'daki birkaç üniversite ile İspanya'daki La Rioja Uluslararası Üniversitesi'nden. Bibliyografik kayıtlara göre makale çevrimiçi olarak 2 Mayıs 2026'da yayımlandı. Üniversitenin basın bülteni ise 18 Eylül 2026'da çıktı ve konu yeniden gündeme geldi.
Araştırmacılar hazır bir veri setini ikincil olarak analiz etti. Veri, Chicago Üniversitesi'ne bağlı NORC araştırma kuruluşunun "How Right Now" ruh sağlığı ve baş etme anketinden geliyor. Anket 2021–2022 döneminde ABD'de yapılmış ve analizde 2.055 katılımcı yer alıyor.
Dayanıklılık (resilience, zorluk sonrası toparlanabilme kapasitesi) için dört psikometrik değişkenden bir indeks oluşturuldu. Katılımcılar bu indekse göre "yüksek" ya da "düşük" dayanıklılık grubuna ayrıldı.
Ekip üç model denedi: lojistik regresyon, rastgele orman (random forest) ve destek vektör makinesi. Girdiler arasında stres, depresyon, anksiyete, umutsuzluk ve uyku değişikliği vardı. Sosyal destek arama, hobi, dua ve meditasyon gibi baş etme yolları da modele girdi.
Kanıt ne kadar güçlü?
En iyi sonucu en basit model verdi. Lojistik regresyon yüzde 75,6 doğruluk ve 0,816 ROC eğrisi altı alan (AUC) elde etti. Rastgele orman yüzde 72,6, destek vektör makinesi yüzde 70,8 doğrulukta kaldı.
Değişken ağırlıklarına göre en etkili üç etken stres, depresyon ve anksiyete oldu. Umutsuzluk ve uyku değişikliği daha düşük ağırlık aldı. Baş etme yöntemleri koruyucu çıktı ve birden fazlasını birlikte kullananlarda yarar birikiyordu.
Sınırlılıklar önemli. Veri tek bir zaman noktasını yansıtıyor, yani model geleceği değil aynı andaki durumu sınıflandırıyor. Ölçümler öz bildirime dayanıyor. Yazarlar da modelin başka sağlık sistemlerinde, örneğin Latin Amerika'da doğrulanması gerektiğini belirtiyor.
Başlıkta sağlık çalışanları vurgulanıyor. Oysa NORC'un kullanıcı kılavuzu, anketin ulusal ölçekte temsilî AmeriSpeak panelinden seçilen genel yetişkinlere uygulandığını gösteriyor. Kılavuzda sağlık çalışanlarına özgü bir örneklemden söz edilmiyor. Bu nedenle sonuçları doğrudan hekim veya hemşire topluluklarına genellemek zor.
Bizim değerlendirmemize göre bir sorun daha var. Stres ve depresyon ile dayanıklılık aynı ankette, aynı anda soruldu. Bu durumda model, yeni bir risk öngörmekten çok birbirine yakın duyguların birlikte bildirildiğini yakalıyor olabilir.
Hekim için ne anlama geliyor?
Üniversitenin bültenine göre yazarlar, iş sağlığı birimlerinin bu tür modellerle risk altındaki kişileri erken belirleyebileceğini öne sürüyor. Bülten, bu kullanımın mahremiyet ya da onam boyutuna değinmiyor.
Oysa asıl risk burada. Yüzde 75 doğruluk, her dört kişiden birinin yanlış etiketlenebileceği anlamına geliyor. "Düşük dayanıklı" etiketi nöbet dağılımını, terfiyi ya da sözleşme kararlarını gizlice etkileyebilir.
Avrupa Birliği Yapay Zekâ Yasası (AI Act), çalışanların davranışını izleyen ve değerlendiren sistemleri yüksek riskli sayıyor. Dünya Sağlık Örgütü (DSÖ) de iş yerinde ruh sağlığı için önceliği iş yükü ve kadro eksikliği gibi örgütsel etkenlere veriyor. Çalışanların sürece katılımını da şart koşuyor.
Kurumunuzda böyle bir araç gündeme gelirse şu soruları sorabilirsiniz:
Katılım gönüllü mü ve reddetmenin bir bedeli var mı?
