Psikiyatride Yapay Zeka Uygulamaları

Bölümün Amacı ve Katkısı: Bu bölüm, psikiyatri ve yapay zeka kesişiminde yer alan güncel yöntemleri, veri kaynaklarını ve klinik uygulama senaryolarını disiplinler arası bir okuyucu kitlesine sunmayı amaçlamaktadır. Geleneksel tanı ve tedavi süreçlerinin öznelliğini aşarak "hassas tıp" hedefine ulaşmada yapay zekanın sunduğu fırsatlar, karşılaşılan metodolojik engeller, psikiyatride klinikte kullanılan YZ uygulamalarının güvenli, etik ve verimli şekilde kullanımı için gerekli metrikler, doğrulama süreçleri ve etik sorumluluklar bu bölümün temel katkısını oluşturmaktadır. Bölüm boyunca, makine öğrenmesi modellerinin hasta sonuçlarını nasıl iyileştirebileceği gerçek kullanım senaryoları ile harmanlanarak okuyucuya aktarılacaktır.

1. Giriş ve Temel Kavramlar

1.1 Kapsam, Tanımlar ve Kısa Tarihçe; Psikiyatride Yapay Zeka ve Özgün Zorluklar

Psikiyatri bilimi, kişilerin duygularının, zihninin ve davranışlarının karmaşık yapısını anlamaya çalışarak psikiyatrik durumların tanı ve teşhisinin yapılmasını sağlayan tıp bilimidir. Geleneksel tanı yöntemleri daha çok klinik görüşmelere, hastaların öz değerlendirmelerine ve buna bağlı klinik değerlendirmelere dayanmaktadır. Psikiyatride yapay zeka alanının vizyonu; makine öğrenmesi, derin öğrenme ve doğal dil işleme gibi alt dalları kullanarak klinik verileri analiz etmek, gizli örüntüleri keşfetmek, hekimlere karar destek mekanizmaları sunmak, tanı süreçlerini objektifleştirmek, hastalıkların prognozunu öngörebilmek ve hastaya en uygun tedavi seçeneklerini kişiselleştirerek klinik sonuçları iyileştirmektir. [5]

Tarihsel perspektiften bakıldığında, ruh sağlığı alanı 1970'lerde tanısal güvenilirlik ve psikiyatrik değerlendirmelerin öznelliği sebebiyle büyük çaplı krizler yaşamıştır [1]. O dönemde geliştirilmiş olan DSM (Ruhsal Bozuklukların Tanısal ve Sayımsal El Kitabı) gibi sınıflandırma sistemleri bu sorunu hafifletse de psikiyatrik hastalıkların altında yatan biyolojik mekanizmaları ve bireysel farklılıkları aydınlatmakta yetersiz kalmıştır [1], [2]. Psikiyatrik hastalıkların nörolojik, psikolojik ve sosyal faktörlerin birleşiminden oluşan karmaşık yapısı, gelenekselleşmiş biyolojik indirgemeci yaklaşımın yetersiz kalmasına sebep olmaktadır [2],[3]. Psikiyatride yapay zeka kullanımı tam da bu karmaşık yapılanma sebebiyle özgün zorluklar barındırır [3]. Örneğin onkoloji gibi alanlarda biyopsi benzeri net "altın standartlar" bulunurken psikiyatrik tanıların birbirine geçen semptom kümelerine ve yüksek klinik heterojeniteye dayanması, bu alanı yapay zeka uygulamaları için hem benzersiz bir laboratuvar hem de zorlu bir sınav haline getirmektedir. Bu nedenle psikiyatride kullanılacak yapay zeka sistemleri geleneksel biyolojik indirgemeci yaklaşımların ötesine geçmeli; hastanın biyolojik verilerinin yanı sıra sosyal, çevresel ve dilbilimsel dinamiklerini de kapsayan bütüncül bir analiz sunmak zorundadır. [3],[4],[5]

