Psikiyatride en zorlu tanı süreçlerinden biri şizofreninin erken aşamasında yakalanmasıdır. Hastalar bazen halüsinasyonlar (her zaman değil), bazen sosyal geri çekilme (belki de) ya da deliryumlar (zaten her zaman ortaya çıkmayabilir) gibi belirsiz belirtiler gösterir; çoğu zaman tek başına en çarpıcı işaret, konuşmalarının kendilerine ait ses tonundan farklı duyulmasıdır. Klinik hekimler, bu belirsiz sinyalleri yorumlamak için yılların verdiği tecrübeyle hastanın konuşma biçimini inceler ve zaman içinde hangi belirtilerin ortaya çıktığını takip ederek şizofreni yönünde bir eğilim mi yoksa başka bir zihinsel rahatsızlık mı olduğunu belirlemeye çalışır. Bu süreç, tanıların ortalama olarak ilk belirtilerden bir yıl yarım sonra gerçekleşmesine yol açar.
Konuşmanın bu kadar belirsiz olmasına rağmen araştırmacılar, yapay zekanın hekimlerin duyamadığı ya da nicelendiremediği sinyalleri analiz ederek teşhisi hızlandırıp doğrulayabileceğini sorgulamaya başladı. Yapay zeka yarın klinikte dramatik bir giriş yapmayacak; ancak psikiyatri bakımında yeni bir ufuk olarak nitelendiriliyor ve belirsiz belirtilere dayanarak erken, doğru tespit ile kişiselleştirilmiş izleme imkanı sunması bekleniyor.
Teknik Arka Plan ve Temel Sebepler
Şizofreni, insanın gerçekliği algılamasını, düşünce yapısını ve duygusal dengelemesini bozan bir bozukluktur. Dünya genelinde yaklaşık 23 milyon kişiyi etkiler ve genellikle genç yetişkinlik döneminde, yani ergenliğin son yıllarında ya da 30’lu yaşların başında teşhis edilir. Nedeni tam olarak bilinmemekle birlikte araştırmalar bunun genetik, çevresel, beyin kimyasal ve madde kullanımı faktörlerinin birleşimiyle ortaya çıkabileceğini öne sürer.
Klinik açıdan en kritik nokta, bozukluğun mümkün olduğunca erken tespit edilmesidir. Uzun süre tedavi görmeyen hastalarda tedaviye yanıt daha kötüleşir ve beyin dokusunda kayıp ile belirtilerin şiddetlenmesi ya da intihar riski artar. Ancak psikiyatristlerin bu süreci yürütürken sistematik zorluklarla karşılaştıkları gerçektir.
Mevcut teşhis yöntemi temelde öznel değerlendirmelere dayanır. Hasta ne söylediğine ve nasıl söylediğine bakarak hekimler, belirtilerin şiddetini sıralamak için birkaç farklı puanlama ölçeğinden birini doldurur. Bu süreç standartlaştırılması zor bir işlemdir; aynı hastaya verilen skorların hekimlere göre %30 ile %50 arasında değişebileceği raporlanmıştır. İşte yapay zekanın devreye girdiği nokta tam burasıdır: sürecin otomatikleştirilerek hem daha hızlı hem de daha tutarlı hale getirilmesi.
Klinik hekimler konuşmayı birinin zihinsel durumunu değerlendirmek için sağlam bir işaret olarak görür. Çünkü konuşma bozuk düşünceyi gösterebilir — şizofreninin belirgin özelliği olan, fikirlerden fikirlere düzensiz ve kaotik geçişleri. Bu tür hastalarda ses tonu daha monoton ya da robotik olabilir; konuşmada daha uzun duraklamalar görülebilir. Sesin hacmi de bağlama göre sesini yükselten veya düşüren sağlıklı bireylere kıyasla kontrastı azalmış olabilir. Ancak bu farklar, özellikle erken aşamada tanı için kullanılması zor işaretlerdir.
