Allostatik yük (allostatic load, AL), uzun süreli uyum ve stres süreçleriyle ilişkili fizyolojik düzensizliği tek bir organ veya tek bir laboratuvar değeri yerine birden fazla biyolojik sistem üzerinden birlikte temsil etmeyi amaçlayan bileşik bir ölçüm yaklaşımıdır. Bu çalışma, klinik psikiyatrik bozukluğu bulunmayan 85 genç yetişkinde psikometrik olarak tanımlanan şizotipal özellikler (Positive Schizotypy Factor Group, PSF), siklotimik özellikler (Cyclothymia Factor Group, CF) ve kontrol grubu (CG) arasındaki 21 biyobelirteçlik allostatik yük örüntülerini Random Forest ve SHapley Additive exPlanations (SHAP) kullanarak incelemiştir. Makine öğrenmesinin temel amacı klinik tanı üretmek değil, hangi biyobelirteçlerin grup ayrımlarına daha fazla katkıda bulunduğunu keşifsel olarak sıralamaktır.

Örneklem, 18–25 yaş aralığındaki 710 sağlıklı üniversite öğrencisinden başlayan tarama süreci sonunda oluşturulmuştur. Nihai analizde 30 PSF, 25 CF ve 30 kontrol katılımcısı bulunmaktadır. Biyobelirteç paneli antropometrik, kardiyovasküler, glukoz metabolizması, immün, lipid metabolizması, nöroendokrin, oksidatif ve renal sistemleri kapsar. Gruplar arasında sistem düzeyinde anlamlı farklılık yalnız oksidatif sistem için raporlanmıştır (p=0.014). SHAP analizlerinde ürik asit farklı karşılaştırmalarda tekrar tekrar üst sıralarda yer almış ve özellikle PSF–CF ayrımında en etkili özellik olmuştur.

PSF ile CF'yi ayırmak üzere SHAP ile seçilen Top-10 panel, leave-one-subject-out doğrulamada %63.6 doğruluk ve 0.625 AUC üretmiştir. Ancak AUC'nin %95 güven aralığı 0.469–0.768'dir ve 200 etiket permütasyonuyla yapılan testte p=0.055 bulunmuştur. Ayrıca özellik seçimi ve panel değerlendirmesi aynı kohort üzerinde gerçekleştirilmiş ve bağımsız dış doğrulama yapılmamıştır. Bu nedenle sonuçlar şizofreni veya bipolar bozukluğun tanısı, klinik taraması veya bireysel risk tahmini olarak değil, klinik olmayan kişilik özellikleriyle ilişkili fizyolojik örüntüler için hipotez üretici biyobelirteç araştırması olarak değerlendirilmelidir.

Çalışmanın temel bilimsel problemi

Şizotipal özellikler, olağandışı algısal deneyimler, bilişsel-algısal farklılıklar ve kişiler arası işlevlerdeki bazı varyasyonlarla ilişkili boyutsal özelliklerdir. Siklotimik özellikler ise duygu durumu, enerji ve aktivitedeki dalgalanmalarla ilişkili temperamental özellikleri ifade eder. Bu çalışmadaki katılımcılar şizofreni veya bipolar bozukluk tanısı alan hastalar değildir. Araştırmacılar, psikometrik ölçeklerle belirlenmiş klinik-altı özelliklerin çoklu fizyolojik sistemlerde ölçülebilir örüntülerle birlikte değişip değişmediğini araştırmıştır.

Bilimsel soru tek bir “hastalık biyobelirteci” bulmak değildir. Araştırmanın mantığı; kardiyovasküler, metabolik, nöroendokrin, renal, oksidatif ve immün sistemlerden gelen çok sayıda değişkenin birlikte ele alınmasının, tek tek belirteçlerden daha açıklayıcı bir fizyolojik profil sağlayıp sağlayamayacağını incelemektir.

Allostatik Yük Nedir ve Bu Çalışmada Nasıl Hesaplandı?

Allostatik yük, birden fazla fizyolojik sistemdeki risk yönlü biyobelirteç değerlerini bir bileşik puanda toplayarak çok sistemli fizyolojik düzensizliği temsil etmeye çalışan bir ölçümdür; bu çalışmada 21 biyobelirtecin her biri risk yönündeki üst veya alt çeyrekte bulunmasına göre 0 veya 1 puanlanmış ve puanlar 0–21 aralığındaki toplam AL indeksini oluşturacak biçimde toplanmıştır.

