Psikiyatride en zorlu tanı konulması gereken durumlardan biri şizofreni. Hastalar bazen halüsinasyonlar sergiler, bazen sosyal geri çekilme gösterir, bazen de delüzyonel düşünceler ortaya koyar — ama çoğu zaman tek belirgin işaret şudur: hasta, kendinden beklenen şekilde konuşmuyor. Klinik hekimler, yıllar içinde edinilen tecrübeleriyle bu ince ipuçlarını okumaya çalışır. Ancak insan kulağı ve gözünün yakalayamadığı desenleri, bir yazılımın dinlemesi ve analiz etmesi mümkün. İşte bu noktada yapay zeka, psikiyatri bakımının yeni bir ufku olarak öne çıkıyor.
Teknik Arka Plan ve Temel Sebepler
Şizofreni, gerçeklik algısı, düşünce yapısı ve duygusal dengeyi bozan bir bozukluktur. Dünya genelinde yaklaşık 23 milyon insanı etkiler ve genellikle genç yetişkinlik döneminde, yani ergenliğin son yıllarında ya da 30’lu yaşların başında teşhis edilir. Nedeni tam olarak bilinmemekle birlikte, genetik, çevresel faktörler, beyin kimyası ve madde kullanımı gibi unsurların birleşimi olduğu düşünülmektedir. Tanının ne kadar erken konulduğu, tedaviye yanıtın kalitesini doğrudan belirler: Boşluğu uzadıkça beyin dokusunda kayıplar artar, belirtiler şiddetlenir ve kriz riski yükselir.
Problemin kökeninde tanı sürecinin öznel olması yatıyor. Hekimler, hastanın ne söylediğine ve nasıl söylediğine dayanarak birkaç farklı puanlama ölçeğinden birini doldurur. Bu süreç standartlaştırılması zor bir işlemdir ve aynı hasta için farklı hekimlerin verdiği skorlar %30 ile %50 arasında değişebilir. Bu durum, tanının ortalama olarak ilk belirtilerden bir buçuk yıl sonra konulmasına yol açar. Amerika’da psikotik bozukluk yaşayan 3 milyondan fazla insan bu gecikmeyi yaşıyor.
Yapay zeka, bu süreci otomatikleştirerek hem hızlandı hem de daha tutarlı hale getirme potansiyeline sahip. Thomas Insel, 13 yıl boyunca ABD Ulusal Ruh Sağlığı Enstitüsü’nü yöneten psikiyatri uzmanı, “Kahramanvari bir giriş yapmayacak, ama psikiyatri bakımında yeni bir sınır çiziyor” görüşünü paylaşır. “Nasıl delüzyonel konuşuyor? Bu bağlantılar ne kadar dağınık? Ne kadar tutarsız?” sorularına ilk kez nesnel biçimde yanıt verebileceğiz.” diyerek konunun önemini vurgular.
Karşılaştırma ve Donanım Parametreleri
İki farklı araştırma ekibi, sorunu çözmek için birbirinden tamamen zıt yaklaşımlar benimsedi. Biri sesin fiziksel özelliklerine (akustik analiz), diğeri ise konuşmanın anlam bütünlüğüne (semantik analiz) odaklandı. Bu iki yaklaşımın teknik temellerini ve performans sonuçlarını aşağıdaki tabloda karşılaştırıyoruz.
