ÖZET

Ruh sağlığı alanında objektif tanısal değerlendirme ve etkili müdahalelerin geliştirilmesine yardımcı olabilecek fenomenleri takip etmek ve bu alana hem fiziksel hem de zihinsel yatırım yapabilen bir anlayışa sahip olmak önem taşımaktadır. Bu bağlamda yapay zekanın psikiyatride kullanımına yönelik araştırmalar son yıllarda dikkat çekmekte ve gittikçe artmaktadır. Bu yazıda çeşitli psikiyatrik bozukluklarda yapay zekanın rolü, ruh sağlığı alanında yapay zekanın mevcut durumu ve uygulamaları, yapay zeka uygulamaları konusundaki fırsatlar ve sınırlılıklar hakkında mevcut literatür ışığında bilgiler gözden geçirilecektir.

Giriş

Teknolojinin gelişmesi ve teknolojik yöntemlerin (mekanik, elektrik ve internet gibi) birçok disiplinde birlikte kullanılması ile “dijital devrim” olarak bilinen dördüncü sanayi çağında artık sağlık alanı da yüzünü teknolojiye çevirmiştir (1,2). Yapay zeka (YZ) da günümüzde bu teknolojinin bir örneği olarak karşımıza çıkmaktadır (3). Birçok insan için YZ, insan gibi konuşan ve hareket eden bir tür insansı robotu akla getirmektedir. Fakat YZ sadece robot ve makinelerden çok daha fazlasıdır. 1950’lerin başında “yapay zeka” terimini ilk kez kullanan Stanford Üniversitesi’nden Profesör John McCarthy, bunu “akıllı makineler, özellikle akıllı bilgisayar programları yapma bilimi ve mühendisliği” olarak tanımlamıştır (4). Bu tanım “hedeflere ulaşma yeteneğinin hesaplamalı kısmı” olarak yani genellikle normalde insan zekâsı gerektiren görevleri yerine getirebilen bilgisayar sistemlerinin geliştirilmesi olarak yorumlanmıştır.

Günümüzde yapay zeka, tıp ve psikiyatride kendine yer edinmiş ve önümüzdeki yıllarda umut vadeden birçok gelişmenin kapısını aralamıştır. Toplumun önde gelen birçok kesimi yapay zekanın potansiyelini benimsemeye hazır olsa da psikiyatri de dahil olmak üzere tıbbın diğer disiplinlerinde bu teknolojiyi kullanırken dikkatli olunmasına dair görüşler de bulunmaktadır (5). Fakat tüm bunlardan bağımsız olarak, tıpta YZ uygulamaları giderek artmaktadır. Dolayısıyla da ruh sağlığı profesyonelleri, kendini YZ ile tanıştırmalı, mevcut ve gelecekteki kullanımlarını anlamalı ve hem klinik pratiğinde hem de araştırma alanlarında YZ ile iş birliği yapacak bir şekilde çalışmaya hazır olmalıdır.

Yapay Zeka’nın Fenomenolojisi

Yapay zekanın iki alt alanı bulunmaktadır. Bunlar makine öğrenimi ve derin öğrenmedir (5,6). Makine öğrenimi, veri kalıplarını otomatik olarak algılayabilen ve ardından gelecekteki verileri tahmin etmek için kullanan bir dizi yöntem olarak tanımlanır (6). Genel olarak, bir insanın kesin bir çözüm sunmak için önceden programlama yapması yerine, bir sorunda kesin değil fakat optimal bir çözüme ulaşmak için yöntemleri ve parametreleri otomatik olarak belirleyen (yani öğrenen) bir hesaplama stratejisidir. Yapay zekanın (YZ) bir alt alanı olarak kabul edilen bu yöntemin öğrenme süreci insan zekâsının bir yönünü taklit etmesidir ve akıllı amaçlar için kullanılabilir (örneğin, konuşma, yazma, yüz tanıma, kendi kendini süren arabalar veya tıbbi karar destek sistemleri gibi). UC Berkeley bir makine öğrenmesi algoritmasının öğrenme sistemini üç ana bölüme ayırır (7). Bunlar karar süreci, hata işlevi ve model optimizasyon sürecidir. Karar sürecinde algoritmalar bir tahmin ya da sınıflandırma yapmak için kullanılır. Makine öğrenmesindeki bazı giriş verilerine dayanarak, oluşturulan algoritma, veri kalıbı ile ilgili bir tahmin üretir. Hata işlevi ise modelin tahminini değerlendirmek için kullanılır. Burada eğer bilinen örnekler varsa, modelin doğruluğunu değerlendirmek için bir kıyaslama yapılır. Modelin veri kümesindeki veri noktalarına daya iyi uyması için, ağırlıklar bilinen örnek ve model tahmini arasındaki çelişkiyi azaltmak üzere düzenlenir. Buna da model optimizasyonu denir. Algoritma, bu değerlendirmeyi tekrarlayıp süreci en iyileştirerek, bir doğruluk eşiğine ulaşılana denk ağırlıkları otonom bir şekilde günceller. Derin öğrenme ise, aslında bir makine öğrenimi biçimidir. Birbirinden ayrıldıkları nokta, algoritmalarının öğrenme şeklidir. Derin öğrenme, işlemin özellik ayıklama kısmını büyük ölçüde otomatikleştirir ve gerekli olan bazı manuel insan müdahalesini ortadan kaldırarak, daha büyük veri kümelerinin kullanılmasını sağlar. Klasik veya “derin olmayan”, makine öğrenmesi, öğrenmek için insan müdahalelerine daha bağımlıdır. Derin öğrenme süreci, hangi özelliklerin hangi seviyeye en uygun şekilde yerleştirileceğini kendi kendine öğrenir (8).