Kaynakta eşitlik biçiminde basılmamış olmakla birlikte yöntemin matematiksel mantığı şu şekilde ifade edilebilir:

\[ AL=\sum_{j=1}^{21} I_j \]

Burada \(I_j\), j'inci biyobelirteç için ikili risk göstergesidir. Kaynak yöntemine göre ilgili belirtecin sağlık riski yüksek değerlerle ilişkiliyse üst çeyrek, düşük değerlerle ilişkiliyse alt çeyrek risk yönü olarak kullanılır. Risk çeyreğinde bulunan belirteç 1, aksi durumda 0 alır. Dolayısıyla yüksek toplam AL skoru daha fazla çok-sistemli fizyolojik düzensizlik olarak yorumlanır.

21 biyobelirteç hangi fizyolojik sistemleri temsil ediyor?

Bu paneldeki belirteçler şizofreni veya bipolar bozukluğa özgü tanı testleri olarak seçilmemiştir. Kaynağın amacı, allostatik yük literatüründe yaygın olarak temsil edilen fizyolojik sistemlerin birlikte değerlendirilmesidir.

Katılımcılar nasıl seçildi?

Başlangıç havuzu University of Szeged'de öğrenim gören 18–25 yaşındaki öğrencilerden oluşmuştur. Katılımcıların ilk iki üniversite yılında tanı almış bir mental bozukluğunun bulunmaması temel çerçevedir. Mevcut veya geçmiş psikiyatrik bozukluk, madde kötüye kullanımı, nörolojik durumlar, bilinç kaybına yol açmış kafa travması ve nörobilişsel işlevi etkileyebilecek tıbbi durumlar dışlama kapsamındadır.

Psikometrik gruplar nasıl oluşturuldu?

Şizotipal özelliklerin değerlendirilmesinde 43 maddelik kısaltılmış Macarca Oxford-Liverpool Inventory of Feelings and Experiences (O-LIFE), sanrısal düşünce eğilimlerinde Peters Delusions Inventory (PDI), affektif temperamentte TEMPS-A ve bipolar spektrum taramasında Mood Disorder Questionnaire kullanılmıştır. Güncel ve yaşam boyu psikiyatrik bozuklukların değerlendirilmesinde yapılandırılmış DSM görüşmesi kullanılmıştır.

Kaynak PSF grubunu O-LIFE ≥5, PDI-21 >10 ve TEMPS-A Cyclothymia <12 değerleriyle tanımlamaktadır. CF grubu için O-LIFE <6 ve TEMPS-A Cyclothymia =11 biçiminde ölçüt bildirilmektedir. Kontrol grubunda psikopatolojik sapma bildirilmemiştir. Bu eşikler mevcut çalışmadaki trait gruplarını oluşturur; klinik hastalık teşhisi anlamına gelmez.

Random Forest ve SHAP Bu Çalışmada Ne İçin Kullanıldı?

Random Forest ve SHAP bu çalışmada klinik tanı üretmekten çok, 21 biyobelirtecin PSF, CF ve kontrol grupları arasındaki ayrımlara göreli katkısını keşifsel biçimde sıralamak için kullanılmıştır; Random Forest doğrusal olmayan sınıf sınırlarını öğrenirken SHAP her biyobelirtecin model çıktısına katkısını yorumlanabilir bir feature-importance ölçüsüne dönüştürmüştür.

Üç ikili Random Forest modeli

Araştırmacılar tek bir üç-sınıflı model yerine üç ayrı ikili karşılaştırma kurmuştur:

1. Kontrol grubu ile CF grubunun ayrımı.
2. Kontrol grubu ile PSF grubunun ayrımı.
3. PSF grubu ile CF grubunun ayrımı.

Bu yaklaşımın amacı her sınıf sınırında hangi biyobelirteçlerin öne çıktığının daha kolay yorumlanmasıdır. Random Forest, bootstrap örneklerinden çok sayıda karar ağacı oluşturmuş; her bölünmede özelliklerin rastgele bir alt kümesini değerlendirmiş ve son kararı çoğunluk oylamasıyla üretmiştir.

