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

SO384

Depresyonda tedaviye dirençliliği ve intihar riskini öngörmek için yaşa göre katmanlandırılmış modelleme ile açıklanabilir yapay zekânın birleştirilmesi

INTEGRATING AGE-STRATIFIED MODELING AND EXPLAINABLE AI FOR PREDICTING TREATMENT REFRACTORINESS AND SUICIDE RISK IN DEPRESSION

Yaşa göre katmanlandırılmış TabNet modelleri, FDG-PET verisiyle tedaviye dirençli depresyon ve intihar riskini geleneksel makine öğrenmesi yöntemlerinden daha yüksek doğrulukla öngörmüş ve her yaş grubunda farklı metabolik örüntüler saptamıştır.

Çalışma, tedaviye dirençli depresyonun (treatment-resistant depression, TRD) beyin mekanizmalarının yaş gruplarına göre değiştiği varsayımından hareketle, yaşa göre katmanlandırılmış modellemenin yaşa özgü metabolik örüntüleri yakalayarak öngörüyü iyileştirip iyileştirmediğini değerlendirmeyi amaçlamıştır. Taipei Veterans General Hospital'dan alınan 245 majör depresif bozukluk hastası (21-82 yaş) üç gruba ayrılmıştır: Genç (25 yaş altı; 7 dirençli olmayan, 17 TRD), Erişkin (25-49 yaş; 26 dirençli olmayan, 58 TRD) ve İleri yaş (50 yaş ve üzeri; 56 dirençli olmayan, 81 TRD). Dinlenim durumu FDG-PET verisi 116 AAL beyin bölgesinden elde edilmiş, SUV düzeltmesi ve min-maks normalizasyonu uygulanmış; derin tablo öğrenme mimarisi TabNet ile kurulan yaşa göre katmanlandırılmış çerçeve, geleneksel makine öğrenmesi modelleriyle (SVM, RF, XGBoost) karşılaştırılmış, sınıf dengesizliği için SMOTE, Mixup ve sınıf dengeli kayıp fonksiyonu kullanılmış, model yorumlanabilirliği SHAP (SHapley Additive exPlanations) ile sağlanmıştır. TabNet tüm metriklerde geleneksel modelleri geride bırakmıştır; tedaviye dirençlilik öngörüsünde doğruluk Genç grupta %75,33, Erişkin grupta %71,62 ve İleri yaş grubunda %77,80 olmuştur. İntihar riski öngörüsünde doğruluk Genç grupta %86,00, Erişkin grupta %80,19 ve İleri yaş grubunda %70,36 olarak bildirilmiştir. SHAP analizi yaşa özgü nörobiyolojik profiller ortaya koymuştur: Genç hastalarda duyusal bütünleme ve sosyal ağlarda (parietal lob, temporal kutup) farklılıklar, erişkinlerde prefrontal korteks, anterior singulat korteks ve limbik sistem arasında düzensizlik, ileri yaş grubunda ise subkortikal ve serebellar tutulum (putamen, serebellum) gözlenmiştir. Yazarlar yaşın TRD görünümü ve model başarımı üzerinde belirleyici bir düzenleyici (moderator) olduğunu, hastaların yaşa göre katmanlandırılması ve TabNet gibi yorumlanabilir yapay zekâ kullanımının hem öngörü doğruluğunu artırdığını hem de yaşa özgü patolojik mekanizmaların saptanmasını sağladığını belirtmektedir.

Tüm WCP 2026 özetleri