Sağlık Hizmetlerinde Yapay Zeka

YZ, tıpta birçok farklı uygulama için geliştirilmektedir. Erken tanıyı kolaylaştırmak, hastalıkların ilerlemesinin daha iyi anlaşılmasını sağlamak, ilaç/tedavi dozajlarını optimize etmek ve yeni tedavileri ortaya çıkarmak için kullanılmaya uzun zamandır başlamıştır (9-13). Aynı zamanda elektronik sağlık kayıtları gibi sağlık yönetim sistemlerinde öğrenme ve hekimlere tedavi kararlarında aktif olarak rehberlik etme dahil olmak üzere bilişim alanında uygulamalarda da kullanılmaktadır (14). Nisan 2018’de Intel Corporation, Amerika Birleşik Devletleri’ndeki 200 sağlık çalışanına yapay zekayı pratikte kullanımları ve buna yönelik tutumları hakkında bir anket çalışması gerçekleştirmiştir. Ankete yanıt verenlerin %37’si yapay zekayı kullandığını bildirdi ve %54’ü önümüzdeki 5 yıl içinde yapay zeka kullanımının artacağını düşünmekteydi. Ayrıca YZ’nin klinik pratikte kullanımı (%77), idari amaçlarla kullanımdan (%41) veya finansal kullanımdan (%26) daha yaygın olarak tespit edilmiştir (15). Büyük veri kalıplarının hızlı analizinden yararlanmada en başarılı tıp alanları arasında, görüntülerin insan gözüyle algılanamayan incelikler (örneğin retinadan cinsiyet) veya anomaliler açısından değerlendiren göz hastalıkları ve radyoloji yer alır (16,17). Klinisyenlerin yerini tamamen alması pek olası olmasa da, klinik karar vermeyi desteklemek için akıllı sistemler giderek daha fazla kullanılmaktadır (9,12). YZ, insanlar için çıkarılması zor olan karmaşık insan davranış kalıplarını optimize etmede çok büyük veri kümeleri kullanabildiği ve sınırsız miktarda tıbbi bilgi kaynağından bilgileri hızla sentezleyebildiği için davranış bilimlerinde de kendine kullanım için bir yer açmıştır (18).

Ruh Sağlığı Hizmetlerinde Yapay Zeka

Yapay zeka teknolojileri tıbbın diğer alanlarında daha yaygın hale gelmişken psikiyatri için YZ’yi benimsemek görece daha yavaş olmuştur (19). Bu durumun birkaç nedeni bulunmaktadır. İlk olarak ruh sağlığı profesyonelleri diğer tıp disiplinlerinde çalışan kişilere göre klinik pratikte daha uygulamalı ve hasta merkezli bir yaklaşım benimserler. Bu da onları hastalarla ilişkiler kurmak ve hasta duygu ve davranışlarını doğrudan gözlemlemek gibi “daha ​​yumuşak” becerilere daha yatkın hale getirmektedir (20). Ayrıca psikiyatrik muayene verileri genellikle öznel ve nitel hasta beyanları ve yazılı notlardan oluşabilmektedir. Aslında bu gibi nedenler bir yandan da psikiyatrik bozukluklara ilişkin tanı ve müdahale anlayışını yeniden tanımlama konusunda alan çalışanlarına ufuk açıcı yaklaşımları da beraberinde getirmektedir (21). Çünkü ruh sağlığı profesyonelleri tarafından her ne kadar hala bireye özgü biyo-psiko-sosyal değerlendirmenin kişinin ruh sağlığını tam olarak açıklamaya en uygun model olduğu düşünülse de (22), bu biyolojik, psikolojik ve sosyal faktörler arasındaki etkileşimler hakkında nispeten kısıtlı bilgilere sahibiz ve yeni yöntemlerin mevcut yaklaşımımızı tamamlamasına ihtiyaç duymaktayız.

