Bu sayfa, 26. Dünya Psikiyatri Kongresi'nde sunulan çalışmanın yapay zekâ desteğiyle hazırlanmış Türkçe özetidir. Çalışmanın sahibi sunan yazarlardır; atıf için orijinal kaynağa başvurun.

EV0274

Çocuk ve gençlerde ruh sağlığı araştırmalarında derin öğrenme uygulamalarının kapsam derlemesi

SCOPING REVIEW OF DEEP LEARNING APPLICATIONS IN CHILD & YOUTH MENTAL HEALTH RESEARCH

Çocuk ve gençlerde derin öğrenme araştırmaları büyük ölçüde tanı odaklı, EEG verisine ve DEHB'ye yoğunlaşmış durumdadır; model geliştirmenin ötesine geçen doğrulama, yanlılık ve uygulama boyutları neredeyse hiç ele alınmamaktadır.

Çalışmanın amacı, derin öğrenme (deep learning) yöntemlerinin çocuk ve genç ruh sağlığı araştırmalarında nasıl kullanıldığını ve bu modellerin klinik uygulamaya giden yaşam döngüsünün neresinde durduğunu haritalamaktır. Yöntem olarak JBI kapsam derlemesi kılavuzu (2020) ve PRISMA-ScR uzantısı izlenmiş; başlık ve özet taraması, tam metin değerlendirmesi ve veri çıkarımı çift bağımsız olarak yapılmış, veri çıkarımı çalışma özellikleri, incelenen ruhsal bozukluklar, kullanılan derin öğrenme modelleri ve bildirilen aşamalar üzerine odaklanmıştır. Posterde sunulan sonuçlar, uygun bulunan 181 çalışmanın 134'ünden çıkarılan verilere dayanmaktadır. Örneklem büyüklükleri 20 ile 24.540 arasında değişmiş, yaşlar 4 ile 18 arasında olup çalışmaların %50'si 4 ile 9, %50'si 10 ile 18 yaş aralığını kapsamıştır. En sık kullanılan model evrişimli sinir ağı (convolutional neural network) olup çalışmaların %42'sinde yer almış; en sık kullanılan veri türleri görüntüleme ve EEG olmuş, çalışmaların %74'ü (n=46) ruhsal bozukluk tanısına odaklanmış, en çok çalışılan tanı DEHB olmuştur. Uygulama ve raporlama açısından model yorumlanabilirliği ya da değişken önemi yaklaşık %27 oranında ele alınırken dış doğrulama (external validation), model kurulumu ve çocuk/genç ruh sağlığı ortamında model kurulumu çok düşük oranlarda bildirilmiş, yalnızca 1 çalışma bir makine öğrenmesi raporlama kılavuzu ya da kontrol listesi kullandığını belirtmiştir. Poster, çalışmaların çoğunun model temelli olduğunu, veri elde etme, eğitim ve değerlendirmeyi tartıştığını ancak model geliştirme ve kullanıma alma sürecindeki yanlılık olasılığını çok azının ele aldığını vurgulamaktadır. Sonuç olarak alan hızla büyümektedir; farklı görüntüleme türleri ve farklı bozukluklara yönelik araştırmalara ve makine öğrenmesi modellerinin raporlanmasına ilişkin kılavuzlara gereksinim vardır. Veri çıkarımı kalan uygun çalışmalar için sürmektedir.

Tüm WCP 2026 özetleri