2. Veri Ekosistemi ve Dijital Fenotiplendirme

2.1. Veri Kaynakları ve Özel Gereksinimler: EHR, Yapılandırılmış Ölçekler ve Hasta Raporları

Yapay zeka modellerinin klinik uygulamadaki başarısı ve güvenilirliği, eğitildikleri veri setlerinin kalitesine, derinliğine ve çeşitliliğine doğrudan bağlıdır. Psikiyatride en önemli veri kaynaklarından biri Elektronik Sağlık Kayıtlarıdır (EHR). EHR’ler hastanın demografik bilgileri, farmakolojik geçmişi ve laboratuvar sonuçlarına ek olarak klinisyenlerin notları gibi yapılandırılmamış serbest metinleri de içerir. Doğal dil işleme (NLP) teknikleriyle bu notlardan hastanın duygu durumu, semptomları ve intihar riski gibi kritik özellikler çıkarılabilmektedir. Yapay zeka modelleri EHR verilerini işleyerek %85'e varan yüksek tanısal doğruluk oranlarına ulaşabilmektedir. [3], [5], [6]

EHR'lerin dışında, PHQ-9 ve Hamilton Depresyon Ölçeği gibi yapılandırılmış klinik değerlendirme araçları ve hasta öz-bildirim raporları da kritik öneme sahiptir. Geleneksel süreçte klinisyen ve hasta beyanı kaynaklı öznellik barındıran bu veriler, yapay zeka aracılığıyla biyolojik ve davranışsal parametrelerle eşleştirilerek objektifleştirilebilir. Özellikle öz-bildirimlere dayalı modellerde güvenilirliği sağlamak için veri eksikliklerini ve tutarsızlıklarını giderecek titiz bir "veri ön işleme" adımı en temel özel gereksinimdir [3], [4], [7].

2.2. Dijital Fenotiplendirme ve Pasif İzleme: Akıllı Telefonlar, Giyilebilir Teknolojiler ve Davranışsal İmzalar

Psikiyatrik semptomların anlık ve durumsal olarak değişkenlik göstermesi, yalnızca klinik ortamlarda yapılan kesitsel ölçümleri yetersiz kılmaktadır. Bu sınırlamayı aşmak amacıyla literatürde giderek daha fazla yer bulan "dijital fenotiplendirme" bireylerin ruh sağlığı durumlarını kendi doğal ekosistemlerinde ve gerçek zamanlı olarak izleme olanağı sunar [3]. Akıllı telefon sensörleri (GPS, ivmeölçer) ve giyilebilir teknolojiler (nabız, deri iletkenliği) aracılığıyla hastaların uyku, hareketlilik ve sosyal etkileşim örüntüleri pasif olarak toplanabilmektedir [3], [6]. Örneğin, GPS verilerindeki hareketlilik azalması veya sosyal izolasyon bulguları depresif atakların habercisi olabilirken klavye tuşuna vuruşta gecikmeler yaşanması dikkat eksikliği ve hiperaktivite bozukluğu (DEHB) ile ilişkilendirilmektedir [3]. Sensör verilerinin yanı sıra, sosyal medya platformlarındaki dijital izlerin NLP algoritmalarıyla analizi de psikiyatrik risk öngörüsünde yeni bir ufuk açmıştır. Kullanıcı gönderilerindeki ruminasyon eğilimleri veya ben-merkezci dil kalıplarının tespiti, klinik bir tanıdan aylar önce majör depresyon riskini belirleyebilmektedir [3], [5]. Çok modlu (multimodal) dijital platformlardan elde edilen tüm bu veriler, her hastaya özgü eşsiz "davranışsal imzalar" oluşturarak yapay zeka destekli, proaktif ve kişiselleştirilmiş psikiyatrik müdahalelerin temelini oluşturmaktadır [3].

2.3. Multimodal Veri (Çoklu Kipli Veri) ve Entegrasyon Stratejileri

İnsan beyni ve davranışları karmaşık yapısı sebebiyle tek bir veri türüyle açıklanamamaktadır. Bu doğrultuda "multimodal" (çoklu kipli) veri yaklaşımı; hastanın ses tonu, yüz ifadeleri, yapısal/işlevsel nörogörüntüleme bulguları (MR, fMR), genetik profili (omics) ve klinik verilerinin bütüncül bir entegrasyonunu temel alır. Yapay zeka algoritmaları, bir klinisyenin eşzamanlı olarak analiz edip sentezlemesi mümkün olmayan bu heterojen veri setleri arasındaki gizli ilişkileri ve karmaşık örüntüleri modelleme kapasitesine sahiptir. [3], [4]

