Ne Yapabilir, Ne Yapamaz, Klinik Pratiğe Nasıl Girer?

Yapay zekâ (YZ) son yıllarda tıbbın birçok alanında “tanı destek” aracı olarak öne çıktı. Psikiyatride ise mesele daha hassas: Tanı; yalnızca belirti saymak değil, kişinin yaşam öyküsü, bağlamı, ilişkisel örüntüsü, işlevselliği ve zaman içindeki seyriyle birlikte değerlendirilir. Bu yüzden YZ’nin psikiyatrideki en gerçekçi rolü şimdilik tanı koymak değil; tanısal süreci desteklemek, riskleri işaretlemek ve klinisyenin dikkatini belirli örüntülere çekmektir.

Bu yazıda “psikiyatride YZ ile tanı sistemleri”ni ayrıntılı biçimde ele alacağız: hangi veriyle çalışırlar, hangi yöntemler kullanılır, nerede fayda sağlarlar, nerede tehlikelidirler ve klinik pratikte nasıl konumlandırılmalıdırlar.

1) “Tanı Sistemi” Derken Ne Kastediyoruz?

Psikiyatride YZ tabanlı tanı sistemleri genellikle üç amaçla geliştirilir:

Tarama (screening): “Bu kişide depresyon/anksiyete riski olabilir” gibi erken uyarı üretmek
Sınıflandırma: Belirti örüntülerine göre olası tanıları listelemek
Öngörü (prediction): Alevlenme, nüks, yatış ihtiyacı, kriz riski gibi sonuçları tahmin etmek

Bu sistemler, DSM/ICD tanısının yerini almaktan çok, klinik karar sürecine “ikinci bir bakış” eklemeyi hedefler.

2) Yapay Zekâ Psikiyatride Hangi Verilerle Çalışır?

YZ’nin performansı, beslendiği verinin kalitesi kadar iyidir. Psikiyatride kullanılan veri türleri kabaca şöyle:

A) Klinik veri

Görüşme notları, epikrizler, ölçek puanları
İlaç geçmişi, yanıt ve yan etki kayıtları
Tanı/komorbidite ve yatış öyküsü

B) Dil ve konuşma verisi

Konuşma hızı, duraksama, ses tonlaması
Kelime seçimi, anlatı tutarlılığı
Metin analizi (yazılı ifadeler, günlükler, mesajlar)

C) Davranışsal ve dijital iz (digital phenotyping)

Uyku-uyanıklık paterni, aktivite düzeyi
Telefon kullanım ritmi, hareketlilik, sosyal temas örüntüsü
Düzenli ölçülen özbildirimler (mood tracking)

D) Biyolojik ve görüntüleme verisi (daha sınırlı ve zor alan)

EEG, MR/fMRI gibi yöntemler
Genetik ve biyobelirteç araştırmaları
Bu alanlar akademik olarak ilgi çekici olsa da, klinikte rutin tanı için şimdilik daha sınırlı ve tartışmalıdır.

3) Kullanılan Yöntemler: “Model” Ne Demek?

YZ denince çoğu zaman tek bir şey düşünülür ama pratikte farklı yaklaşım kümeleri vardır:

Makine öğrenmesi (ML): Etiketli veriden (tanı konmuş gruplar) örüntü öğrenir.
Derin öğrenme (DL): Özellikle ses, görüntü ve büyük metinlerde güçlüdür ama açıklanabilirliği daha zayıf olabilir.
Doğal dil işleme (NLP): Görüşme notu/metinlerden anlamlı sinyaller çıkarır.
Çok-modlu modeller: Dil + davranış + klinik veri gibi birden çok kaynağı birleştirir (en umut verici yönlerden biri).

Klinik açıdan asıl soru şudur:
Model “neye dayanarak” bu öneriyi yaptı?
Bu nedenle psikiyatride, “siyah kutu” etkisi tartışmalı olduğu için açıklanabilirlik kritik hale gelir.

4) Psikiyatride YZ Tanı Sistemlerinin Güçlü Olduğu Yerler

1) Erken uyarı ve tarama

Depresyonun sessizleştiği, kişinin içe çekildiği dönemlerde dijital izler değişebilir (uyku, aktivite, sosyal geri çekilme). YZ bu değişimleri bir “alarm” gibi işaretleyebilir.

2) Risk öngörüsü

Kriz riski, nüks olasılığı, tedaviyi bırakma ihtimali gibi alanlarda, çok sayıda değişkeni bir arada değerlendirmek YZ’nin güçlü tarafıdır.

3) Klinik iş yükünü azaltma

Görüşme notlarının yapılandırılması, ölçeklerin otomatik yorumlanması, tedavi izlem raporlarının standardize edilmesi; klinisyene zaman kazandırır.

