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

Dijital ve kesinlikli psikiyatri

Digital and precision psychiatry

Makine öğrenmesi modellerinin psikiyatride kliniğe aktarılabilmesi için biyolojik heterojenliğin modellere katılması ve bağımsız örneklemlerde dış geçerliliğin gösterilmesi gerekiyor.

Konuşma, psikiyatrik bozuklukların biyolojik ve fenotipik heterojenliğini hesaba katan bireyselleştirilmiş klinik araçlar geliştirmeyi amaçlayan kesinlikli (precision) psikiyatride makine öğrenmesinin olanaklarını ve kliniğe aktarımı sınırlayan iki sorunu, biyolojik cinsiyet gibi anlamlı değişkenlerin yetersiz modellenmesini ve modellerin bağımsız popülasyonlara genellenememesini, iki çalışma üzerinden ele alıyor. İlk çalışmada nöroanatomik verilerle destek vektör makineleri (support vector machines, SVM) kullanılarak biyolojik cinsiyeti sınıflandıran bir model PRONIA kohortundaki 521 sağlıklı kontrolde oluşturuldu ve psikoz için klinik yüksek risk (clinical high risk, CHR), yeni başlangıçlı psikoz (recent onset psychosis, ROP) ve yeni başlangıçlı depresyon (recent onset depression, ROD) dahil erken psikiyatrik spektrumdaki 994 kişiye uygulandı. Model sağlıklı kontrollerde biyolojik cinsiyeti doğru biçimde ayırt etti (dengeli doğruluk, balanced accuracy, BAC = %85,7; p<0,001), buna karşın başarım CHR'de (%85,5), ROD'da (%79,3) ve ROP'ta (%75,8) kademeli olarak düştü; bu bulgu, psikopatolojinin erken evrelerinde normatif nöroanatomik cinsiyet imzalarının giderek bozulduğunu düşündürüyor. İkinci çalışmada ilk atak psikoz sonrası 12 aylık işlevsel sonlanımı öngören SVM modelleri EUFEST (n = 338) ve PSYSCAN (n = 226) kohortlarında değerlendirildi. Modeller kendi kohortları içinde iyi başarım gösterirken (BAC = %65-66), bağımsız kohortta test edildiklerinde başarım belirgin biçimde düştü (BAC = %50-56); veri setleri birleştirildiğinde ise öngörü iyileşti (merkez dışarıda bırakma, leave site out, BAC = %72). Sonuçlar, biyolojik heterojenliğin modellere katılmasının ve dış geçerlilik (external validation) ile sağlam genellenebilirliğin güvenceye alınmasının, makine öğrenmesi bulgularının günlük klinik uygulamaya aktarılabilmesi için gerekli olduğunu vurguluyor.

Tüm WCP 2026 özetleri