Üsküdar Üniversitesi Tıp Fakültesi Ruh Sağlığı ve Hastanesi Anabilim Dalı Psikiyatri Bölümü tarafından tasarlanan ve yürütülen araştırma, psikiyatrik hastalıkların teşhis ve sınıflandırmasında makine öğrenme yöntemlerinin etkin sonuçlarını paylaştı. Çalışmada, farklı psikiyatrik rahatsızlıkların tanılanmasında EEG’nin ayırt edici biyobelirteç potansiyeli ortaya kondu.
Üsküdar Üniversitesi Tıp Fakültesi Ruh Sağlığı ve Hastanesi Anabilim Dalı Psikiyatri Bölümü tarafından yürütülen araştırmada bipolar bozukluk, dikkat eksikliği ve hiperaktivite bozukluğu (DEHB), depresyon, obsesif kompulsif bozukluk (OKB), opioid bağımlılığı, travma sonrası stres bozukluğu (TSSB), şizofreni ve sağlıklı bireylerin EEG verileri biyobelirteç olarak kullanıldı ve bilgisayar destekli makine öğrenme yöntemleriyle teşhisi destekleyecek bir öngörü modeli geliştirildi.
EEG verileriyle psikiyatrik rahatsızlıklar tanılanabilir mi, sınıflandırılabilir mi?
Elde edilen bulgular, EEG verilerinin biyobelirteç olarak kullanılmasıyla, danışanın psikiyatrik rahatsızlığı olup olmadığının yüksek doğruluk düzeyi ile öngörülebileceğini gösterdi. Buna göre, bir şikâyet ile hekime başvuran bir kişi genel hatlarıyla değerlendirildikten sonra, EEG çekimi ile doğru psikiyatrik hastalıklar tanısı konabilmekte, ayırt edici öznitelikleri ile diğer hastalık gruplarından ayrılabilmektedir.
Prof. Dr. Nevzat Tarhan: “Makine öğrenmesi psikiyatri alanına katkı sağlayacak”
Araştırmayı özetleyen Üsküdar Üniversitesi Kurucu Rektörü, Psikiyatrist Prof. Dr. Nevzat Tarhan şunları söyledi:
“Konuyla ilgili çok sayıda ve çeşitli hastalık kategorileri arasında ayrım yapmaya çalışırken, bazı hastalıkların (DEHB, depresyon, şizofreni) model bazında ön plana çıkarak daha iyi ayırt edilebileceğini söyleyebiliriz. Bulgular dikkate alındığında, bu çalışma sonucunda elde edilen analizlerin psikiyatri alanında makine öğrenmesi kullanılarak yapılacak çalışmalara katkı sağlayacağı öngörülmektedir. Özellikle yeni nesil in-siliko yöntemler ile geliştirilen öngörü modelleri bu alanda kayda değer klinik sonuçlar ortaya koymaktadır. Her ne kadar eski nesil yüzeysel öğrenme algoritmaları ve istatistiksel modeller literatüre katkı sağlamış olsa da özellikle derin öğrenme temelli öznitelik çıkartabilen yeni nesil öğrenme algoritmaları sinirbilim alanındaki çalışmaları gelişmesine diagnostik ve prognostik süreçlere, erken teşhis ve doğru tedavi süreçleri ile hekimlere katkı sağlamaktadır.”
“Psikiyatrik rahatsızlıkların tanısında hekimler semptoma dayalı bir yaklaşım takip etmektedir. Bu yaklaşıma göre Mental Bozuklukların Tanısal ve İstatistiksel El Kitabı (DSM) veya Hastalıkların Uluslararası Sınıflaması (ICD) gibi sürece dayalı uluslararası geçerli tanı araçları, hasta raporları ve gözlem ve hekimimin deneyimleri izlenmektedir. Tıbbın diğer alanlarında olduğu gibi, hastalıklara yönelik süreçlerde kullanılan biyobelirteçlerin arayışı psikiyatride de devam etmektedir.” diye konuştu.
Üsküdar Üniversitesi Tıp Fakültesi Ruh Sağlığı ve Hastalıkları Anabilim Dalı Öğretim Üyesi Prof. Dr. Cumhur Taş’ın da yer aldığı çalışma ‘International Journal of Medical Informatics’ Dergisinde yayınlandı. Çalışma kapsamında farklı psikiyatrik hastalık tanısı koyulmuş hastaların (550 hasta) elektroansefalogram (EEG) ölçümlerini içeren bir veri seti, makine öğrenme metotları ile incelendi ve hastalıklar elde edilen modellerle sınıflandırıldı.
Kaynak : 