Entegrasyon stratejileri genellikle verilerin analiz iş akışının farklı aşamalarında birleştirilmesine dayanır. Özelliklerin analizin henüz başında birleştirildiği "erken füzyon" (early fusion), bağımsız modellerin analiz çıktılarının son aşamada entegre edildiği "geç füzyon" (late fusion/ensemble) ve derin öğrenme ile veriler arası çapraz ilişkileri doğrudan öğrenen manifold düzenlemeli ağlar öne çıkmaktadır [3]. Örneğin, şizofreni risk grubundaki bireylerin tespitinde yalnızca geleneksel klinik testler yerine nörogörüntüleme, genetik yapı (poligenik risk skorları) ve bilişsel test verilerinin entegre edildiği Destek Vektör Makineleri (SVM) tabanlı hibrit yapay zeka modelleri, %84-%85 bandında yüksek tanısal doğruluk oranlarına ulaşmaktadır [6], [8]. Bu bütüncül yaklaşım, psikiyatrik sendromların daha hassas haritalanmasını sağlayarak klinik öngörülerin güvenilirliğini artırmaktadır [3], [7].

3. Algoritmik Geliştirme Süreçleri ve Modeller

3.1. Veri Ön İşleme, Etiketleme Sorunları ve Gizlilik-Koruyucu Yaklaşımlar

Yapay zeka modellerinin klinik pratikte anlamlı ve dışsal geçerliliği yüksek sonuçlar üretebilmesi, ham verinin titiz bir ön işleme aşamasından geçmesine bağlıdır. Bu süreçte gürültülü verilerin temizlenmesi, parametrelerin uygun şekilde ölçeklendirilmesi ve eksik veri noktalarının algoritmik olarak doldurulması önemlidir [7]. Bununla birlikte, psikiyatride veri etiketleme süreci, yapay zeka ekosistemindeki en büyük zorluklardan birini oluşturur [3], [5]. Teşhislerin genellikle klinisyenin subjektif değerlendirmelerine dayanması bu zorluğun temel nedenidir [3], [4]. Örneğin, NLP modelleri eğitilirken sosyal medya verilerinde kullanıcının kendi kendine "depresyondayım" beyanında bulunması, nesnel bir klinik tanının yerini tutamayacağı için eğitilen modelin prediktif doğruluğunu ve klinik geçerliliğini zedeleyebilmektedir [3].

Klinik verinin yapısal zorluklarının yanı sıra, psikiyatrik veriler (elektronik sağlık kayıtları, ses analizleri ve nörogörüntüleme verileri) yüksek hassasiyet barındırır [3], [5], [9]. Bu durum mahremiyet ve güvenlik endişeleri oluşmasına sebep olmaktadır [3], [9]. Bu bağlamda, hasta mahremiyetini ihlal etmeden algoritmik gelişimi sürdürebilmek adına yenilikçi stratejiler devreye girmektedir. Geleneksel kimliksizleştirme yöntemlerine ek olarak hassas verilerin kurum dışına çıkarılmadan yerel sunucularda işlenmesine olanak tanıyan "federe öğrenme" mimarileri öne çıkmaktadır. Ayrıca veri setlerinin niceliksel olarak yetersiz kaldığı senaryolarda “Üretken Çekişmeli Ağlar” aracılığıyla sentetik hasta verileri ve sentetik beyin taramaları üretilmektedir, böylece gerçek hasta gizliliği riske atılmadan yapay zeka modellerinin güvenli ve geniş havuzlarda eğitilmesi sağlanmaktadır [3], [5].

