Obeziteyi Yalnızca Bireysel Tercihle Açıklamak Neden Yetersiz Olabilir?

Obezite ve tip 2 diyabet hakkındaki halk sağlığı tartışmaları sıklıkla bireyin ne yediğine, ne kadar egzersiz yaptığına ve yaşam tarzı tercihlerine odaklanır.

Bu yaklaşım önemli olmakla birlikte kişinin seçim yaptığı çevreyi arka planda bırakabilir.

Bir mahallede taze sebze, meyve ve temel gıda ürünleri satan mağazalar az; buna karşılık fast-food restoranları, benzin istasyonu marketleri ve yüksek kalorili hazır ürün satan noktalar çoksa, sağlıklı seçim teorik olarak mümkün olsa bile günlük yaşamda daha zor hâle gelebilir.

Çalışma bu nedenle obeziteyi yalnızca bireysel irade veya bilgi eksikliği çerçevesinde değil, fiziksel gıda altyapısının dağılımı üzerinden değerlendirmektedir.

Yazarın temel savı şudur:

Bir bölgede hangi gıdanın bulunduğu kadar, hangi gıda seçeneğinin ticari olarak baskın olduğu da metabolik sağlık sonuçlarını etkileyebilir.

Gıda Çölü ile Gıda Bataklığı Arasındaki Fark

Çalışma iki kavramı açık biçimde birbirinden ayırmaktadır.

Gıda çölünde temel sorun, sağlıklı seçeneğin bulunmamasıdır.

Gıda bataklığında ise sağlıklı seçenek bulunabilir; fakat fast-food restoranları ve kolaylık mağazaları çevrede o kadar yoğun olabilir ki tüketicinin karşılaştığı varsayılan “seçim ortamı” sağlıksız ürünler lehine eğilir.

Bu ayrım önemlidir. Çünkü bir mahalleye yalnızca tek bir süpermarket açılması, çevrede çok daha fazla fast-food noktası bulunuyorsa yapısal dengeyi tamamen değiştirmeyebilir.

Hangi Veri Kaynakları Kullanıldı?

Çalışmada iki temel kamu veri altyapısından söz edilmektedir:

• USDA Food Environment Atlas: İlçe düzeyindeki gıda satış noktaları, coğrafi erişim ve satıcı yoğunluğu göstergeleri için kullanılmıştır.
• CDC Behavioral Risk Factor Surveillance System: Yetişkin obezitesi ve tip 2 diyabet yaygınlığına ilişkin yerelleştirilmiş göstergelerin kaynağı olarak belirtilmiştir.

Belgenin özetinde ayrıca CDC Branded Food Products Database adı geçmektedir. Ancak yöntem bölümünde bu veri tabanının modele tam olarak hangi değişkenlerle dahil edildiği açıklanmamıştır.

Bu durum veri kaynağı anlatımında bir açıklık sorunu oluşturmaktadır.

Gıda Bataklığı Oranı Nasıl Hesaplandı?

Çalışmanın temel mühendislik değişkeni Gıda Bataklığı Oranıdır.

\[ FSR_i = \frac{ \sum \text{Fast-food restoranları}_i + \sum \text{Kolaylık mağazaları}_i }{ \sum \text{Süpermarketler}_i + \sum \text{Marketler}_i + \sum \text{Uzmanlaşmış gıda mağazaları}_i } \]

Formülde:

• \(FSR_i\), i coğrafi biriminin Gıda Bataklığı Oranını,
• Pay kısmı, sağlıksız veya enerji yoğun seçeneklerin ticari yoğunluğunu,
• Payda kısmı, daha kapsamlı ve görece sağlıklı gıda seçenekleri sunan satış noktalarının yoğunluğunu temsil eder.

Çalışmada \(FSR > 1\) olan bölgeler, sağlıksız ticari seçeneklerin sağlıklı alternatiflerden sayısal olarak daha fazla olduğu çevreler olarak yorumlanmaktadır.

Oranın Yüksek Olması Ne Anlama Geliyor?

Örneğin bir bölgede:

• 20 fast-food restoranı,
• 10 kolaylık mağazası,
• 5 süpermarket,
• 5 market,
• 2 uzmanlaşmış gıda mağazası

bulunduğu varsayılsın.

Bu durumda:

\[ FSR = \frac{20+10}{5+5+2} = \frac{30}{12} = 2{,}5 \]

Bu örnek, sağlıksız seçeneklerin sağlıklı alternatiflere göre yaklaşık 2,5 kat yoğun olduğu bir ticari çevreyi ifade eder.