Bireysel sonucu yalnızca çalışanın kendisi mi görüyor, yoksa yöneticiler de mi?
Model sağlık çalışanlarında ve Türkçe ölçeklerle doğrulandı mı?
Skor, iş yükünü azaltacak örgütsel adımların yerine mi kullanılıyor?
Türkiye'den bakınca
Kişisel Verilerin Korunması Kanunu (KVKK), sağlık verisini özel nitelikli kişisel veri sayıyor. Ruh sağlığı belirtilerini içeren anket yanıtları da bu kapsama giriyor. 6331 sayılı İş Sağlığı ve Güvenliği Kanunu ise işverene risk değerlendirmesi yükümlülüğü getiriyor. Aynı kanun, sağlık gözetimi sırasında elde edilen bilgilerin gizli tutulmasını istiyor.
Bu çerçevede makul bir yol, sonuçları kişi düzeyinde değil birim düzeyinde toplu olarak kullanmak olabilir. Böylece yönetim tek tek çalışanları değil, yükü ağır servisleri görür. Türkiye'de sağlık çalışanlarında bu tür bir modelin doğrulandığına dair bir veriye ulaşamadık.
Destek notu: Uzun süredir tükenmiş, umutsuz ya da uykusuz hissediyorsanız bunu tek başınıza taşımak zorunda değilsiniz. Güvendiğiniz bir meslektaşla, iş yeri hekiminizle ya da bir ruh sağlığı uzmanıyla konuşmak iyi bir ilk adım olabilir. Acil bir tehlike hissederseniz 112'yi arayın.
Sık sorulan sorular
Bu model bir hekimin tükenmişliğe girip girmeyeceğini öngörebilir mi?
Hayır. Çalışma kesitsel ve geleceğe dönük bir sonucu tahmin etmiyor. Ayrıca veri seti sağlık çalışanlarına özgü değil.
Yüzde 75 doğruluk yüksek sayılır mı?
Araştırma için anlamlı bir başlangıç sayılabilir. Ancak bireysel kararlar için yetersiz, çünkü yaklaşık her dört kişiden biri yanlış gruba düşüyor. Dış doğrulama da henüz yok.
Kurumlar bu tür araçları nasıl daha güvenli kullanabilir?
Katılımı gönüllü tutarak ve bireysel sonucu yalnızca çalışana göstererek başlayabilirler. Toplu sonuçlar iş yükü ve kadro planlamasına yön vermeli. Hiçbir skor, işe alma ya da görev dağılımında tek başına kullanılmamalı.
Kaynaklar
NORC at the University of Chicago — How Right Now Campaign's Mental Health & Coping Data, User's Guide: https://www.norc.org/content/dam/norc-org/pdfs/hrn-mentalhealthcopingdata-userguide.pdf
Torres-Carrion P, ve ark. (2026) — Predicting psychosocial resilience in healthcare workers during COVID-19 using interpretable machine learning, Discover Artificial Intelligence, DOI 10.1007/s44163-026-01066-w: https://link.springer.com/article/10.1007/s44163-026-01066-w
Dünya Sağlık Örgütü (2026) — Mental health at work: https://www.who.int/news-room/fact-sheets/detail/mental-health-at-work
Universidad Técnica Particular de Loja / EurekAlert (2026) — basın bülteni: https://www.eurekalert.org/news-releases/1144607
AB Yapay Zekâ Yasası (2024) — Annex III, yüksek riskli yapay zekâ sistemleri: https://artificialintelligenceact.eu/annex/3/
T.C. Resmî Gazete (2016) — 6698 sayılı Kişisel Verilerin Korunması Kanunu: https://www.mevzuat.gov.tr/mevzuatmetin/1.5.6698.pdf
T.C. Resmî Gazete (2012) — 6331 sayılı İş Sağlığı ve Güvenliği Kanunu: https://www.mevzuat.gov.tr/mevzuatmetin/1.5.6331.pdf
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
Makine öğrenmesiyle psikososyal dayanıklılık tahmini yapan yeni çalışmanın verisi, doğruluğu ve personel izleme riskleri. Hekimler için etik bir okuma.