Model ön işleme ve hiperparametre yaklaşımı

Kaynak, gözlemlerin eksiksiz olduğunu ve ek veri ön işlemesinin gerekmediğini belirtmektedir. 21 biyobelirteç arasındaki kovaryans yapısı model eğitiminden önce incelenmiş ve r>0.8 düzeyinde güçlü korelasyon bulunmadığı raporlanmıştır. Grup büyüklükleri 25–30 arasında olduğundan oversampling, undersampling veya sınıf ağırlığı kullanılmamıştır.

Random Forest'ın varsayılan hiperparametreleri kullanılmıştır. Küçük örneklemde aynı veri üzerinde hiperparametre seçiminin feature-importance sonuçlarını iyimserleştirmesini azaltmak için tuning yapılmamıştır. Kaynağa göre 21 özellik bulunduğundan her karar ağacı bölünmesinde yaklaşık 4–5 özellik aday olarak değerlendirilmiştir.

LOSO doğrulama ne işe yarıyor?

Leave-one-subject-out (LOSO) cross-validation, her adımda tek bir katılımcıyı test için ayırıp diğer bütün katılımcılar üzerinde model eğiterek işlemi tüm katılımcılar için tekrarlayan bir doğrulama yöntemidir. Küçük veri kümelerinde eğitim için mümkün olan en fazla katılımcıyı korurken test gözleminin eğitimden ayrı tutulmasını sağlar.

Azaltılmış panel sonuçları için LOSO işlemi katılımcı başına 400 Random Forest yeniden eğitimiyle tekrarlanmıştır. Performans güven aralıkları 2000 tabakalı bootstrap yeniden örneklemesiyle raporlanmıştır.

SHAP değerleri nasıl yorumlanmalı?

SHAP değeri bir biyobelirtecin belirli model çıktısını hangi yönde ve ne ölçüde ittiğini açıklar. Büyük mutlak SHAP değeri, modelin sınıf kararında o özelliğin daha etkili olduğunu gösterir. Ancak yüksek SHAP değeri biyobelirtecin hastalığa neden olduğunu, biyolojik olarak en önemli mekanizma olduğunu veya klinik tanı için tek başına yeterli olduğunu göstermez.

SHAP'ın işareti de biyolojik olarak “iyi” veya “kötü” anlamına gelmez. İşaret, modelde hangi sınıfın hedef olarak kodlandığına göre belirli sınıf yönündeki katkıyı temsil eder.

SHAP yönteminde kaynak-içi raporlama farkı

Kaynağın yöntem bölümündeki bir açıklama birincil SHAP analizinin bütün LOSO denemeleri ve bütün katılımcılar üzerinden toplandığını ve yalnız doğru sınıflanan vakalarla yapılan analizin bir duyarlılık testi olduğunu bildirir. Hemen sonraki paragraf ise feature-importance hesaplamasında kararlı tahmin edilen kişilerin tutulduğunu ve başarısız tahminlerin dışlandığını yazar. Sınırlılıklar bölümü yeniden bütün katılımcıların birincil analize dahil edildiğini söylediği için Verianla bu yaklaşımı ana yöntem olarak korumakta, diğer paragrafı kaynak-içi yöntemsel tutarsızlık olarak not etmektedir.

Bu Model Şizofreni veya Bipolar Bozukluk Tanısı Koyuyor mu?

Hayır. Çalışmadaki PSF ve CF sınıfları klinik şizofreni veya bipolar bozukluk tanıları değil, ruhsal bozukluğu bulunmayan genç yetişkinlerde psikometrik ölçeklerle oluşturulan şizotipal ve siklotimik özellik gruplarıdır; modelin doğruluğu bu trait gruplarını aynı kohort içinde ayırma performansıdır ve klinik tanısal doğruluk olarak kullanılamaz.

Kaynak Şekil 4–6'nın bazı başlık ve açıklamalarında kısaca “schizophrenia” ve “bipolar disorder” terimleri kullanılmıştır. Bununla birlikte çalışma tasarımı ve yöntem bölümü grupları açıkça PSF ve CF trait grupları olarak tanımlar. Verianla bu nedenle klinik bozukluk etiketi yerine araştırmanın gerçek ontolojik düzeyini, yani şizotipal ve siklotimik özellikleri kullanmaktadır.

Çalışmanın Yöntemi ve Bulguları

Sistem düzeyinde allostatik yük farklılıkları

Sistem düzeyinde yalnız oksidatif sistem p=0.014 ile ayrışmıştır. Bu bulgu tek başına hangi oksidatif belirtecin nedensel rol oynadığını göstermez; daha sonraki SHAP analizlerinde ürik asidin sık biçimde üst sıralarda yer alması, oksidatif sistem sonucuyla model-tabanlı feature-importance sonucunun aynı biyolojik alana işaret ettiği bir yakınsama olarak görülebilir.