Bu örnek çalışmanın kendi veri tablosundan alınmamıştır; formülün nasıl çalıştığını açıklamak amacıyla verilmiştir.

Bu Gösterge Neyi Ölçmez?

Gıda Bataklığı Oranı yararlı bir fiziksel çevre göstergesi olabilir. Ancak tek başına şu unsurları ölçmez:

• Satılan ürünlerin gerçek besin içeriği,
• Gıdaların fiyatı,
• Mağazaların çalışma saatleri,
• Toplu taşıma bağlantıları,
• İnternet üzerinden gıda siparişi,
• Tüketicilerin gerçekten nereden alışveriş yaptığı,
• Mağazaların büyüklüğü,
• Bir süpermarket içindeki işlenmiş ürün yoğunluğu,
• Bir fast-food restoranındaki farklı ürün seçenekleri.

Başka bir ifadeyle FSR, tüketilen gıdayı değil fiziksel satış noktalarının sayısal dengesini ölçmektedir.

Neden Doğrusal Regresyon Yerine XGBoost Kullanıldı?

Yazar, klasik ordinary least squares doğrusal regresyon modellerinin karmaşık ve doğrusal olmayan ilişkileri yakalamakta sınırlı kalabileceğini savunmaktadır.

Obezite gibi sonuçlar tek bir değişkene doğrusal biçimde yanıt vermeyebilir.

Örneğin gıda bataklığı etkisi:

• Düşük gelirli bölgelerde farklı,
• Yüksek diyabet yaygınlığı bulunan bölgelerde farklı,
• Yaş dağılımına göre farklı,
• Konut maliyeti yüksek bölgelerde farklı olabilir.

XGBoost, çok sayıda karar ağacını ardışık biçimde birleştiren ve önceki ağaçların hatalarını azaltmaya çalışan bir makine öğrenmesi yöntemidir.

Bu yapı değişkenler arasındaki doğrusal olmayan eşik ve etkileşimleri modelleyebilir.

XGBoost Amaç Fonksiyonu

Çalışmada modelin genel amaç fonksiyonu şu biçimde verilmiştir:

\[ Obj(\theta) = \sum_{i=1}^{n} L(y_i,\hat{y}_i) + \sum_{k=1}^{K} \Omega(f_k) \]

Bu denklem iki bölümü dengelemektedir:

• Veri uyumu: Gerçek değerlerle tahminler arasındaki hata,
• Model karmaşıklığı: Ağaçların aşırı büyümesini engelleyen ceza.

Ağaç karmaşıklığı cezası ise şu biçimde tanımlanmıştır:

\[ \Omega(f) = \gamma T + \frac{1}{2} \lambda \sum_{j=1}^{T} w_j^2 \]

Formülde:

• \(T\), ağaçtaki terminal yaprak sayısını,
• \(\gamma\), yeni yaprak eklemenin cezasını,
• \(w_j\), j yaprağının ağırlığını,
• \(\lambda\), yaprak ağırlıklarının büyüklüğüne uygulanan düzenlileştirme katsayısını temsil eder.

Model yalnızca eğitim hatasını azaltmaya çalışsaydı veriye aşırı uyum sağlayabilirdi. Karmaşıklık cezası, modelin daha genellenebilir olması için eklenmektedir.

Modele Hangi Değişkenler Dahil Edildi?

Çalışmada öne çıkarılan temel değişkenler şunlardır:

Diyabet-Bataklık Etkileşim Vektörü

Çalışmada tanımlanan etkileşim değişkeni şöyledir:

\[ DSI_i = FSR_i \times \text{Diyabet yaygınlığı}_i \]

Bu değişken, yüksek diyabet yaygınlığına sahip bir bölgede gıda bataklığı yoğunluğunun ilave yapısal yük oluşturup oluşturmadığını yakalamayı amaçlamaktadır.

Örneğin aynı FSR değerine sahip iki ilçeden diyabet yaygınlığı daha yüksek olan ilçenin DSI değeri de daha yüksek olacaktır.

Ancak burada önemli bir yöntemsel sorun vardır: Eğer modelin hedef değişkenlerinden biri diyabet yaygınlığı ise, diyabet yaygınlığının kendisini içeren bir etkileşim değişkeninin tahmin edici olarak kullanılması hedef sızıntısı riskini doğurabilir.