Psikiyatrik bozuklukların patofizyolojisinde dikkate değer bir heterojenlik vardır ve bu nedenle çeşitli biyo-psiko-sosyal belirteçlerin ve risk tanımlarının tanımlanması bu bozuklukların daha nesnel, gelişmiş tanımlarına izin verebilir. YZ teknolojileri bu noktada da karşımıza çıkmaktadır. Bu teknolojiden yararlanmak, bir bireyin psikiyatrik bozukluğa yatkınlığını belirlemek için daha iyi tarama ve tanı araçları geliştirme ve risk modelleri formüle etme yeteneği sunar (23). Kişiye özgü ruh sağlığı yaklaşımı her zaman nihai hedef olmakla birlikte, insanın hesaplayamayacağı büyük verileri kullanabilen bilgisayar bazlı yöntemlerden faydalanmak ve bunu psikiyatri disiplinine kazandırmak önem arz etmektedir. Bu bağlamda mevcut çalışmaların yüz güldürücü olduğunu da hesaba katınca aslında ruh sağlığı uygulamalarının YZ teknolojisinden yararlanacağı hala çok şey olduğu görülmektedir (23-26).

Bu gözden geçirmede yaygın olarak kullanılan YZ teknolojisinin çeşitli psikiyatrik bozukluklarda nasıl uygulandığına dair bilgiler gözden geçirilecek ve hem araştırma alanında hem de klinik pratikte mevcut teknolojinin sınırlılıkları ve avantajları hakkında bilgiler verilecektir.

Gereç ve Yöntem

Geniş perspektif ve sorunun karmaşıklığı göz önünde bulundurarak bir sistematik olmayan gözden geçirme planlanmıştır. Literatür taraması MEDLINE/Pubmed, ISI Web of Knowledge, Scopus ve Google Scholar’da pediatri, çocuk ve ergen psikiyatri ve mühendislik alanında çalışan çok disiplinli bir ekip tarafından tarih kısıtlaması olmaksızın yapılmıştır. Arama İngilizce veya Türkçe olarak yayınlanan eserlerle sınırlandırılmış ve “yapay zekâ ve ruh sağlığı”, “makine öğrenmesi ve çocuk ve ergen ruh sağlığı”, “yapay zekâ ve psikotik bozukluklar”, “makine öğrenmesi ve psikiyatri”, “nörogelişimsel bozukluklar ve yapay zekâ”, “derin öğrenme ve ruh sağlığı”, “dijital psikiyatri”, “duygudurum bozuklukları ve makine öğrenmesi” gibi arama terimleri kullanılmıştır. Çalışmalar, çoğunlukla özetlerin, ihtiyaç halinde ise tam metnin incelenmesi yoluyla değerlendirildi. Arama sürecinin hassasiyetini artırmak için ilgili makalelerin ilişkili alıntıları da değerlendirilmiştir.

Psikotik Bozukluklar

Antonucci ve ark. (27) makine öğrenimi algoritmalarının sağlıklı bireyleri psikotik bozukluğu olan hastalardan %70’in üzerinde bir doğruluk oranı ile ayırt ettiğini göstermiştir (28,29). Bu alanda daha çok bozulmuş dil ve konuşma becerileri üzerine olan verileri değerlendirilmiştir. Bu bağlamda psikotik bozukluğu olan hastaların konuşma kalıplarını sağlıklı kontrollerden ayrıt etmek için algoritmalar oluşturulmuştur. Bu algoritmalar, konuşma kalıbında anlamsızlıkların/tutarsızlıkların meydana geldiği yeri belirleyebilir ve anlamsızlık/tutarsızlık düzeylerini tahmin edebilir. Bu modellemelerin farklılığı tespit etmede çok duyarlı oldukları belirtilmiştir (30).