Şekil 3: biyobelirteç korelasyonlarının yönü

Kaynak Şekil 3, 21 biyobelirteç ile PSF ve CF grup üyeliği arasındaki Spearman korelasyonlarının ısı haritasıdır. PSF için diyastolik kan basıncı ve ürik asit daha güçlü pozitif ilişkiler gösterirken glukoz ve eGFR daha güçlü negatif ilişkiler göstermiştir. CF grubunda desenin önemli bölümü ters yöndedir: glukoz ve eGFR daha pozitif, diyastolik basınç ve ürik asit daha negatif yönde ilişkilidir.

Kortizol de iki trait grubu arasında zıt yönde ilişki örneği sunmuştur: CF ile negatif, PSF ile pozitif; LDL ise bunun ters yönünde bir desen göstermiştir. Bu korelasyonlar biyobelirteçlerin trait oluşumuna neden olduğunu kanıtlamaz; yalnız aynı örneklemdeki birlikte değişim yapısını gösterir.

Hangi biyobelirteçler SHAP analizinde öne çıktı?

Neden ürik asit merkezî bir sonuç?

Ürik asit hem korelasyon analizlerinde hem birden fazla SHAP karşılaştırmasında tekrar öne çıkmıştır. Kaynak yazarları bu örüntüyü oksidatif stres ve purinerjik süreçlerle ilişkili olası ortak bir biyolojik bileşen olarak tartışmaktadır. Ancak mevcut çalışma ürik asidin şizotipal veya siklotimik özellikleri oluşturduğunu, tek başına trait grubunu tanımlayabildiğini veya klinik hastalık biyobelirteci olduğunu göstermemektedir.

Random Forest sınıflandırma sonuçları

Kontrol grubunu CF veya PSF'den ayıran 21-biyobelirteç modelleri güçlü bir sınıflandırma performansı göstermemiştir. Çalışmanın araştırma amacı da bu modelleri klinik classifier olarak dağıtmak değildir. Daha ilginç sonuç PSF–CF ayrımındaki azaltılmış Top-10 paneldir; ancak burada da AUC 0.625'tir ve güven aralığı 0.5 düzeyini kapsamaktadır.

Top-10 Biyobelirteç Paneli Klinik Kullanım İçin Doğrulandı mı?

Hayır. Top-10 panel aynı kohortta seçilmiş ve değerlendirilmiş, bağımsız doğrulama örneklemi kullanılmamış ve etiket-permütasyon testinde tek yönlü p=0.055 bulunmuştur; bu nedenle %63.6 doğruluk klinik tarama veya tanı performansı olarak değil, bağımsız kohortta sınanması gereken keşifsel bir iç-örneklem sonucu olarak yorumlanmalıdır.

Etiket permütasyon testi

Gözlenen %63.6 doğruluk null dağılım ortalamasının üzerindedir; ancak p=0.055 geleneksel 0.05 eşiğinin hemen üzerindedir. Kaynak bunu “sınırda” ve keşifsel sonuç olarak yorumlamaktadır. Bu nedenle panelin gürültüden bağımsız ve genellenebilir bir klinik sınıflandırıcı olduğu sonucuna varılamaz.

Tam 21-biyobelirteç AL indeksindeki grup farkları

Kruskal–Wallis omnibus testi \(H=8.793\), exact p=0.012 olarak raporlanmıştır. Bonferroni düzeltmesinden sonra CG–PSF farkı anlamlı değildir (p_Bonf=1.000; Hedges' g=−0.15; Cliff's δ=−0.10). CG–CF farkı da anlamlı değildir (p_Bonf=0.144; Hedges' g=0.63; Cliff's δ=0.31). PSF–CF karşılaştırması ise p_Bonf=0.007, Hedges' g=0.89 ve Cliff's δ=0.47 ile anlamlı kalmıştır.