3.2. Modeller ve Yöntemler: Klasik Makine Öğrenmesi, Derin Öğrenme, NLP ve Açıklanabilir Yapay Zeka (XAI)

Psikiyatri alanında kullanılan algoritmik yaklaşımlar, verinin doğasına ve hedeflenen klinik çıktıya göre geniş bir yelpazeye yayılmaktadır [6], [8]. Destek Vektör Makineleri (SVM), Rastgele Orman (Random Forest) ve Lojistik Regresyon gibi klasik makine öğrenmesi (ML) modelleri; klinik anket skorları veya EEG güç spektrumları gibi yapılandırılmış verilerde düşük hesaplama maliyetiyle yüksek doğruluk sunmaları sebebiyle öncelikli olarak tercih edilmektedir [3], [4], [7]. Buna karşın, verinin içsel karmaşıklığını ham formundan doğrudan öğrenebilme kapasitesine sahip Derin Öğrenme (DL) mimarileri, özellikle nörogörüntüleme verilerinden şizofreni veya depresyon alt tiplerinin sınıflandırılmasında güçlü performans sergilemektedir [3], [6]. Bu kapsamda, yapısal ve işlevsel MRI analizlerinde Evrişimli Sinir Ağları (CNN), ardışık ve zamansal verilerde Uzun-Kısa Süreli Bellek (LSTM) ağları ve topolojik veri yapılarında Grafik Sinir Ağları (GCN) öne çıkan hibrit ve derin öğrenme modelleridir [3], [6], [8].

Geleneksel sınıflandırma modellerinin ötesinde, Doğal Dil İşleme (NLP) algoritmaları ile entegre çalışan BERT ve GPT tabanlı Büyük Dil Modelleri (LLMs), psikoterapi seanslarının semantik analizi, klinik notlardan semptomların kodlanması ve dildeki gizli örüntülerden intihar riskinin tespiti gibi alanlarda devrim yaratmıştır [3], [5], [9]. Woebot gibi Bilişsel Davranışçı Terapi (BDT) prensiplerini temel alan etkileşimli sohbet botları, hastalarla proaktif bir iletişim kurarak psikoeğitim sağlamakta ve duygu durum düzenlemesini desteklemektedir [10], [11], [12]. Klinik entegrasyonun en kritik eşiğini ise DL gibi "kara kutu" (black box) doğasına sahip bu karmaşık algoritmaların şeffaflaştırılması oluşturmaktadır. Açıklanabilir Yapay Zeka (Explanable AI - XAI) teknikleri (örneğin LIME algoritması), modelin karar alırken hangi değişkenlere ağırlık verdiğini (örneğin "Bu hastada intihar riski neden yüksek hesaplandı?") görselleştirerek klinisyen ile algoritma arasındaki güven ilişkisini tesis eder [3], [5]. Ek olarak farklı kültürel ve demografik gruplara algoritmik adaptasyonu hızlandıran aktarım öğrenmesi (transfer learning) ve modelin kendi tahminindeki hata payını hekime raporlayan "belirsizlik nicelleştirmesi" (uncertainty quantification) yaklaşımları, klinik pratikte tıbbi hataları minimuma indirir [3], [4].

4. Nörobilimsel ve Klinik Uygulamalar

4.1. Nörobilimsel ve Omik Uygulamalar: Nörogörüntüleme, EEG ve Biyobelirteç Keşfi

Yapay zekanın nörobilimle entegrasyonu, klinik semptomların tespitinin ötesine geçerek biyolojik farklılıkların da tespit edilmesine olanak tanımıştır [4]. Nörogörüntüleme (fMRI, sMRI, DTI) alanında makine öğrenmesi algoritmaları, pediatrik büyüme eğrilerine benzer bir "normatif modelleme" yaklaşımıyla beyin işlevselliğini analiz etmekte ve hastalardaki sapmaların normalden ne kadar saptığını ölçebilmektedir [3], [4]. Örneğin, istirahat hali fMRI (rs-fMRI) verileri kullanılarak depresyondaki hastaların beyin ağlarındaki bağlantısallık örüntülerine göre spesifik "nörofizyolojik alt tiplere" ayrılabilmektedir [3], [7]. Buna benzer şekilde, istirahat hali EEG verilerinin yapay zeka destekli analizi (örneğin SELSER modeli), majör depresyon hastalarında antidepresan tedavisine veya psikoterapiye vereceği yanıtı tedaviye başlanmadan önce öngörme imkanı sunmaktadır [3]. Makroskobik beyin ağlarının ötesinde, moleküler düzeydeki omik bilimleri (Genomik, Transkriptomik) de yapay zeka ekosisteminin ayrılmaz bir parçasıdır. Çevresel etkenlerin (stres, travma vb) hücresel düzeydeki gen ifade (ekspresyon) profillerini nasıl modüle ettiği, genom çapındaki verilerin klinik semptomlarla algoritmik olarak eşleştirilmesi yoluyla analiz edilmektedir [3]. Yapay zeka modelleri bu devasa ve çok boyutlu veri setlerini işleyerek yeni hücresel fenotipleri tanımlamakta ve kandaki epigenetik modifikasyonlar (örneğin RNA düzenlemeleri) veya enflamasyon belirteçleri (örneğin IL-6 düzeyleri) gibi yenilikçi biyobelirteçler keşfetmektedir. Bu moleküler entegrasyon, psikiyatride hedefe yönelik ve kişiselleştirilmiş psikiyatrik tedavilerin kapısını açmaktadır [3], [8].