Avatarlar, şizofreni tedavisinde ilaca uyumu artırmak için başarıyla kullanılan bir diğer yöntemdir (31). Avatar projesi gibi şizofreni için sanal gerçeklik destekli terapiler kullanılmaktadır. Sanal gerçeklik temelli yaklaşımlarda bir YZ avatarı kullanılır ve hastaların duydukları seslerle ilgilenmeleri teşvik edilir. Çalışmalar, bu tür yaklaşımların terapötik etkilerinin olabileceğini göstermiştir (32). Özellikle tedaviye dirençli şizofrenide sanal gerçeklik temelli yaklaşımların görsel ve işitsel halüsinasyonlara, depresif belirtiler ve genel yaşam kalitesi gibi semptomlara etkili olabileceği belirtilmiştir (33).

Yalnızca tanı ve tedavi algoritmalarında değil psikotik hastalarda damgalama ve ayrımcılık konusunda da yapay zeka kullanılarak çalışmalar yapılmıştır. Örneğin ülkemizde bir aylık süre içerisinde şizofreni ile ilgili Türkçe tweetleri damgalama ve ayrımcılık açısından nitel olarak değerlendiren bir yapay zeka temelli bir çalışmada şizofreni ile ilgili Türkçe tweet’lerin sıklıkla olumsuz duygular içerdiğini göstermiştir. Katılımcıların bu terimi tıbbi anlamda değil, bireyleri aşağılamak ve alay etmek amacıyla kullandığı ifade edilmiştir (34).

Duygudurum Bozuklukları

Literatürde duygudurum bozuklukları konusunda YZ’nin kullanıldığı birçok çalışma bulunmaktadır. Örneğin elektroensefalogram (EEG), non-invaziv, taşınabilir ve ucuz bir yöntem olduğu ve ayrıca yüksek zamansal çözünürlük bilgisine sahip olduğu için depresyon gibi duygudurum bozukluklarını incelemek için yaygın olarak kullanılmıştır. Yakın zamanda yapılan bir çalışmada EEG tabanlı derin öğrenme yöntemlerini içeren çalışmalar, depresif hastaları sağlıklı kontrollerden %90’dan fazla bir doğrulukla ayırt ettiği gösterilmiştir (35). Al Jazaery ve Guo (36), depresif bozukluğu tahmin etmede yüz bölgelerinin spatiotemporal özelliklerini otomatik olarak değerlendirmek için bir üç boyutlu evrişimli sinir ağı kullanmıştır. Daha sonra, spatiotemporal veri dizisinden daha fazla bilgi edinmek için bir tekrarlayan sinir ağı kullanılmıştır. Sonuç olarak bu ağ sisteminin depresyonu doğru bir şekilde tahmin edebildiği gösterilmiştir (36). Bazı ruhsal değişkenlere dayalı vücut kitle indeksinin kullanıldığı bir makine öğrenmesi algoritmasında ise depresyon %80’in üzerinde bir doğrulukla tahmin edilmiştir (37). Yine son yıllarda yapılan retinada yapısal deformasyonları gösteren optik koherans tomografinin ve bazı postmortem moleküler genetik tiplemelerin bipolar bozukluk hastalarını sağlıklı kontrollerden ayırt edebildiği yapay zeka temelli çalışmalar dikkat çekmektedir (38,39).

Duygudurum bozukluklarında tanılama ve doğruluk tahminleri dışında, çeşitli YZ destekli sanal psikoterapötik uygulamalar da bulunmaktadır. Örneğin karşılıklı mesajlaşabilen Sara, Woebot ve Wysa gibi chatbotlar; Tess gibi interaktif uygulamalar hızla gelişmektedir (40). Woebot, hastalarla sanal psikolojik temelli bir sohbet şeklinde etkileşim kurar ve hastaların duygularını ve düşünce kalıplarını belirlemelerine daha sonra dayanıklılık gibi becerileri veya anksiyeteyi azaltma yöntemlerini öğrenmelerine yardımcı olur. Çalışmalar, Woebot uygulamasının kullanımının depresif belirtileri başarıyla azaltabileceğini göstermiştir (41). Tess, emosyonel stresi belirten ifadeleri tespit etmek için doğal dil işlemeyi kullanan bir başka uygulamadır ve kullanıcılar arasında depresyon ve kaygıyı azalttığı gösterilmiştir. Son zamanlarda, WhatsApp veya diğer internet platformları bile kaygı ve depresyonu ele almak için çalışmalar yapmaktadır (40).