Özet ile sonuç bölümündeki p=0.007 farkı

Kaynağın özet bölümü p=0.007 değerini azaltılmış AL indeksinde CF ile kontrol grubu arasındaki farka bağlamaktadır. Buna karşılık ana sonuç bölümü aynı p=0.007 değerini tam 21-biyobelirteç AL indeksinde PSF–CF karşılaştırması için raporlamakta, CG–CF karşılaştırmasını p_Bonf=0.144 olarak vermektedir. Bu farklılık kaynak tarafından açıklanmadığı için Verianla herhangi bir değeri diğerinin yerine geçirerek sessiz düzeltme yapmamıştır.

Şekil 7'nin rolü

Kaynak Şekil 7, SHAP ile seçilmiş Top-6 ve Top-10 biyobelirteçlerden yeniden hesaplanan AL indekslerini CF, PSF ve kontrol gruplarında görsel olarak karşılaştırır. Şeklin bilimsel görevi, tam 21 belirteçli AL yerine daha küçük hedeflenmiş panellerin gruplar arasındaki göreli ayrışmayı koruyup korumadığını göstermektir. Ancak azaltılmış paneller aynı örneklemden türetilmiş olduğundan grafik dış doğrulama değildir.

SHAP sıralamalarının duyarlılık analizi

Kaynak, bütün katılımcılar üzerinden elde edilen feature-importance sıralaması ile yalnız doğru sınıflanan alt kümelerden oluşturulan sıralamalar arasında yüksek Spearman uyumu bildirmektedir. Karşılaştırmalara göre ρ değerleri 0.935–0.982 aralığında, Top-10 azaltılmış model için 0.952 ve Top-6 için 1.000'dır. Ayrıca ilk sıradaki özellik tüm karşılaştırma boru hatlarında değişmemiştir. Bu sonuç feature-rank sıralamasının kullanılan alt kümeye karşı görece kararlı olduğunu destekler; fakat bağımsız popülasyonda tekrarlanabilirliği kanıtlamaz.

Çalışmanın desteklediği sonuçlar

• PSF, CF ve kontrol gruplarında 21 biyobelirteçten oluşan fizyolojik profiller aynı değildir.
• Sistem düzeyindeki analizde oksidatif sistem p=0.014 ile gruplar arasında farklılık göstermiştir.
• Ürik asit farklı korelasyon ve SHAP analizlerinde tekrar tekrar yüksek önem göstermiştir.
• CF ile kontrol karşılaştırmasında kreatinin öne çıkmış; kardiyovasküler, oksidatif ve lipid/metabolik özellikler de model katkısında üst sıralarda yer almıştır.
• PSF ile kontrol karşılaştırmasında kalp hızı en etkili özellik olmuş; TSH, glukoz ve ürik asit de yüksek önem göstermiştir.
• PSF–CF karşılaştırmasında ürik asit en önemli özellik; kortizol, glukoz, kreatinin ve trigliserit diğer güçlü ayırıcı özellikler arasında raporlanmıştır.
• Top-10 SHAP paneli PSF–CF ayrımında tam 21-biyobelirteç modelinden daha yüksek nokta tahminli accuracy üretmiştir.
• Tam AL indeksinde Bonferroni sonrası en belirgin grup farkı PSF–CF arasındadır.

Çalışmanın desteklemediği sonuçlar

• Ürik asit şizofreni veya bipolar bozukluk için özgül tanı biyobelirteci olarak doğrulanmamıştır.
• PSF veya CF gruplarındaki katılımcılar şizofreni ya da bipolar bozukluk hastaları değildir.
• Random Forest modellerinin klinik tanı veya tarama amacıyla kullanılabileceği gösterilmemiştir.
• %63.6 accuracy bağımsız dış doğrulama performansı değildir.
• SHAP feature importance biyolojik nedensellik kanıtlamaz.
• AL farklılıklarının hangi moleküler mekanizma tarafından oluşturulduğu gösterilmemiştir.
• Trait gruplarındaki biyobelirteç örüntülerinin daha sonra psikiyatrik hastalığa dönüşümü öngördüğü gösterilmemiştir.
• Sonuçların farklı yaş gruplarına, klinik hastalara veya başka ülkelerdeki genel nüfusa doğrudan genellenebilirliği gösterilmemiştir.

Başlıca sınırlılıklar

Küçük örneklem: Gruplar 25–30 katılımcıdan oluşmaktadır. Bu büyüklük özellikle karmaşık makine öğrenmesi modellerinde aşırı uyum riskini artırır ve performans tahminlerinin belirsizliğini genişletir.