4.2. Hastalık-Özgü Klinik Uygulamalar

Yapay zeka algoritmaları, farklı psikiyatrik sendromların özgün tanısal zorluklarına karşı hedefe yönelik çok modlu çözümler sunmaktadır:

Depresyon ve Anksiyete: Bu bozukluklardaki yapay zeka çalışmaları genellikle tedavi öngörüsü ve semptom takibine odaklanmaktadır [7]. Yapay zeka modellerinden özellikle CNN tabanlı fMRI analizleri, anksiyeteye sahip bireylerden travma maruziyetine sahip olanları %84 doğruluğa varan AUC değerleriyle ayırt edebilmektedir [3]. Ayrıca NLP teknikleri; yüz ifadesi, sesin akustik özellikleri ve metin madenciliğini entegre ederek hastaların depresyon şiddetini akıllı telefonlar üzerinden pasif olarak izleyebilmektedir [3], [5].

Bipolar Bozukluk: Unipolar majör depresyon ile bipolar bozukluğun ayrımı psikiyatride en çok zorlanılan klinik problemlerden biridir [3]. Yapısal MRI (sMRI) görüntülerini, genetik/biyokimyasal parametreleri ve bilişsel testler kullanılarak unipolar majör depresyon ile bipolar bozukluk arasındaki anatomik sınır SVM gibi makine öğrenmesi modelleri sayesinde yüksek doğrulukla çizilebilmektedir [3], [8].

Şizofreni ve Psikotik Spektrum: Şizofrenide yapay zeka, "Klinik yüksek risk" (prodromal) grubundaki gençlerde ilk psikotik atağı öngörebilmede çok etkilidir [4], [8]. NLP aracılığıyla hastaların konuşmalarındaki "anlamsal tutarlılık" ve mantıksal bağlantı kopuklukları tespit edilebiliyor ve bu tespitlerle klinik notlar birleştirilerek tanı sürecinde objektif bir kriter olarak rol oynamaktadır [3], [5]. Görüntüleme çalışmaları sayesinde de destek vektör makineleri kullanılarak beyindeki hacimsel anormallikler sınıflandırılabilmektedir [3], [4].

İntihar Riski ve Kriz Öngörüsü: EHR ve sosyal medya verilerinin semantik analiziyle kişilerin intihar eğilimleri (karar ağaçları ile >%73 AUC) öngörülebilmektedir [3], [8]. Bununla birlikte durumun nadirliği sebebiyle modellerin pozitif yordayıcı değerinin (PPV) klinik pratikte düşük kalması sebebiyle karar destek aracı olarak kullanılması gerekmektedir [3], [5], [10].

Madde Kullanım Bozuklukları: Tedavi sonrası nüks (relaps) riskini hesaplamak için EHR verileri üzerinde Markov Karışım Modelleri gibi analitik ML yaklaşımları kullanılmakta [3], [8]; mobil uygulamalar üzerinden saptanan anlık stres tetikleyicilerine karşı Woebot gibi araçlarla anında dijital terapi sağlanmaktadır[3], [10].