Karşılaştırma ve Donanım Parametreleri
Farklı araştırma grupları, konuşmanın ses özelliklerini (akustik) ve anlamsal içeriğini (sözcük dizilimi) analiz etme konusunda birbirinden farklı yaklaşımlar geliştirmiştir. Bu iki temel stratejiyi ve altta yatan teknik yaklaşımı aşağıda karşılaştırmalı olarak inceleyebiliriz.
| Parametre / Bileşen | Detay, Değer veya Etki Analizi |
|---|---|
| Ses Tabanlı (Akustik) Yaklaşım | Hollanda ekibi ses kayıtlarında 88 özelliği ölçdü: ses yüksekliği, duraklama süreleri, ünsüz/ünsüz telaffuzu ve tonlamayı. Bu verilerle eğitilen model, yeni hastalarla test edildiğinde %86,2 doğrulukla şizofreni ile sağlıklı kontrolü ayırt etti. |
| İçerik Tabanlı (Sözcük Haritası) Yaklaşım | Sunny Tang ekibi makine öğrenimi modeliyle her sözcüğe ev adresi benzeri matematiksel bir koordinat atadı. Sözcüklerin oluşturduğu “komşuluk” üzerinden cümlelerin aynı bölgede mi yoksa ayrılıp geri döndüğüne bakarak düzensiz düşünceyi ölçtü. |
| Klinik Değerlendirme (İnsan Puanlama) | Yapay zeka kullanılmadan çalışan klinik hekimlerin doğruluğu yalnızca %68 seviyesinde kaldı; bu, otomatikleştirilmiş sistemin insanın öznelliğini aşabileceğini gösterir. |
| Alt Tipler Arası Ayrım | Hollanda ekibinin modeli, hastalığın farklı alt tiplerini bile birbirinden ayırabildiği tespit edildi — bu da kişiselleştirilmiş izleme potansiyeli taşır. |
| Erken Aşama ve Nüks Tahmini | Alban Voppel’e göre sistem en net vakalarda çok az fayda sağlasa da, erken aşamayı ya da riskli bireyleri yakalamada ve nüksetmeyi öngörmede umut verici işaretler ortaya koyuyor. |
| Veri Kalitesi Kısıtı | Araştırmalar çoğunlukla nüfuzu temsil etmeyen küçük gruplarla yürütüldü; yaş, ikinci dil konuşma, stresli ortam (acil servis) ve ilaç etkisi gibi karıştırıcı faktörler gerçek dünyada doğruluğu düşürüyor. |
Çözüm Adımları ve Teknik Analiz
Ses tabanlı yaklaşımda Hollanda ekibi, daha önce psikiyatristlerce şizofreni tanısı almış kişilerin ses kayıtlarını seçti ve yazılımla 88 farklı özelliği ölçtü. Bu özellikler arasında sesin gürültülüğü, duraklama süreleri, ünsüz telaffuzu ve tonlamaya kadar geniş bir yelpaze yer aldı. Ölçümler kullanılarak bir yapay zeka programı eğitildi; böylece model hem şizofrenili hem de şizofrenili olmayan bireyleri ayırt etmeye hazır hale getirildi. Yeni hastaların ses dosyalarıyla yapılan testte, model %86,2 doğrulukla ayrım yaptı ve farklı alt tipleri bile birbirinden ayırt edebilme kapasitesine sahip bulundu.
Tang ekibi ise tamamen farklı bir yol izledi. Sesin ses özellikleri yerine içeriğine odaklanan makine öğrenimi modeli geliştirdi. Model, hastanın konuşma transkriptindeki her sözcüğe ev adresinin kendisine benzer bir matematiksel konum atadı. Bu konumların oluşturduğu yapıya bakarak cümlelerin aynı genel bölgede mi kaldığı yoksa şehri terk edip tekrar geri döndüğü belirlendi; bu da düzensiz düşünceyi ölçmeyi sağladı. Tang’ın anlattığına göre böylelikle “birinin söylediği şeyin içinde anlamın nasıl aktığı” nicelendirilebiliyor.
Bu tür sistemlerin klinik izleme için de kullanılması bekleniyor. Belirtilerin şiddetini ve ilerlemesini zaman içinde takip etmek, tedaviye istenen etkiyi verip vermediğini değerlendirmeyi ve nüksetmenin erken işaretlerini yakalamayı mümkün kılıyor. Bugün bu izleme hekimlerin hastalarla düzenli görüşmesini gerektiriyor; yapay zeka ise bunu fraksiyonel maliyetle ve uzaktan gerçekleştirebilir potansiyeli taşıyor. Tang, birkaç dakikalık bir konuşmaya dayanarak “bu kişinin psikoz düzeyi hakkında oldukça yetkin ve emin bir değerlendirme” yapılabilmesini öne sürüyor ve 2030’a kadar klinik denemeler için hazır bir araç geliştirmeyi hedefliyor.