Bağımsız doğrulama eksikliği: Çalışmada tamamen bağımsız bir external validation cohort yoktur. LOSO iç doğrulama subject-level ayrımı korusa da farklı bir popülasyona genellenebilirliği test etmez.

Aynı kohortta özellik seçimi ve değerlendirme: Top-6 ve Top-10 biyobelirteç panelleri feature discovery yapılan örneklemden türetilmiş ve yine aynı örneklem üzerinde değerlendirilmiştir. Kaynak bu nedenle azaltılmış paneli klinik modelden çok hipotez üretici aday olarak kabul etmektedir.

Kontrol edilmemiş fizyolojik değişkenler: Adet döngüsü fazı, oral kontraseptif kullanımı, yakın fiziksel aktivite, kafein, alkol, sigara, açlık durumu ve kan alma zamanı sistematik olarak değerlendirilmemiştir. Bu değişkenler metabolik, hormonal ve inflamatuvar biyobelirteçleri etkileyebilir.

İkili model yaklaşımı: Üç sınıfı tek model içinde değerlendirmek yerine ayrı ikili Random Forest modelleri kullanılmıştır. Bu yaklaşım yorumlanabilirliği artırmıştır; ancak daha büyük kohortlarda multi-class analiz ayrıca test edilmelidir.

Supplementary veri bağımlılığı: Makale SHAP yön ve büyüklüklerinin ayrıntılı değerleri için Supplementary Tables S2–S4'e atıf yapmaktadır. Yüklenen kaynak PDF bu ek tabloların tam sayısal içeriğini içermediğinden Verianla görünmeyen SHAP değerlerini tahmin etmemiştir.

Kaynak ve Yöntem Notu

Özgün başlık: Machine Learning-Assisted Identification of Biomarkers Associated with Schizotypal and Cyclothymic Traits

Yazarlar: Sabine Finlay; Gideon Vos; Imre Földesi; Diána Kata; Oyelola Adegboye; Donna Rudd; Brett McDermott; István Szendi; Mostafa Rahimi Azghadi; Zoltan Sarnyai.

Sorumlu yazar: Zoltan Sarnyai.

Kurumlar: Laboratory of Psychiatric Neuroscience, Australian Institute of Tropical Health and Medicine, James Cook University; College of Medicine and Dentistry, James Cook University; Margaret Roderick Centre for Mental Health Research, James Cook University; College of Science and Engineering, James Cook University; Institute of Laboratory Medicine, University of Szeged; Menzies School of Health Research, Charles Darwin University; Child and Adolescent Mental Health Service, Hobart; Tasmanian Centre for Mental Health Service Innovation; Department of Psychiatry, Kiskunhalas Semmelweis University Teaching Hospital; Department of Clinical and Health Psychology, Institute of Psychology, University of Szeged; Centre of Excellence for Interdisciplinary Research, Development and Innovation, University of Szeged.

Dergi: Psychiatry International.

Yayıncı: MDPI.

Bibliyografik kayıt: Psychiatry International, 2026, 7(4), 159.

DOI: 10.3390/psychiatryint7040159

Yayın tarihçesi: Alınma 17 Nisan 2026; revizyon 23 Haziran 2026; kabul 10 Temmuz 2026; yayın 15 Temmuz 2026.

Kaynak türü: Klinik olmayan genç yetişkin popülasyonunda psikometrik trait grupları ile çoklu fizyolojik biyobelirteçleri birleştiren gözlemsel ve keşifsel makine öğrenmesi/biyobelirteç araştırması.

Hakemlik durumu: Yayımlanmış hakemli version of record.

Örneklem: 18–25 yaş aralığında 85 üniversite öğrencisi; PSF n=30, CF n=25, kontrol n=30.

Temel psikometrik araçlar: TEMPS-A, kısaltılmış Macarca O-LIFE, Peters Delusions Inventory, Mood Disorder Questionnaire ve yapılandırılmış DSM görüşmesi.

Biyobelirteç paneli: Sekiz biyolojik sistemi kapsayan 21 antropometrik, kardiyovasküler, metabolik, immün, nöroendokrin, oksidatif ve renal ölçüm.

Allostatik yük yöntemi: Risk yönündeki üst veya alt çeyreğe göre her belirtece 0/1 puan verilmesi ve tam panelde 0–21 aralığında toplam skor oluşturulması.

Makine öğrenmesi: Random Forest; üç ikili karşılaştırma; default hiperparametreler; class weighting, oversampling ve undersampling yok; leave-one-subject-out cross-validation.