Belgede model hedefinin obezite mi, diyabet mi, yoksa ayrı ayrı iki sonuç mu olduğu tam açıklıkla verilmemiştir. Bu nedenle DSI değişkeninin modeldeki teknik kullanımı ayrıntılı olarak doğrulanamamaktadır.

Mülkiyet-Gelir Etkileşim Matrisi

Çalışmada Property-Income Interaction Matrix olarak adlandırılan başka bir bileşik değişkenden söz edilmektedir.

Bu değişkenin konut değerleri, konut maliyeti yükü ve likit hane gelirinin kesişimini temsil ettiği belirtilmektedir.

Ancak matematiksel formülü sunulmamıştır.

Bu nedenle değişkenin:

• hangi göstergelerden oluştuğu,
• nasıl ölçeklendirildiği,
• çarpım mı, oran mı, endeks mi olduğu,
• eksik verilerin nasıl işlendiği

belgeden anlaşılamamaktadır.

Beşli Coğrafi Gruplama Ne Gösteriyor?

Çalışmanın 5. sayfasındaki tabloda coğrafi alanlar Gıda Bataklığı Oranına göre beş gruba ayrılmıştır.

Tabloya göre FSR yükseldikçe yetişkin obezitesi de düzenli biçimde artmaktadır.

En düşük grupla en yüksek grup arasındaki mutlak obezite farkı:

\[ 43{,}2\% - 22{,}4\% = 20{,}8 \text{ yüzde puanı} \]

olarak hesaplanabilir.

Bu, tabloda güçlü bir basamaklı ilişki bulunduğunu göstermektedir.

Tablo Nedensellik Gösteriyor mu?

Hayır.

Tabloda gıda bataklığı yoğunluğu ile obezite arasında birlikte değişim görülmektedir. Ancak aynı bölgelerde şu faktörler de farklı olabilir:

• Fiziksel aktivite olanakları,
• Toplu taşıma,
• Sağlık hizmetine erişim,
• Eğitim düzeyi,
• Gıda fiyatları,
• Çalışma süreleri,
• Mahalle güvenliği,
• Konut ayrışması,
• Yaşam boyu yoksulluk,
• Yerel kültürel tüketim örüntüleri.

Makine öğrenmesi bazı değişkenleri kontrol edebilir; fakat gözlemsel kesitsel veriyle tüm karıştırıcı etkileri ortadan kaldıramaz.

FSR Medyan Gelirden Daha Güçlü mü?

Çalışma, Gıda Bataklığı Oranının modelde medyan hane gelirinden daha yüksek öngörü ağırlığı taşıdığını ileri sürmektedir.

Bu bulgu, fiziksel perakende çevresinin yalnızca kişisel gelirle açıklanamayacağını düşündürür.

Yüksek gelirli bir bölgede bile fast-food ve kolaylık mağazaları aşırı yoğunsa, sağlıksız ticari çevrenin obezite tahminindeki ağırlığı yüksek olabilir.

Ancak belgede:

• özellik önem puanları,
• SHAP özet grafiği,
• kazanç değerleri,
• önem sıralamasının sayısal tablosu

sunulmamıştır.

Bu nedenle FSR’nin gelirden ne kadar daha güçlü olduğu bağımsız olarak değerlendirilememektedir.

SHAP Değerleri Ne İçin Kullanılmış?

Çalışma SHAP etkileşimlerinden söz etmektedir.

SHAP, modelin belirli bir tahmininde her özelliğin tahmini ne kadar yukarı veya aşağı çektiğini hesaplamaya çalışan açıklanabilir yapay zekâ yöntemidir.

Küresel düzeyde:

• Hangi değişkenlerin genel olarak daha önemli olduğu,
• Bir değişken yükseldiğinde tahminin hangi yönde değiştiği

incelenebilir.

Yerel düzeyde ise belirli bir ilçe için obezite tahminine hangi değişkenlerin katkı sağladığı görülebilir.

Ancak çalışmada SHAP grafiklerinin kendisi yer almamaktadır. Bu nedenle yaş, ırk, gelir ve FSR etkilerinin dağılımı görsel olarak doğrulanamamaktadır.

Yaşla İlgili Bulgular

Çalışma, yüksek FSR bölgelerinde yaşayan genç demografik grupların obeziteye doğru daha hızlı bir artış gösterdiğini ileri sürmektedir.