Gelişimsel Bozukluklar (Otizm ve DEHB): Otizm spektrum bozukluğunda, ev ortamı video kayıtlarından motor hareketlerinin, yüz ifadesinin ve göz temasının analizini yapan ML algoritmaları (örn. Cognoa) FDA onayı alarak tanısal cihaz statüsü kazanmıştır ve klinik kullanıma izin verilmiştir[4]. DEHB alt tipleri ise rs-fMRI ve sMRI verilerini işleyen GCN (Grafik Sinir Ağı) ve Rastgele Orman (Random Forest) modelleri kullanılarak yüksek oranda ayırt edilebilmektedir[3], [4].

Demans ve Bilişsel Bozukluklar: Erken evre Alzheimer ve hafif bilişsel bozukluk tanılarında diyalog tabanlı sanal avatarlar (chatbotlar) üzerinden hastanın konuşma anındaki ses, tonlama ve tepki süresi değişiklikleri analiz edilebilmektedir [8], [10]. Aynı zamanda nörogörüntülemede normatif modellemeler kullanılarak yaşa bağlı beyin küçülmesi (atrofi) ile patolojik değişimler birbirinden ayrılmaktadır [3].

4.3. Teknik Vaka İncelemeleri: Başarılı Modellerin Ayırıcı Özellikleri ve İzolasyon Faktörleri

Yapay zeka modellerinin klinik pratikteki asıl başarısı, laboratuvar ortamındaki doğruluk oranlarından ziyade dışsal geçerliliklerine ve klinisyenler tarafından yorumlanabilirliklerine dayanır [3], [4]. Bu entegrasyonun en güçlü örneklerinden biri olan SELSER (Sparse EEG Latent Space Regression) modeli, Majör Depresif Bozukluk (MDB) hastalarında istirahat hali EEG verilerini işleyerek antidepresan tedavi yanıtını yüksek hassasiyetle öngörmektedir. Klasik ML modellerinden farkı boyut azaltma işlemini hastaların "yanıtlayıcı" beyin dalgası kalıplarına göre yönlendirilmiş, dış verilerle kanıtlanmış "cam kutu" (glass box) mimarisi mantığıyla yorumlanabilir kortikal haritalar sunmakta ve bu başarısını dış/bağımsız kohortlarda kanıtlamaktadır [3]. Nörogörüntüleme alanındaki bir diğer yetkin örnek ise anksiyete tanısında kullanılan fMRI tabanlı 3D Evrişimli Sinir Ağı (CNN) modelidir. Bu model, anksiyeteli beyin profillerini sağlıklı kontrollerden yüksek doğrulukla (AUC: 0.84) ayırt etmekle kalmamış; aynı zamanda algoritmik tahmin skorlarının standart klinik ölçeklerle (örneğin Anksiyete Duyarlılık İndeksi - ASI) doğrusal bir korelasyon içinde olduğunu ispatlayarak klinik güvenilirliğini pekiştirmiştir [3]. Bu başarılı mimarileri, aşırı öğrenme (overfitting) handikapına düşen ve klinik sahada başarısız olan modellerden izole eden en temel metodolojik faktör, analiz iş akışlarında katı "iç içe çapraz doğrulama" şemalarının kullanılmasıdır. Literatürdeki pek çok yapay zeka araştırması, ön özellik seçimini verinin bütünü üzerinden yaparak eğitim ve test kümeleri arasında "veri sızıntısına" yol açarken başarılı modeller parametre optimizasyonunu yalnızca eğitim verilerinde yapılmaktadır. Bu katı metodolojik izolasyon, genellenebilirlik ilkesini koruyarak gerçek dünya senaryolarında güvenle uygulanabilir sistemlerin tasarlanmasını sağlamaktadır [4], [7].

5. Klinik Uygulama Sürecinde Doğrulama ve Entegrasyon

5.1. Performans Metrikleri ve Validasyon Süreçleri

Yapay zeka modellerini değerlendirirken yüksek doğruluk oranı ile birlikte modelin güvenilirliği, iç ve dış geçerlilik test sonuçları dikkate alınmalıdır. İç doğrulama modelin geliştirildiği veri setindeki performansıdır, dış doğrulama ise modeli bağımsız bir test veri setindeki performansıdır. İç doğrulamada fazla öğrenme ve ezberleme sebebi ile performans daha yüksek başarı oranlarına ulaşılabilir bu sebepten ideal modelde iç ve dış doğrulamada aynı başarı beklenir. Örneğin, bir üniversite hastanesinde geliştirilen depresyon tanıma algoritmasının, periferde de aynı başarıyı göstermesi [13].