4) Tutarlılık ve standardizasyon

İyi tasarlanmış bir sistem, benzer vakalarda benzer uyarılar üretip klinik ekip içinde ortak bir dil oluşturabilir.

5) Zayıf Olduğu ve Riskli Olduğu Yerler

A) Bağlam körlüğü

Psikiyatrik belirti “bağlamdan bağımsız” okunursa hata artar.
Aynı uykusuzluk:

birinde mani prodromu
diğerinde yas
bir başkasında hipertiroidi
olabilir.

YZ bağlamı eksik görürse “benzer sinyalleri” aynı torbaya atabilir.

B) Veri yanlılığı (bias)

Model hangi toplumdan, hangi dilden, hangi sosyoekonomik gruptan veriyle eğitildiyse; başka gruplarda hata artabilir. Bu psikiyatride çok kritik bir sorundur.

C) Yanlış güven (overconfidence)

Bazı sistemler çıktıyı “kesinlik” gibi sunabilir. Klinik gerçeklik ise olasılıklıdır.
YZ çıktısı güçlü bir hipotez olabilir ama tanı yerine geçemez.

D) Güvenlik ve mahremiyet

Ruh sağlığı verisi son derece hassastır. Dijital izlerin toplanması, saklanması, üçüncü taraflarla paylaşımı ciddi etik ve hukuki zemin gerektirir.

6) Klinik Kullanım: Doğru Konumlandırma Nasıl Olmalı?

Psikiyatride en sağlıklı yaklaşım:

“Tanı koyan sistem” değil, tanıyı destekleyen sistem

Klinik pratikte YZ çıktısını şu şekilde kullanmak daha güvenlidir:

Uyarı: “Bu örüntü depresyonla uyumlu olabilir.”
Hatırlatma: “Tiroid/ilaç yan etkisi/uyku bozukluğu ayırıcı tanıda düşünülmeli.”
İzlem: “Son 2 haftada risk göstergeleri arttı.”
Yapılandırma: Klinik notları düzenler, trendleri görselleştirir.

Bu çerçevede sorumluluk da nettir:
Kararı veren klinisyendir.
YZ, kararın yerini almaz; kararın kalitesini artırmaya çalışır.

7) Hangi Tanılarda Daha Çok Çalışılıyor?

Araştırma dünyasında YZ en çok şuralarda deneniyor:

Depresyon ve anksiyete taraması
Bipolar bozuklukta atak öngörüsü
Psikozda erken dönem risk işaretleri
Demans/konfüzyon gibi bilişsel alanlar
Madde kullanımında relaps öngörüsü

Burada önemli bir ayrım var:
Araştırmada umut verici sonuç ile klinik rutinde güvenli kullanım aynı şey değildir. Klinik uygulama için; doğrulama, genellenebilirlik, hata analizi, etik ve mevzuat boyutu şarttır.

8) Gelecek: “Tanı” Nereye Evrilebilir?

Psikiyatri tanısı, kategorik etiketlerden (depresyon var/yok) giderek daha fazla boyutsal (belirti şiddeti, işlevsellik, seyir, risk profili) bir yere kayıyor. YZ’nin asıl katkısı da burada olabilir:

Belirti kümelerini daha iyi ayrıştırmak
Zaman içindeki değişimi daha iyi yakalamak
“Bu kişide hangi müdahale daha işe yarayabilir?” sorusuna destek olmak

Psikiyatride yapay zekânın gücü “tanı koymakta” değil; tanıyı mümkün kılan klinik dikkati, izlem sürekliliğini ve risk farkındalığını artırmakta ortaya çıkar.

Sık Sorulan Sorular (SSS)

Yapay zekâ psikiyatrik tanı koyabilir mi?

Araştırma düzeyinde sınıflandırma yapabilen sistemler vardır; ancak klinik tanı, bağlam ve insan ilişkisi içerdiği için YZ’nin rolü şimdilik daha çok tanı destek düzeyindedir.

YZ en çok hangi verilerle çalışınca iyi sonuç verir?

Tek bir veri türü yerine, klinik öykü + ölçekler + dil/konuşma + izlem verilerinin birlikte değerlendirildiği “çok-modlu” yaklaşımlar daha anlamlı sonuçlar üretmeye adaydır.

YZ’nin en büyük riski nedir?

Bağlamı kaçırması, veri yanlılığı (bias) ve çıktının “kesin tanı” gibi algılanması. Bu yüzden YZ çıktısı bir olası hipotez olarak ele alınmalı, klinik akıl süzgecinden geçmelidir.

Klinik pratikte en faydalı kullanım şekli nedir?

Erken uyarı sistemleri, izlem-trend analizi, klinik notların standardizasyonu ve risk işaretleyiciler. Yani tanı yerine geçmekten çok, klinik süreçleri güçlendirmek.