| Parametre / Bileşen | Detay, Değer veya Etki Analizi |
|---|---|
| Analiz Yaklaşımı | Akustik (ses özellikleri) vs. Semantik (anlam akışı) |
| Ölçülen Özellik Sayısı | 88 akustik parametre: ses yüksekliği, duraklama süresi, ünsüz/ünsüz telaffuzu, tonlama |
| Veri Temeli | Önceden tanılı şizofreni hastalarının ses kayıtları |
| Test Edilen Model Doğruluğu | Akustik yaklaşım: %86,2; Semantik yaklaşım: %87 |
| Karşılaştırma Bazı (İnsan Değerlendirmesi) | AI kullanılmadan klinik skorlayıcılar: %68 doğruluk |
| Alt Tipler Arası Ayrım | AI, hastalığın farklı alt tiplerini ayırt edebilir |
Çözüm Adımları ve Teknik Analiz
İkinci yaklaşımı geliştiren ekibin başında, New York’un yakınındaki Feinstein Tıp Araştırmaları Enstitüsü’nde görev yapan psikiyatri uzmanı Sunny Tang yer alıyor. Tang, sesin sesini değil, içeriğini inceler. Geliştirdiği makine öğrenmesi modeli, bir konuşmanın transkriptindeki her kelimeye ev adresi gibi bir matematiksel adres atar. Bu adreslerin oluşturduğu “yıldız haritasına” bakarak, bir cümlenin aynı semtde mi kaldığını yoksa uzaklaşıp geri döndü mü olduğunu belirleyebilir. Bu da dağınık düşünceyi nicel biçimde ölçmeyi mümkün kılar.
Değerlendirmesi yapılan iki grup arasında model %87 doğrulukla ayrım yaparken, AI kullanılmadan çalışan klinik skorlayıcıların doğruluğu yalnızca %68’di. Bu fark, nesnellik açısından kritik bir avantaj sunar.
İlk ekibin Hollanda’daki araştırmacıları ise sesin fiziksel boyutunu ölçtü. Şizofreni hastalarının konuşmaları daha parçalanmış, sesli heceler daha uzun duraklamalarla ayrılmış ve ses yüksekliğinde daha fazla değişim gösteriyor. Bu özellikleri ölçmek için sesin ses baskısı, duraklama süreleri, ünsüz telaffuzu ve tonlama gibi 88 parametreyi hesaplayan bir yazılım kullanıldı. Model, daha önce duymadığı yeni hastaların ses kayıtlarında %86,2 doğrulukla ayrım yaptı.
Alban Voppel, McGill Üniversitesi’nde görev yapan araştırmacı, bu yaklaşımın en net vakalarda çok faydalı olmadığını, ancak erken aşamaları ya da şizofreniye yaklaşıyor olma riskini tespit etmede umut verici işaretler taşıdığını belirtir. “Psikiyatri hekimlerinin çok daha zor bulduğu şeyleri yakalayabildiğimize dair olumlu işaretler var.” diyor.
Bu gelişmeler ışığında, yapay zekanın yalnızca tanı için değil, aynı zamanda zaman içinde belirtilerin şiddetini ve ilerlemesini izlemek için de kullanılabileceği görülüyor. Böyle bir izleme, hekimlerin tedavinin istenen etkiyi verip vermediğini değerlendirmesine ve relapse (geri dönme) belirtilerinin erken sinyallerini yakalamasına olanak tanır. Tang, birinin bir uygulamaya ya da cihaza birkaç dakika konuşmasıyla bu kişi hakkında yetkin ve güvenilir bir değerlendirme yapılabilmesini hedefliyor ve klinik denemeler için 2030’a kadar bir aracın hazır olmasını umuyor.
Çözüm Adımları ve Teknik Analiz (Devam)
Uygulama açısından bu teknolojilerin yaygınlaşması için aşılması gereken ciddi engeller mevcut. Birincisi, yapay zeka yalnızca eğitildiği veri kadar iyi çalışır — ve bu verilerde ciddi eksiklikler var. Araştırmaları yürüten Kansas Üniversitesi psikoloğu Jeffrey Girard, çalışmaların çoğunun nüfuzu temsil etmeyen küçük gruplar üzerinde yapıldığını vurgular. “Daha büyük, daha çeşitli örneklemelere ihtiyacımız var.” diyor.
İkinci sorun, konuşmanın yavaş olması her zaman zihinsel bir hastalığın işareti değildir. Kişi yaşlı olabilir, ikinci bir dil konuşuyor olabilir ya da acil servis gibi stresli ortamlarda, ilaç ya da fiziksel hastalık etkisi altında konuşuyor olabilir. Bu durum, “araştırmadan uygulamaya geçiş açığını” yaratır: Ses işaretleri çalışmalarında iyi performans gösterse de gerçek dünyada zayıf kalabilir.