Kullanılan diğer metriklere baktığımızda eğri altında kalan alan (AUC), modelin ayırt etme gücünü gösterir. Duyarlılık (Sensitivity), hastalık için yanlış negatif sonucu belirtmemektir özellikle intihar riski gibi tanı modellerinde yüksek olması hedeflenir. Özgüllük (Specificity), yanlış pozitif sonuç vermemektir, tedavi öneren klinik karar destek sistemlerinde yüksek olması önemlidir. Bu metriklerle birlikte sonucun olasılığını tahmin eden kalibrasyon da atlanmaması gereken bir adımdır. Karar eğrisi analizi de (Decision Curve Analysis), modelin kullanılmasının hiç kullanılmaması ile karşılaştırıldığında ortaya çıkan "Net Fayda"yı matematiksel olarak hesaplar. Bu metrikler üzerinden incelenen modelin yarattığı yanlış sonuçların sebep olduğu maliyet doğru tespitlerin ve hızın kazandırdığı faydadan fazlaysa klinik açıdan araç gereksiz denilebilir [14].

5.2. Klinik Araştırma Tasarımları ve Raporlama Standartları

Yapay zeka modellerini geliştirirken birçok araştırmacı açık kaynak veri setlerinden faydalanır bu mantıklı bir ilk adım olsa da modellerin klinikte kullanılabilmesi için sadece retrospektif veriler üzerinden yapılan analizler yeterli değildir. Kabul edilen altın standart, geliştirilen model ile halihazırda kullanılan akışın farklı değişkenler üzerinden karşılaştırıldığı randomize kontrollü çalışmalardır (RCT) [14]. Klinik deneylerin yanı sıra giyilebilir teknolojiler ve mobil uygulamalarla elektronik sağlık kayıtları üzerinden gerçek dünya kanıtları da takip edilmelidir, bu sayede modelin gözlemlenen klinik ve gerçek başarısı karşılaştırılabilir. Tüm çalışmalarda şeffaflık ve tekrarlanabilirlik için takip edilmesi gereken raporlama biçimleri bulunmaktadır. Tahmin modellerinin geliştirilmesi ve validasyonu için TRIPOD+AI [13], yapay zeka içeren klinik deneylerin raporlanması için CONSORT-AI [14], Tanısal doğruluk çalışmaları için STARD-AI biçimi takip edilmektedir.

5.3. Yasal Regülasyonlar ve Klinik İş Akışına Uyum

Yapay zeka modellerinin kullanılmaya başlanması ve devamı sürecinde klinik çalışmalar ve model başarısı kadar klinik akışa uyum ve hekimlerin gündelik iş yüküne olan katkısı da büyük önem taşımaktadır. Klinikte hekimlere ikinci görüş veya raporlama sunan karar destek sistemleri karar yükünü azaltmalıdır, aynı zamanda da karar verme sürecini ve kadar arkasındaki sebepleri açıkça hekime göstermelidir [15]. COVID pandemisi sonrasında kullanım artan psikiyatri alanındaki teletıp uygulamaları süresince kaydedilen ses ve videolar yapay zeka modelleri için veri kaynağı olarak kullanılabilir ancak hasta mahremiyeti açısından siber güvenlik önlemleri önemlidir [16]. YZ modellerinin klinikte kullanılan elektronik sağlık kaydı (EHR) sistemlerine entegre edilebilir olması klinikte yaygın kullanım için olması gereken bir özelliktir.

Yapay zeka modelleri ve yazılımları yasal olarak Tıbbi Cihaz (Software as a Medical Device - SaMD) kapsamında regülasyonlara tabidir. Uygulamanın risk seviyesine göre (örn. sadece bilgilendirme yapan bir chatbot düşük riskli, tanı koyan bir algoritma yüksek riskli olarak kabul edilir) klinikte uygulamaya geçmeden önce tamamlaması gereken onay süreçleri mevcuttur. Amerika’da FDA, Avrupa’da CE (MDR), Türkiye'de TİTCK (Türkiye İlaç ve Tıbbi Cihaz Kurumu) düzenlemeleri tamamlanmalıdır [17].