Açıklanabilir yapay zekâ: SHapley Additive exPlanations (SHAP) ile biyobelirteç feature-importance sıralaması.

Azaltılmış modeller: En yüksek sıralanan altı ve on biyobelirteçten Top-6 ve Top-10 paneller.

Robustness analizi: Katılımcı başına 400 LOSO Random Forest yeniden eğitimi; Top-10 panel için 200 label permutation; subject-level performans güven aralıkları için 2000 stratified bootstrap yeniden örneklemesi.

İstatistik: Spearman korelasyonu, Shapiro–Wilk, Kruskal–Wallis, Mann–Whitney U, üç ikili karşılaştırma için Bonferroni düzeltmesi, Hedges' g ve Cliff's δ.

Analiz ortamı: R 4.6.1.

Lisans: Creative Commons Attribution (CC BY).

Finansman: Artificial Intelligence National Laboratory Program kapsamında European Union project ve Hungary Ministry of Innovation and Technology NRDI Office desteği, RRF-2fi.3.1-21-2022-00004; National Research, Development and Innovation Fund kapsamında TKP2021-NVA-09; Hungarian Government ve European Regional Development Fund kapsamında GINOP-2.3.2-15-2016-00037 “Internet of Living Things”.

Etik: University of Szeged, Szent-Györgyi Albert Clinical Centre, Regional Scientific and Research Ethics Committee for Human Biomedical Sciences; protokol 267/2018-SZTE; onay 26 Şubat 2019. Çalışma Helsinki Bildirgesi'ne uygun yürütülmüştür.

Bilgilendirilmiş onam: Tüm katılımcılardan alınmıştır.

Veri erişilebilirliği: Veriler etik ve gizlilik nedenleriyle kamuya açık değildir; makul talep üzerine sorumlu yazardan istenebileceği belirtilmiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Yazar katkıları: Sabine Finlay; ilk taslak, gözden geçirme/düzenleme, kavramsallaştırma, biçimsel analiz, yöntem ve görselleştirme. Gideon Vos; gözden geçirme/düzenleme, biçimsel analiz ve görselleştirme. Imre Földesi ve Diána Kata; gözden geçirme/düzenleme, araştırma ve veri kürasyonu. Oyelola Adegboye, Donna Rudd, Brett McDermott ve Mostafa Rahimi Azghadi; gözden geçirme/düzenleme. István Szendi; gözden geçirme/düzenleme, araştırma, veri kürasyonu ve finansman edinimi. Zoltan Sarnyai; ilk taslak, gözden geçirme/düzenleme, yöntem, denetim ve kavramsallaştırma.

Kaynak-içi raporlama notu 1: Özet, p=0.007 değerini azaltılmış AL indeksinde CF–kontrol farkına bağlarken ana sonuç bölümünde p_Bonf=0.007 tam 21-biyobelirteç indeksindeki PSF–CF karşılaştırmasına aittir. Kaynak bu farkı açıklamamaktadır.

Kaynak-içi raporlama notu 2: SHAP yönteminin bir paragrafı bütün katılımcıları içeren analizi birincil ve doğru-sınıflanan alt grubu duyarlılık analizi olarak tanımlarken başka bir paragraf feature-importance hesabında kararlı/doğru tahmin edilen katılımcıların seçildiğini bildirmektedir. Sınırlılıklar bölümü bütün katılımcı analizini birincil yaklaşım olarak tekrar etmektedir.

Kaynak-içi terminoloji notu: Bazı şekil açıklamalarında PSF ve CF için “schizophrenia” ve “bipolar disorder” etiketleri kullanılmıştır. Çalışmanın yöntem ve örneklem tanımı ise bu grupların klinik tanı değil, klinik olmayan şizotipal ve siklotimik trait grupları olduğunu açıkça göstermektedir. Verianla klinik tanı izlenimi oluşturacak bu kısa etiketleri ana anlatımda kullanmamıştır.

Temel yorum sınırı: Bulgular, belirli biyobelirteçlerin klinik olmayan şizotipal ve siklotimik özellik gruplarıyla keşifsel ilişkisini ve model içindeki göreli önemini göstermektedir. Şizofreni veya bipolar bozukluk tanısını, gelecekte hastalık gelişimini, nedensel biyolojik mekanizmayı veya klinik kullanıma hazır bir biyobelirteç panelini doğrulamaz.