Bu önemli bir iddiadır. Çünkü metabolik riskin yalnızca ileri yaşta değil, yapısal gıda çevresine erken maruz kalmayla hızlanabileceğini düşündürür.

Ancak belgede:

• yaş grupları,
• grup büyüklükleri,
• etkileşim katsayıları,
• güven aralıkları,
• yaşa göre SHAP eğrileri

verilmemiştir.

Bu nedenle yaşla ilgili sonuç çalışma metninin yorumuna dayanmaktadır.

Irksal Eşitsizlik Bulgusu

Çalışma, yüksek yoğunluklu gıda bataklıklarının Siyah ve Hispanik topluluklarda orantısız biçimde bulunduğunu ileri sürmektedir.

Bu bulgu, gıda çevresinin tarihsel konut ayrışması, imar kararları ve ticari yatırım kalıplarıyla bağlantılı olabileceği yorumuna dayanmaktadır.

Yazar fiziksel altyapıyı ırksal sağlık eşitsizliklerinin temel sürücülerinden biri olarak nitelendirmektedir.

Ancak belgede:

• ırksal grup bazında FSR dağılımı,
• etki büyüklüğü,
• istatistiksel test,
• harita,
• ilçe veya nüfus ağırlıklı karşılaştırma

sunulmamıştır.

Bu nedenle bu iddia araştırmanın sunulan biçiminde ayrıntılı nicel kanıtla desteklenmemiştir.

Ortabatı ve Güney Bölgeleri

Çalışma, bazı Ortabatı ve Güney ilçelerinde Gıda Bataklığı Oranının 3,5’in üzerine çıktığını belirtmektedir.

Yazar bu kümeleri tarihsel sanayi imarı ve ticari yerleşim pratikleriyle ilişkilendirmektedir.

Bununla birlikte hangi eyaletlerin veya ilçelerin bu kümelerde yer aldığı açıklanmamıştır.

Harita veya ilçe listesi bulunmadığı için bölgesel iddia ayrıntılı biçimde kontrol edilememektedir.

Modelin Performansı Nasıl Ölçüldü?

Belgede modelin “optimize edildiği” ve geleneksel doğrusal modellere göre doğrusal olmayan ilişkileri daha iyi yakaladığı belirtilmektedir.

Ancak şu ölçütler sunulmamıştır:

• R-kare,
• Ortalama mutlak hata,
• Kök ortalama kare hata,
• Eğitim-test performansı,
• Çapraz doğrulama sonucu,
• OLS ile karşılaştırmalı performans,
• Hiperparametre arama yöntemi,
• Özellik seçimi.

Bu eksiklik, modelin öngörü gücünün ne kadar yüksek olduğunu değerlendirmeyi zorlaştırmaktadır.

Aşırı Uyum Riski

XGBoost güçlü bir yöntemdir; ancak özellikle çok sayıda özellik ve etkileşim kullanıldığında aşırı uyum riski taşır.

Aşırı uyum, modelin eğitim verisini çok iyi öğrenmesi fakat yeni verilerde başarısının düşmesi anlamına gelir.

Çalışmada düzenlileştirme terimleri açıklanmıştır. Ancak modelin bağımsız test verisinde veya çapraz doğrulamada nasıl performans gösterdiği sunulmamıştır.

Bu nedenle genellenebilirlik doğrudan gösterilmemiştir.

Ekolojik Yanılgı Riski

Çalışma ilçe veya coğrafi birim düzeyindeki verileri kullanmaktadır.

Bu durumda bölgesel ilişkiyi bireysel ilişki gibi yorumlama riski vardır.

Bir ilçede FSR yüksek ve obezite yaygınlığı yüksek olabilir; fakat obeziteli bireylerin gerçekten yüksek FSR çevresindeki mağazalardan alışveriş yaptığı bilinmeyebilir.

Bu durum ekolojik yanılgı olarak adlandırılır.

Çalışma bireysel diyet, alışveriş yeri veya kişisel sağlık kaydı kullanmamaktadır.

Kesitsel Veri Sınırlılığı

Çalışma tek bir dönem veya birleştirilmiş kesitsel kamu verisine dayanmaktadır.

Bu nedenle şu zaman sıralaması gösterilemez:

• Önce gıda bataklığı yoğunluğu arttı mı?
• Ardından obezite ve diyabet yükseldi mi?
• Yoksa yüksek talep nedeniyle belirli gıda satıcıları bu bölgelere mi yerleşti?