Yapay zeka modellerinin kliniğe entegrasyonu ile birlikte psikiyatristlerin veri okuryazarlığı kazanması önemli hale gelmektedir çünkü modelin hata payını daha iyi analiz etmeleri ve yorumlayabilmeleri gerekir [18]. Ayrıca modellerle ilgili çıkan sorunlara hemen çözüm sunulabilmesi ve veri güvenliğinin korunması için yazılımlar ve veri bilimciler de kliniklerin bir parçası olmalıdır [15].

Kaynakça

1. Blease C, Worthen A, Torous J. Psychiatrists’ experiences and opinions of generative artificial intelligence in mental healthcare: An online mixed methods survey. Psychiatry Research. 2024;333:115724.
2. Volkmer S, Meyer-Lindenberg A, Schwarz E. Large language models in psychiatry: Opportunities and challenges. Psychiatry Research. 2024;339:116026.
3. Abd-alrazaq AA, Alajlani M, Alalwan AA, Bewick BM, Gardner P, Househ M. An overview of the features of chatbots in mental health: A scoping review. International Journal of Medical Informatics. 2019;132:103978.
4. Cellat E, Demir E. Artificial intelligence in psychiatry: Current and emerging trends, clinical applications, and research gaps explored through a bibliometric analysis. Asian Journal of Psychiatry. 2026;116:104828.
5. Dwyer D, Koutsouleris N. Translational machine learning for child and adolescent psychiatry. Journal of Child Psychology and Psychiatry. 2022;63(4):421-443.
6. Frances A. Resuscitating the biopsychosocial model. 2014.
7. Chen ZS, Kulkarni P, Galatzer-Levy IR, Bigio B, Nasca C, Zhang Y. Modern views of machine learning for precision psychiatry. Patterns. 2022.
8. Kendell RE, Cooper JE, Gourlay AJ, Copeland JRM, Sharpe L, Gurland BJ. Diagnostic Criteria of American and British Psychiatrists. Archives of General Psychiatry. 1971;25:123-130.
9. Grodniewicz JP, Hohol M. Waiting for a digital therapist: three challenges on the path to psychotherapy delivered by artificial intelligence. Frontiers in Psychiatry. 2023;14:1190084.
10. Rony MKK, Das DC, Khatun MT, Ferdousi S, Akter MR, Begum MH, et al. Artificial intelligence in psychiatry: A systematic review and meta-analysis of diagnostic and therapeutic efficacy. DIGITAL HEALTH. 2025;11:1–19.
11. Gratzer D, Goldbloom D. Therapy and E-therapy—Preparing Future Psychiatrists in the Era of Apps and Chatbots. Academic Psychiatry. 2020;44:231–234.
12. Winter NR, Blanke J, Leenings R, et al. A systematic evaluation of machine learning–based biomarkers for major depressive disorder. JAMA Psychiatry. 2024.
13. Collins GS, Dhiman P, Ma J, et al. TRIPOD+AI statement: reporting of prediction model studies for biomedical sciences and health care. BMJ. 2024;385:e078373.
14. Liu X, Rivera SC, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med. 2020;26(9):1364–1374.
15. Bajwa J, Munir U, Nori A, Williams B. Artificial intelligence in healthcare: transforming the practice of medicine. Future Healthc J. 2021;8(2):e188-e194.
16. Lee EE, Torous J, De Choudhury M, et al. Artificial Intelligence for Mental Health Care: Clinical Applications, Barriers, Facilitators, and Artificial Intelligence-Specific Risks. Biol Psychiatry. 2021;89(9):888-898.
17. Gerke S, Minssen T, Cohen G. Ethical and legal challenges of artificial intelligence-driven healthcare. In: Bohr A, Memarzadeh K, editors. Artificial Intelligence in Healthcare. Academic Press; 2020. p. 295-336.
18. Abd-Alrazaq A, AlSaad R, Alhuwail D, et al. Large Language Models in Medical Education: Opportunities, Challenges, and Future Directions. JMIR Med Educ. 2023;9:e48291.