Bu noktada önemli bir ayrım dikkate alınmalı: ses işaretçileri çalışmalar içinde iyi sonuç verse de gerçek dünyada zayıf kalabiliyor. Bu durum “araştırma ile uygulama arasındaki uçurum” olarak adlandırılıyor. Hekimler idealde, bir hastanın normalde nasıl duyulduğunu bilmek ister; ancak bu temel veri toplamak için yüksek riskli bireylerin belirlenmesi, görüşmeleri kaydedilmesi ve uygulamalara günlük katılımın izlenmesi gibi ciddi zorluklar içerir.
Bu sınırlamalar nedeniyle araştırmacılar yapay zekanın yakında şizofreni tanı koyuracak bir araç haline gelmesini beklemiyor. Vijay Mittal’ın ifadesiyle “bu bir araçtır, panseadır; erken dönemler ve heyecan var ama dikkatli olunması gerekiyor.”
Sıkça Sorulan Sorular
Soru: Yapay zeka hangi konuşma özelliklerini analiz ederek şizofreniyi ayırt ediyor?
Cevap: İki temel yol izleniyor. Ses tabanlı yaklaşımda ses yüksekliği, duraklama süreleri, ünsüz ve ünsüz telaffuzu, tonlamaya kadar 88 farklı akustik özellik ölçülüyor; içerik tabanlı yaklaşımda ise sözcüklerin transkript üzerindeki konumları haritalanarak anlamsal aktarımın düzensizliği değerlendiriliyor.
Soru: Bu modellerin doğruluk oranları ne kadar ve klinik hekimlerle nasıl karşılaştırılıyor?
Cevap: Hollanda ekibinin ses tabanlı modeli %86,2 doğrulukla ayrım yaparken Tang ekibinin içerik tabanlı modeli %87 doğruluk elde etti. Karşılaştırma için klinik puanlamayı yapan hekimlerin doğruluğu yalnızca %68 seviyesinde kaldı.
Soru: Neden bu sistemler henüz klinikte kullanılmıyor?
Cevap: Temel sorunlar veri kalitesinde gizli. Çalışmalar çoğunlukla nüfuzu temsil etmeyen küçük gruplarla yürütülüyor; yaş, ikinci dil konuşma, acil servis gibi stresli ortamlar ve ilaç etkisi gibi karıştırıcı faktörler gerçek dünyada doğruluğu düşürüyor. Buna ek olarak mahremiyet ve güvenlik konularında ciddi etik zorluklar var.
Soru: Yapay zeka teşhisi için ne kadar sürede klinikte hazır olabilecek?
Cevap: Araştırmacılar bunun yakın zamanda gerçekleşmeyeceğini vurguluyor. Tang, 2030’a kadar klinik denemeler için hazır bir araç geliştirmeyi hedefliyor; ancak Mittal gibi uzmanlar bu sürecin henüz başında olduğunu ve dikkatli olunması gerektiğini hatırlatıyor.
Önemli Teknik Kavramlar
Makine Öğrenimi Modeli: Bir sistemin büyük veri setinden öğrenerek yeni görülmeyen girdilere dayanarak tahmin yapabilmesini sağlayan algoritmiktir; burada konuşma sesleri ve sözcük dizilimleri üzerinden hastalık ayrımı yapılır.
Akutistik Özellik Analizi: Ses sinyalinin fiziksel parametrelerini (gürültülüğü, tonlamayı, duraklama sürelerini) ölçerek anlamsal içerikten bağımsız biyobelirteçler ortaya çıkarmaktır.
Komşuluk Haritalama: Her sözcüğe uzayda bir konum atayıp sözcüklerin oluşturduğu yapı üzerinden anlamsal aktarımın düzensizliğini nicelendiren içerik tabanlı yöntemdir.
Araştırma-Uygulama Uçurumu: Bir bulgunun laboratuvar koşullarında başarılı olmasına rağmen gerçek dünya koşullarında performansının düşmesi durumudur; burada ses işaretçileri çalışmalar içinde iyi, pratikte ise zayıf kalabilir.
TARİHÇİ DEĞERLENDİRMELERİ (1)