Nörogelişimsel Bozukluklar

Nörogelişimsel bozukluklar, bilişsel gelişimi, motor işlevleri ve beyinde diğer yüksek kortikal işlevlerin farklı alanlarını etkileyen ve yaşam boyu süren bir grup erken çocukluk başlangıçlı bozukluklardır. Bunlar arasında zihinsel gelişim gerilikleri gibi bilişsel fonksiyonları ciddi biçimde etkileyen sorunların yanı sıra sosyal iletişim ve etkileşimle ilgili bozukluklar [otizm spektrum bozukluğu (OSB)] ve davranışsal sorunlar (dikkat eksikliği ve hiperaktivite bozukluğu) bulunmaktadır. Son yıllarda OSB (42-47), zihinsel yetersizlik (48-50) ve dikkat eksikliği hiperaktivite bozukluğunda (DEHB) (51-54) yapay zeka yaklaşımları kullanılmaya başlanmıştır. Ağırlıklı olarak kullanılan yöntemlerin çoğu bu bozuklukların demografik ve biyolojik veri kümeleri kullanılarak modellenmesi üzerinedir.

Çalışmalar OSB’nin çoklu genetik biyobelirteçler arasındaki etkileşimin kombinasyonu ile ilişkili olduğunu desteklediğinden, OSB riskiyle ilişkili gen adaylarını tespit etmek ve optimize etmek için çeşitli YZ yöntemleriyle genetik araştırmalar uygulanmıştır (55,56). Fakat bu kombinasyonlar OSB’li olguların sadece küçük bir bölümünü açıklayabildiğinden henüz genellenememiştir (57). Ek olarak, nörogörüntüleme teknikleri, farklı beyin bölgelerini ve OSB’li bireylere özgü olabilecek ağ bağlantıları incelemek için çeşitli YZ yaklaşımlarıyla birlikte kullanılmıştır (58). Fakat kullanılan örneklem ve modellere dayalı olarak, tahmine dayalı nöroanatomik bulgular henüz tutarsızdır (59,60). OSB’li birçok kişi, duyguların tanınmasında ve ifade edilmesinde zorluk olduğunu bildirmektedir (61). OSB’de en önemli bulgulardan biri duyguların tanınması ve ifade edilmesinde defisitlerdir. Liu ve ark. (62), OSB’li ve OSB’li olmayan gruba hatırlamaları için 6 faklı yüz ifadesi gösterip daha sonra 18 farklı yüz gösterip içlerinden ilk gösterilen 6’yı seçmelerini istedi. Daha sonra fiksasyon süresi ve göz hareketleri açısından gruplar arası farklar destek vektör makinesi kullanılarak değerlendirildi. %88,51 doğrulukla en ayırt edici özelliğin, OSB’li olmayan grubunun sağ göze daha fazla, OSB grubunun ise sol göze daha fazla zaman ayırması olduğunu gösterildi (62). Destek vektör makine kullanılarak OSB’li bireylerin motor hareketleri de incelenmiştir. Buna göre hedefe yönelik hareket farklılıkları bakımından OSB’nin ayırt edici özellikleri tanımlanmıştır (50).

Nörogelişimsel bozukluklar ve yapay zeka ile ilgili literatür incelendiğinde otomatize tanısal sistemler ve müdahale açısından YZ birçok kere kullanılsa da özellikle standartlaştırılmış ve kıyaslama veri kümelerinin eksikliği temel metodolojik sorunlardan biridir ve bu da olumlu sonuçların fazlalığına yol açmaktadır. Dolayısıyla klinik uygulamada bu özellikleri kullanmak sınırlı hale gelmektedir. Araştırmacılar bu nedenle klinik uygulamaya da entegrasyonu kolaylaştırmak için biyobelirteçlere dayalı otomatik tanısal sistemler tasarlamaya başladılar. Fakat bu sistemlerde komorbidite, veri heterojenliği ve semptom şiddeti gibi faktörler görece ihmal edilmiştir. Örneğin özellikle son 7 yılda ilgili makaleler üzerinde yapılan incelemeler bu grupta yaklaşık %80’inin OSB veya DEHB’nin otomatik olarak saptanmasına ayrıldığı görülmüşken sadece %20’sinin hem OSB hem de DEHB’nin saptanmasını dikkate aldığını göstermektedir. Ayrıca %10’u genellikle istatistiksel analizlere dayalı olarak OSB, DEHB ve bunların komorbiditelerinin tespiti üzerinde durmuştur (63-65). OSB ve DEHB gibi nörogelişimsel bozuklukların birlikte görülme sıklığının yüksek olması dikkate alındığında bu komorbid durumu incelemek yerine araştırmacılar tek tek bozukluklara yönelik çalışmalar üzerinde durmuşlardır. Bu bağlamda örneğin her iki bozukluğun (OSB, DEHB veya eşlik eden diğer nörogelişimsel bozukluklar) tanısı için YZ tekniklerine dayalı yeni ve farklı modellemeler uygulayabilir. Böylece ruh sağlığı profesyonellerine yardımcı olabilecek YZ temelli çalışmaların kliniğe entegrasyonu etkili ve sağlıklı kararlar verme bakımından daha uygulanabilir olacaktır.