Nedenselliğin güçlendirilmesi için yıllar içinde mağaza yoğunluğu ve sağlık sonuçlarının birlikte izlendiği boylamsal analiz gerekir.

Politika Önerisi: İmar Kararlarında FSR Kullanımı

Çalışma, yerel yönetimlerin FSR göstergesini ticari imar kararlarına dahil etmesini önermektedir.

Yazar, FSR’nin 1,5’in üzerine çıktığı alanlarda yeni fast-food ve kolaylık mağazası izinlerinin geçici olarak durdurulabileceğini savunmaktadır.

Ayrıca ticari alanın belirli bir bölümünün taze ve bütün gıda dağıtımına ayrılmasını zorunlu kılan taban alanı oranı düzenlemeleri önerilmektedir.

Bu öneriler araştırmada test edilmemiştir. Model bulgularından türetilen politika önerileridir.

Fast-Food İzinlerini Sınırlamanın Olası Etkileri

Yeni sağlıksız gıda satıcılarının yoğunluğunu sınırlamak teorik olarak ticari dengeyi değiştirebilir.

Ancak politika uygulanmadan önce şu etkiler değerlendirilmelidir:

• Küçük işletmeler üzerindeki yük,
• İstihdam,
• Tüketici fiyatları,
• Komşu bölgelere ticari kayma,
• Mevcut işletmelerin ürün içeriği,
• Sağlıklı gıda satıcılarının ekonomik sürdürülebilirliği.

Çalışma bu olası ikincil etkileri modellememiştir.

Sübvansiyon ve Vergi Düzenlemesi

Yazar, yüksek FSR bölgelerinde tam hizmet veren marketlere ve kooperatif gıda pazarlarına:

• sermaye hibesi,
• vergi muafiyeti,
• altyapı desteği

verilmesini önermektedir.

Ayrıca ultra işlenmiş ve aşırı lezzetli ürün zincirlerine yerel altyapı vergisi uygulanması ve gelirlerin taze meyve-sebze tedarikine aktarılması önerilmektedir.

Bu yaklaşım, sağlıksız seçenekleri azaltmakla birlikte sağlıklı seçeneklerin ekonomik olarak ayakta kalmasını da hedeflemektedir.

Sağlık Kaynaklarının Öngörücü Dağıtımı

Çalışma, Medicare ve Medicaid gibi kamu sağlık sistemlerinin FSR ve DSI haritalarını erken risk saptama aracı olarak kullanabileceğini ileri sürmektedir.

Yüksek riskli bölgelerde şu hizmetlerin önceden konuşlandırılması önerilmektedir:

• Beslenme programları,
• Diyabet ve obezite taramaları,
• Toplum düzeyinde klinik kontrol noktaları,
• Koruyucu sağlık danışmanlığı,
• Yerel gıda erişim projeleri.

Yazar bu yaklaşımın reaktif hastalık tedavisinden proaktif kaynak dağıtımına geçiş sağlayacağını savunmaktadır.

Maliyet Azalması İddiası

Çalışma, fiziksel gıda altyapısına müdahalenin federal sağlık harcamalarını uzun vadede azaltabileceğini ileri sürmektedir.

Ancak belgede:

• maliyet-etkililik analizi,
• bütçe etkisi modeli,
• önlenen vaka sayısı,
• Medicare veya Medicaid tasarruf tahmini

sunulmamıştır.

Bu nedenle maliyet azalması sonucu doğrudan ölçülmüş bir bulgu değil, politika çıkarımıdır.

Çalışmanın Güçlü Yönleri

• Gıda çölü ve gıda bataklığı kavramlarını birbirinden ayırmaktadır.
• Sağlıksız ve sağlıklı satıcı yoğunluğunu tek bir oranla ifade etmektedir.
• Kamuya açık coğrafi ve sağlık verilerini birleştirmeyi amaçlamaktadır.
• Doğrusal olmayan ilişkiler için XGBoost yaklaşımını kullanmaktadır.
• Gelir, mülkiyet, yaş ve ırk gibi değişkenleri aynı çerçevede değerlendirmektedir.
• Etkileşim değişkenleri aracılığıyla birleşik risk örüntülerine odaklanmaktadır.
• Kod ve veri işleme altyapısının açık kaynaklı olduğunu bildirmektedir.
• Bireysel davranışın ötesinde fiziksel gıda altyapısına dikkat çekmektedir.

