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

SO136

Henüz gerçekleşmemiş senaryoları uzmanca benzetmek: anksiyete bozukluklarının tanısal değerlendirmesinde hesaplamalı fenotipleme ve makine öğrenmesi

EXPERTLY SIMULATING SCENARIOS THAT HAVE HAPPENED YET: COMPUTATIONAL PHENOTYPING AND MACHINE LEARNING IN THE DIAGNOSTIC ASSESSMENT OF ANXIETY DISORDERS

Akıllı telefon ve giyilebilir sensörlerle yapılan dijital fenotipleme, makine öğrenmesi modelleriyle birleştiğinde anksiyete belirtilerinin saptanmasında ve seyrinin öngörülmesinde umut verici doğruluk göstermekte, ancak klinisyen değerlendirmesinin yerini almak yerine onu tamamlamaktadır.

Amaç, anksiyete bozukluklarında geleneksel geriye dönük klinisyen görüşmesine alternatif olarak yapay zekâ ve makine öğrenmesi (artificial intelligence and machine learning, AI-ML) destekli dijital fenotiplemenin tanısal değerini değerlendirmektir. PRISMA rehberliğinde yürütülen sistematik derlemeye, 14 yaş ve üzeri anksiyete bozukluğu ya da eşik altı anksiyete belirtileri olan hastaları içeren randomize kontrollü çalışmalar, olgu kontrol çalışmaları ve prospektif çalışmalar alınmış; akıllı telefon ve giyilebilir cihaz verisi kullanan araçlar altın standart klinisyen görüşmeleriyle karşılaştırılmıştır. Yüz ve konuşma değişikliklerini fenotipleyen bir model depresyon, anksiyete ve apatiyi kişinin kendi davranışsal başlangıç düzeyinden sapma üzerinden ayırt ederek %87 doğruluk ve ortalama %96,6 F1 puanına ulaşmış, diğer protokollerde belirti öngörüsü için alıcı işletim karakteristiği eğrisi altındaki alan (area under the receiver operating characteristic, AUROC) 0,65 ile 0,86 arasında bildirilmiştir. Posterde ayrıntılandırılan birinci olguda (Zainal ve ark., 2025) sosyal anksiyete bozukluğu olan 191 kişilik randomize kontrollü çalışmada 14 günlük farkındalık uygulaması kendi kendini izleme plasebosuyla karşılaştırılmış, günde 5 kez ekolojik anlık değerlendirme (ecological momentary assessment, EMA) verisiyle beslenen destek vektör makinesi (support vector machine, SVM) iç içe 10 katlı çapraz geçerlemeyle tedavi sonrasında 0,71 ile 0,72, bir aylık izlemde 0,83 AUROC elde etmiş ve doğrusal regresyonu anlamlı biçimde geçmiştir (P = 0,016); toplam remisyon oranları benzer olsa da (%26,0 ile %26,3) makine öğrenmesi 8 başlangıç yordayıcısı belirlemiştir. İkinci olguda (Watanabe ve ark., 2023) Japon çalışanlarda 24 kişilik bir aylık denemede pasif giyilebilir izlem ile 27 katmanlı LSTM derin öğrenme modeli sıkıntıyı öngörmüş, %76,3 tanısal doğruluk ve öngörülen ile gerçek sıkıntı arasında r = 0,679 (R2 = 0,463) bildirilmiş, ağır sıkıntı oranı %12,5'ten %0,0'a düşmüştür (P = 0,01); aynı çalışmada sensör verisi günde +0,60 dakikalık artış gösterirken öz bildirim %34,4 düşüş göstererek geri çağırma yanlılığının aşıldığı öne sürülmüştür. Öte yandan bazı uygulamalar başlangıç demografik ve klinik verisinden özgül anksiyete belirti değişimlerini öngörmede hiçbir yordayıcı başarı gösterememiştir. Sonuç olarak dijital fenotipleme, standart ölçeklerin geriye dönük hatırlama ve sosyal beğenilirlik yanlılıklarını azaltıp ince duygusal değişimleri yakalayabilmekte, ancak yalnızca toplanan veri türüyle (konuşma, yüz ifadesi, hareket gibi) sınırlı kalmakta ve klinisyen değerlendirmesini tamamlayıcı konumda bulunmaktadır.

Tüm WCP 2026 özetleri