Enver KOÇAK
Google Research, 6 Ekim 2026’da Earth AI çatısı altındaki coğrafi temel modellerin halk sağlığında nasıl kullanılabileceğini gösteren kapsamlı bir çalışma yayımladı. Çalışmanın merkezinde Population Dynamics Foundation Model, kısaca PDFM adlı model var. Araştırmacılar bu modeli beş farklı hastalık ve sağlık sorununda, farklı ülkelerden ortaklarla birlikte test etti.
Yazıyı Google Research yazılım mühendisleri Arbaaz Muslim ve Gautam Prasad kaleme aldı. Makale arXiv üzerinden de erişilebilir durumda.
Ne Değişti?
PDFM, kendi kendine öğrenme yöntemiyle farklı veri türlerini tek bir konum temsilinde birleştiriyor. Gizliliği koruyacak şekilde toplanmış arama eğilimleri, insan hareketliliği, eczane, klinik ve park gibi yapılı çevre bilgileri ile hava durumu ve hava kalitesi verileri bu temsillere giriyor. Temsiller her ay yenileniyor.
Önemli nokta şu: Bu temsiller, mevcut epidemiyolojik modellere göreve özel ince ayar yapılmadan eklenebiliyor. Yani bir sağlık kurumu kendi modelini baştan kurmak zorunda kalmadan ek bir sinyal elde edebiliyor.
Beş Görevde Sonuçlar
Kızamık, kabakulak ve kızamıkçık aşılamasında ABD-Kanada sınırındaki 146 ilçe incelendi. Kanada bölgelerinin temsilleri eklenince aşılama oranındaki açıklanan varyans 0,159’dan 0,216’ya çıktı. Bu, yaklaşık yüzde 36’lık göreli bir artış. Sınır bölgesinde yaşayan 4,7 milyon kişi için tahminler en az 3 puan iyileşti.
Kalp-damar hastalıklarında ABD’deki 3.091 ilçe için ölüm tahmini yapıldı. PDFM tabanlı tahminler, nüfus sayımına dayalı modellerle benzer başarı gösterdi. Büyük hataları yansıtan RMSE ise yüzde 20 düştü. Sayım verisi 1-3 yıl geriden gelirken PDFM güncel durumu yansıtıyor.
Meksika’da yaklaşık 2.450 belediyede dang humması tahmini için PDFM, açık zaman serisi modeli TimesFM 2.0 ile birlikte kullanıldı. Bir ay sonrasına dönük tahminlerde istatistiksel olarak anlamlı bir iyileşme görüldü. Aktif bulaşın yaşandığı belediyelerin yüzde 72’sine kadarında doğruluk arttı.
Doğum sonrası depresyon riskinde iyileşme küçük kaldı: AUC değeri 0,62’lik başlangıç düzeyinden yalnızca binde birkaç puan arttı. Kongo Demokratik Cumhuriyeti’nde 403 sağlık bölgesinde yapılan kolera çalışmasında ise dört-sekiz hafta sonrası tahminlerde belirgin kazanç sağlandı. Bir-iki haftalık kısa vadede ise anlamlı bir fark çıkmadı.
Doğum sonrası depresyondaki küçük artışın bile pratikte karşılığı olabileceği vurgulanıyor. Simülasyonlara göre model, en yüksek riskli yüzde 20’lik dilimde 5.640 kırsal anneye daha ulaşılmasına ya da vakaların yüzde 80’ini yakalama hedefinde yılda 17.723 yanlış alarmın önlenmesine yardım edebilir.
Kimi İlgilendiriyor?
Çalışma en çok halk sağlığı kurumlarını, epidemiyologları ve uluslararası sağlık örgütlerini ilgilendiriyor. Ortaklar arasında Mount Sinai, Boston Çocuk Hastanesi, NYU, Oxford Üniversitesi, Tecnológico de Monterrey, Washington Üniversitesi ve Dünya Sağlık Örgütü Afrika Bölge Ofisi bulunuyor.
PDFM temsilleri, Google Maps Platform üzerinden Population Dynamics Insights adıyla önizleme aşamasında ticari olarak sunuluyor. Akademisyenler ve halk sağlığı araştırmacıları, operasyonel olmayan belirli araştırmalar için ücretsiz erişim talep edebiliyor.
Sonuçları değerlendirirken bazı iyileşmelerin küçük olduğunu ve kısa vadeli kolera tahmininde kazanç görülmediğini akılda tutmak gerekiyor. Yani model, var olan yöntemlerin yerini almaktan çok onları tamamlayan bir veri kaynağı olarak konumlanıyor.
Türkiye’den Kullanıcılar İçin
Kaynakta Türkiye’ye özel bir uygulama yer almıyor. Yine de sınır ötesi tahmin fikri, nüfus hareketliliğinin yüksek olduğu bölgelerde çalışan sağlık araştırmacıları için ilginç. Araştırmacıların bir cümlesi bunu iyi özetliyor: Epidemiyolojik modeller ülke sınırlarıyla kısıtlı, ama izledikleri sonuçlar değil. Türkiye’deki üniversiteler, araştırma amaçlı erişim başvurusunun koşullarını Google’ın sayfasından inceleyebilir.
Kaynaklar
Bu yazı, yukarıdaki kaynaklardan yapay zekâ yardımıyla Türkçe olarak derlenmiş bir özettir. Ayrıntılar ve resmi bilgi için kaynaklara başvurun.