Çalışmanın Sınırlılıkları

1. Hakem değerlendirmesinden geçmemiştir

Belgede açıkça çalışmanın hakem değerlendirmesinden geçmediği belirtilmektedir.

2. Örneklem büyüklüğü açıklanmamıştır

Kaç eyalet, ilçe veya coğrafi birimin analize dahil edildiği belirtilmemiştir.

3. Veri yılları açık değildir

USDA ve CDC verilerinin hangi yıllara ait olduğu ve yılların nasıl eşleştirildiği açıklanmamıştır.

4. Model performansı verilmemiştir

R-kare, hata ölçütleri, çapraz doğrulama veya test verisi performansı yoktur.

5. Hiperparametreler sunulmamıştır

Ağaç sayısı, öğrenme oranı, maksimum derinlik ve alt örnekleme oranları belgede yer almamaktadır.

6. SHAP çıktıları gösterilmemiştir

SHAP değerlerinden söz edilmesine rağmen grafik veya sayısal tablo sunulmamıştır.

7. Ham bölgesel sonuçlar yoktur

İlçe listeleri, haritalar ve bölgesel dağılımlar gösterilmemiştir.

8. Nedensellik kurulamaz

Makine öğrenmesi öngörü ilişkisi saptar; gözlemsel kesitsel veri nedensel etkiyi göstermez.

9. Ekolojik yanılgı riski vardır

İlçe düzeyindeki sonuçlar bireysel alışveriş ve sağlık davranışını doğrudan temsil etmez.

10. FSR yalnızca mağaza sayısını ölçer

Mağaza büyüklüğü, ürün fiyatı, kalite ve gerçek tüketim hesaba katılmamaktadır.

11. DSI değişkeninde hedef sızıntısı riski olabilir

Diyabet yaygınlığının hem sonuç hem de öngörücü bileşen olarak kullanılıp kullanılmadığı net değildir.

12. Bazı güçlü demografik iddiaların sayısal ayrıntısı yoktur

Gençler, Siyah topluluklar ve Hispanik topluluklarla ilgili iddialar ayrıntılı etki büyüklükleriyle sunulmamıştır.

13. Maliyet-etkililik analizi yapılmamıştır

Kamu sağlık harcamalarında tasarruf iddiası doğrudan ekonomik modelle gösterilmemiştir.

Araştırma Ne Söylemiyor?

Çalışma, fast-food restoranlarının belirli bir kişide obeziteye kesin olarak neden olduğunu göstermemektedir.

Yüksek Gıda Bataklığı Oranına sahip her bireyin sağlıksız beslendiğini de kanıtlamaz.

Medyan gelir önemsizdir veya bireysel davranışların rolü yoktur sonucu da çıkarılamaz.

Araştırmanın temel iddiası daha sınırlıdır:

Bölgesel gıda satıcısı dağılımı, yetişkin obezitesinin mekânsal tahmininde önemli bir yapısal özellik olabilir.

Gelecekteki Araştırmalar Ne Yapmalı?

• İlçe ve nüfus sayısını açık biçimde raporlamalıdır.
• Veri yıllarını ve veri birleştirme adımlarını göstermelidir.
• Model hiperparametrelerini yayımlamalıdır.
• OLS, rastgele orman ve XGBoost karşılaştırması yapmalıdır.
• Çapraz doğrulama ve bağımsız test sonuçlarını sunmalıdır.
• SHAP özet ve bağımlılık grafiklerini yayımlamalıdır.
• İlçe düzeyinde FSR haritası sağlamalıdır.
• Gıda fiyatı, mağaza büyüklüğü ve toplu taşıma gibi değişkenleri eklemelidir.
• Bireysel alışveriş ve tüketim verileriyle bölgesel göstergeleri birleştirmelidir.
• Yıllar içindeki mağaza değişimini ve sağlık sonuçlarını boylamsal olarak izlemelidir.
• İmar veya sübvansiyon politikalarının etkisini doğal deneylerle değerlendirmelidir.
• Gıda bataklığı müdahaleleri için maliyet-etkililik analizi yapmalıdır.

Genel Sonuç

Bu preprint çalışma, Amerika Birleşik Devletleri’ndeki obezite ve diyabet yükünü yalnızca bireysel seçimler üzerinden değil, ticari gıda altyapısının mekânsal dağılımı üzerinden değerlendirmektedir.