İntihar

İntihar oldukça karmaşık bir davranış olup, tek bir risk faktörü ile açıklanamayan ve dünya çapında önleme çalışmalarının çokça yapıldığı önde gelen bir ölüm nedenidir. Yapay zeka ve makine öğrenimi de bu riski algılamayı geliştirmek için büyük veri kümelerini araştırma aracı olarak kullanmaktadır. Yapay zeka ve makine öğreniminin kullanımı, risk tahminini önemli ölçüde yönlendirmek ve intiharı önleme politikalarını geliştirmek için yeni olanaklar sunmakta ve bu bağlamda son çalışmalar umut verici olarak nitelendirilebilir (66-68). Makine öğrenmesinin kullanılmadığı daha önceki çalışmalar duygudurum/madde bozuklukları, erkek cinsiyet, aile öyküsü, daha önce hastaneye yatış öyküsü, işsizlik, komorbidite ve suç davranışını risk faktörü olarak tanımlasa da makine öğrenmesi sayesinde uyku, sirkadiyen ritm, bazı nöral substratlar ve doğal dil işleme yönteminden türetilen konuşma veya kişisel veriler son yıllarda ön plana çıkmıştır. Dolayısıyla özellikle büyük ve karmaşık veri kümelerini işleme yetenekleri göz önüne alındığında YZ ve ML uygulamaları intiharın önlenmesinde ruh sağlığı profesyonellerine benzersiz veriler sunmaktadır. Doğal dil işlemenin özellikle sosyal medyaya uygulanması ve yapay zekanın gerçek zamanlı intihar risk değerlendirmeleriyle entegrasyonu intiharın önlenmesinde öne çıkan ve umut vadeden bir gelişmedir (69).

Psikiyatride Yapay Zeka Kullanımının Avantajları

Psikiyatride yapay zeka uygulamalarının düşünülenden daha çok faydası olabilir. Örneğin hastalar kişisel sorunlarını ve geçmişlerini doktora anlatmakta bazen tereddüt edebilirler. Semptomlarını yargılanma korkusu olmadan yapay zeka aracılığıyla bir klinisyene açıklamanın daha kolay olabileceğini destekleyen çalışmalar vardır (70). Özellikle gelişmekte olan ülkelerde, kırsal alanlardaki ruh sağlığı uzmanlarının azlığı nedeniyle, yapay zeka, uzak coğrafi bölgelerdeki hastalara hizmet sunma ve gerekli müdahalelere erişim sağlama aracı olarak kullanılabilir (71). YZ uygulamaları genel sağlık hizmetlerinde bakım maliyetlerini de düşürebilir. Bu fenomen, tiraj benzeri bir sistem oluşturularak, ilk önce çoğu kişiye en az kaynağın kullanıldığı bir sağlık hizmetinin verilmesi ve daha sonra en çok ihtiyacı olan hastalara daha yoğun bir hizmet sağlanması için uyarlanabilir (72). Makineler, dikkat dağınıklığı, stres ve yorgunluk gibi insan faktörlerinden bağımsız hareket eder, bireysel faktörlere klinisyenlere göre duyarlı değildir ve bu özelliği bazı durumlarda klinisyenlere ciddi katkıda bulunabilir ve bu yaklaşımın hasta değerlendirmesi ve tedavisinde daha iyi sonuçları olabilir (25,73). YZ modellemeleri, bir hastanın teşhis ve tedavi sürecine dayalı olarak en uygun müdahaleyi sağlamak için donatılmıştır. Makineler bir hastanın kültür, ırk/etnik köken veya sosyoekonomik durum gibi belirli yönlerine göre uyarlanabilir. Örneğin, sanal bir terapist, belirli bir kültürel gruba uyması için kendine özgü özelliklerini (örneğin, göz teması), konuşma biçimini ve diğer özelliklerini değiştirebilir, bu da bir hastayla yakınlığı ve genel iletişimi artırabilir (74). Sonuç olarak psikiyatride YZ algoritmaları, geniş ve çeşitli veri kaynaklarından kapsamlı bir şekilde anlam çıkarmak, psikiyatrik bozuklukların sıklığının daha iyi anlaşılmasını sağlamak, biyolojik mekanizmaları veya risk/koruyucu faktörleri ortaya çıkarmak, tedavi faydalanımını ve/veya ilaca uyumu izlemek için kullanılabilir.