Üçüncü ve belki de en hassas konu etik boyuttur. Brita Elvevåg, yaklaşık 30 yıldır ses desenlerini araştıran bilişsel nörobilimci, “Teknolojiyi kullanmaya başladıkça kişisel gizliliği nasıl koruyacağız?” sorusunu gündeme getirir. Verilerin gizliliği ve güvenliği, bu alanın en çetrefilli sorunlarından biri olarak öne çıkar.
Tüm bu kısıtlamalar nedeniyle araştırmacılar, yapay zekanın yakında bir şizofreni tanı koydurucu haline gelmesini beklemiyor. Northwestern Üniversitesi’nden Vijay Mittal, “Bu bir araç, bir panacea (her şeyi çözen ilaç) değil” uyarısını yapar. “Erken bir dönem ve çok heyecan var, ama buna karşılık çok dikkatli olunması gerekiyor.”
Sıkça Sorulan Sorular
Soru: Bu AI modelleri gerçekten klinik ortamda kullanılabilir mi?
Cevap: Henüz tam anlamıyla kullanıma hazır değil. İki yaklaşım da %86-87 doğrulukla ayrım yapıyor, ancak insan skorlayıcıların yalnızca %68 doğrulukla çalışması, AI’nın potansiyel bir avantaj olduğunu gösterse de yeterli kanıt henüz oluşmamış durumda. Araştırmacılar bunu bir destek aracı olarak görüyor, yerini alacak bir tanı koydurucu olarak değil.
Soru: Neden veri kalitesi bu kadar kritik?
Cevap: Yapay zeka, eğitildiği veriyi yansıtır. Çalışmaların çoğu küçük ve nüfuzu temsil etmeyen gruplar üzerinde yürütüldüğü için, model gerçek dünyadaki çeşitliliği yakalayamıyor. Bu da “araştırmadan uygulamaya geçiş açığı” olarak adlandırılan durum yaratıyor.
Soru: Akustik ve semantik yaklaşımlar arasındaki temel fark ne?
Cevap: Akustik yaklaşım sesin fiziksel özelliklerini (ses baskısı, duraklama, tonlama) ölçerken, semantik yaklaşım konuşmanın anlam bütünlüğünü inceler. Tang’ın modeli, her kelimeye bir matematiksel adres atayarak cümlenin anlam akışını takip eder.
Soru: Gizlilik ve etik konular nasıl çözülecek?
Cevap: Bu alanın en çetrefilli sorunu. Basit bir çözüm yok. Uzun vadede, hastanın normal sesini bir “baz” olarak kaydetmek ideal görülmekle birlikte, yüksek riskli bireylerin günlük olarak uygulamalarla etkileşime girmesini gerektiren zorlu bir süreç.
Önemli Teknik Kavramlar
Makine Öğrenmesi Modeli: Bir yazılımın, büyük veri setlerinden örüntüler çıkararak insan gibi öğrenme ve tahmin yapma biçimidir. Tang’ın yaklaşımında, konuşma metnindeki kelimelere matematiksel adresler atanarak anlam desenleri analiz edilir.
Akustik Özellik Analizi: Sesi fiziksel boyutlarıyla (ses baskısı, duraklama süresi, ünsüz/ünsüz telaffuzu, tonlama) ölçen yöntemdir. Hollanda ekibi, şizofreni hastalarının konuşmalarında bu parametrelerde belirgin farklılıklar tespit etmiştir.
Dağınık Düşünce (Disorganized Thinking): Şizofreni’nin temel işaretlerinden biri olan, düşüncelerin birbiriyle bağlantısız, rastgele geçişlerle ilerlemesi durumudur. AI modelleri, bu geçişleri nicel biçimde ölçebilir.
Araştırmadan Uygulamaya Geçiş Açığı: Bir bulgunun laboratuvar ortamında başarılı olsa da gerçek dünya koşullarında zayıf kalması durumudur. Ses işaretlerinde de benzer şekilde görülebilir.