Yazarın geliştirdiği Gıda Bataklığı Oranı, fast-food restoranları ve kolaylık mağazalarının sağlıklı gıda satıcılarına göre yoğunluğunu ölçmektedir.

Sunulan beşli gruplama tablosunda FSR değeri 0,42’den 4,89’a yükselirken ortalama yetişkin obezitesi %22,4’ten %43,2’ye çıkmaktadır.

XGBoost modeli, FSR’nin obezite tahmininde medyan hane gelirinden daha yüksek ağırlık taşıdığını ileri sürmektedir. Ayrıca diyabet yaygınlığı yüksek bölgelerde gıda bataklığının bileşik bir risk oluşturduğu savunulmaktadır.

Bununla birlikte belge model performansını, örneklem büyüklüğünü, hiperparametreleri, SHAP grafiklerini ve ham bölgesel sonuçları sunmamaktadır.

Bu nedenle çalışma, gıda çevresi ile metabolik hastalıklar arasında nedensel kanıt değil; incelenmeye değer güçlü bir mekânsal öngörü hipotezi sunmaktadır.

Araştırmanın en önemli halk sağlığı mesajı, sağlıklı beslenmenin yalnızca kişinin ne seçtiğine değil, yaşadığı yerde hangi seçeneklerin sürekli ve baskın biçimde karşısına çıktığına da bağlı olabileceğidir.

Çalışmanın Yöntemi ve Bulguları

Araştırma, kamuya açık USDA ve CDC verilerini birleştiren kesitsel mekânsal veri analizi ve makine öğrenmesi çalışmasıdır.

Temel bağımsız değişken, sağlıksız gıda satıcılarının sağlıklı gıda satıcılarına oranı olarak hesaplanan Gıda Bataklığı Oranıdır.

Yetişkin obezitesi ve tip 2 diyabet yaygınlığı bölgesel sağlık sonuçları olarak kullanılmıştır.

Modelde ayrıca medyan hane geliri, mülkiyet-gelir etkileşimi, diyabet-bataklık etkileşimi, yaş ve ırk dağılımına ilişkin değişkenler bulunduğu belirtilmiştir.

XGBoost yaklaşımı kullanılmış ve düzenlileştirilmiş amaç fonksiyonuyla model karmaşıklığı kontrol edilmeye çalışılmıştır.

Çalışmada model hata ölçütleri, güven aralıkları, çapraz doğrulama ve karşılaştırmalı model sonuçları verilmemiştir.

Kaynak ve Yöntem Notu

Bu makale, Amal Sanjay Jain tarafından 21 Nisan 2026 tarihinde hazırlanan “Spatial Inequities in Food Environments: A Predictive Machine Learning Framework for Auditing Obesogenic Landscapes and Chronic Metabolic Health in the United States” başlıklı çalışmaya dayanmaktadır.

Belgede açık biçimde “This preprint research paper has not been peer reviewed” ifadesi yer almaktadır. Çalışma SSRN üzerinde preprint olarak sunulmuş ve hakem değerlendirmesinden geçmemiştir.

Yazar araştırmayı bağımsız olarak yürüttüğünü ve çalışmanın önceki veya mevcut işverenlerinin görüşlerini temsil etmediğini belirtmiştir.

Veri ve kod altyapısının kamuya açık bir GitHub deposunda yayımlandığı ifade edilmektedir.

Araştırma kamuya açık, kimlikten arındırılmış, bölgesel ve idari verileri kullanmaktadır. Bireysel sağlık kaydı, diyet kaydı veya doğrudan tüketici davranışı içermemektedir.

Çalışma makine öğrenmesi temelli öngörüsel analizdir. Bulgular ilişkisel ve tahmin edicidir; nedensel değildir.

Belgede yöntemsel yeniden üretilebilirlik için gerekli bazı kritik ayrıntılar eksiktir. Örneklem büyüklüğü, analiz yılları, eksik veri işlemleri, hiperparametreler, model doğrulama ölçütleri, SHAP çıktıları ve karşılaştırmalı model performansı sunulmamıştır.

Bu içerikte çalışmanın göstermediği bireysel nedensellik, kesin politika etkisi veya maliyet tasarrufu iddiası eklenmemiştir. Politika önerileri, araştırmanın doğrudan deneysel sonuçları olarak değil, yazarın model bulgularından çıkardığı öneriler olarak aktarılmıştır.