Psikiyatride Yapay Zeka Kullanımının Sınırlılıkları

Ruh sağlığı, ilişki kurma, empati yapma ve hastanın duygu ve davranışlarını gözlemleme gibi daha yumuşak becerilere dayandığından, psikiyatrik sorunlar söz konusu olduğunda YZ bazı durumlarda dezantajlı hale gelebilir. Keza yapay zeka teknolojisinin tıpta diğer disiplinlerde uygulamaları popüler hale gelse de ruh sağlığı alanında kullanımı hala sınırlıdır (19). Özellikle, ruhsal travma deneyimi olan hastaları tedavi etmede çok önemli bileşenler olan empati ve duyguları anlayıp paylaşmak gibi şefkat becerilerinin eksikliği belirgin dezavantajlar arasındadır (71,75). Ayrıca maliyet etkin olduğu için YZ uygulamalarının her ne kadar mevcut bakım hizmetlerinin yerine geçebileceği önerilse de bu diğer yandan bazı bölgeler için sağlık hizmetlerine direkt erişimde eşitsizliklere yol açabilir (76). Ek olarak çalışmalar hastaların uzun vadede yapay zeka uygulamalarına gereğinden fazla bağlanabildiklerini göstermiştir. Özellikle yalnızlığı azaltmayı veya duygusal rahatlık sağlamayı amaçlayan robotlar, sağladığı bu sanal yakınlık açısından bir süre sonra hastalar için bağımlılık oluşturma tehlikesi taşımaktadır (77). Son olarak yalnızca psikiyatri alanında değil tüm YZ tabanlı müdahale çalışmalarının bir kısmının kullanılan ürünün yeterliliği, etkinliği ile ilgili olması bir dezavantaj olarak karşımıza çıkmaktadır. Çünkü, çalışmalar tasarımcılar tarafından yürütülebilmekte ve bu bir bias oluşturmaktadır. Dolayısıyla çalışmaların üçüncü objektif bir tarafça yürütülmesi gerekir, aksi takdirde yapay zekanın psikiyatri alanındaki faydaları yanlı olacaktır (71).

Sonuç

Sonuç olarak, YZ giderek dijital tıbbın bir parçası haline gelmekte ve ruh sağlığı araştırmalarına ve uygulamalarına katkıda bulunacak gibi görünmektedir. Bilim adamları, klinisyenler, yazılımcı ve mühendisler dahil olmak üzere ruh sağlığı araştırmalarına ilgili disiplinler arası profesyoneller topluluğu, YZ’nin tüm bu potansiyelini gerçekleştirmek ve uygulamaya koymak için iletişim kurmalı ve işbirliği yapmalıdır (78). De Choudhury ve Kiciman (79) insan zekasını yapay zeka ile birleştirmede kritik olabilecek dört öneride bulunmuştur bunlar (1) yapı geçerliliğini sağlamak, (2) verilerde hesaba katılmamış gözlemlenmeyen faktörleri fark edip kabul etmek, (3) veri yanlılığının etkisini mutlaka değerlendirmek ve (4) potansiyel YZ hatalarını önceden belirleyin ve azaltmaya çalışmaktır.

Yapay zekanın ruh sağlığı hizmetlerinde geleceği umut vadetmektedir. Ruh sağlığı pratiğinin güçlendirilmesi için YZ’nin klinik pratiğe entegrasyonunu sağlamada ruh sağlığı profesyonelleri bu alana daha çok finansal ve zihinsel yatırım yapabilir.