30 Saniyede Özet
Indiana Üniversitesi'nden araştırmacılar, tek oturumluk bir dijital depresyon müdahalesinden kimin yararlanacağını makine öğrenmesiyle öngörmeye çalıştı. 828 yetişkinin randomize edildiği veride, ayrılmış test grubunda model anlamlı bir tedavi önerisi üretemedi. Çalışma önceden kayıtlıydı ve veri sızıntısına karşı özenle kurgulandı. Sonuç, "yapay zekâ tedaviyi kişiselleştirir" söylemine karşı değerli bir fren.
Ne oldu?
Jardas, Howard ve Lorenzo-Luaces'in makalesi 22 Eylül 2026'da Clinical Psychological Science dergisinde çevrim içi yayımlandı. Analiz, 2023'te yayımlanan bir randomize kontrollü çalışmanın önceden kaydedilmiş ikincil analizi. O çalışmada, tanı almış güncel ya da geçmiş bir ruh sağlığı sorunu bildiren 828 ABD'li yetişkin yer aldı. Katılımcılar Prolific adlı çevrim içi araştırma platformundan toplandı.
Katılımcılar COMET (Common Elements Toolbox) ya da bekleme listesi grubuna rastgele ayrıldı. COMET, yaklaşık 25–40 dakikalık, rehbersiz, tek oturumluk dijital bir müdahale. Bilişsel yeniden yapılandırma, davranışsal aktivasyon, minnettarlık ve öz-şefkat modüllerinden oluşuyor. Ana çalışmada COMET, bekleme listesine göre depresyonu anlamlı biçimde azaltmamıştı.
Yazarlar şu soruyu sordu: Ortalamada etki yoksa bile, yararlanan bir alt grup var mı? Bunun için Kişiselleştirilmiş Avantaj İndeksi (PAI) kullanıldı. PAI, her kişi için iki tahmin üretir: bir tedaviyle ve diğer seçenekle beklenen belirti puanı. İkisi arasındaki fark, o kişi için hangi seçeneğin daha avantajlı olduğunu gösterir.
Analiz için veri önce %80 eğitim (662 kişi) ve %20 ayrılmış test (166 kişi) olarak bölündü. Eğitim verisinde her kol için ayrı bir elastik ağ modeli kuruldu. Elastik ağ, çok sayıda değişken arasından zayıf olanların etkisini küçülten ya da sıfırlayan cezalı bir regresyon yöntemi. Ayarlar 10 katlı çapraz doğrulamayla seçildi (veriyi dönüşümlü parçalara bölerek sınama).
Öngörücüler arasında yaş, gelir, eğitim, çocukluk çağı olumsuz yaşantıları, kişilik özellikleri, uykusuzluk ve başlangıç belirtileri vardı. Sonlanım, iki hafta sonraki depresyon puanıydı. Bu puan PHQ-8 ile ölçüldü ve PHQ-9 ölçeğine dönüştürüldü (PHQ-8, PHQ-9'un intihar düşüncesi maddesi çıkarılmış hâli).
Test grubunda PAI ile tedavi kolu arasında anlamlı bir etkileşim çıkmadı (p=0,47). Yani modelin "COMET'ten yararlanır" dediği kişiler, COMET'ten gerçekten daha fazla yararlanmadı. Johnson-Neyman analizi de iki kol arasında anlamlı fark taşıyan bir PAI aralığı bulamadı.
Makalede etkileşim katsayısı β=0,880 (SE 1,21) ve t=−0,72 olarak verilmiş. Katsayı ile t değerinin işaretleri uyuşmuyor ve metinde bu fark açıklanmıyor. Her iki durumda da etkileşim istatistiksel olarak anlamlı değil.
Asıl öğretici bulgu başka bir yerde. Model, her kolda iki haftalık puanı iyi tahmin etti; test grubunda gerçek ve tahmin edilen puanlar arasında korelasyon yaklaşık 0,84–0,86'ydı. Ancak aynı kişi için COMET ve bekleme listesi tahminleri neredeyse aynıydı (r=0,993). Model kimin iyi seyredeceğini tahmin edebiliyor, ama kimin hangi seçenekten fazla yararlanacağını ayırt edemiyor.
Kanıt ne kadar güçlü?
Güçlü yanlar belirgin. Analiz önceden kaydedildi, test verisi model geliştirmeye hiç karışmadı ve veri sızıntısına karşı önlem alındı. Örneklem, benzer PAI çalışmalarının çoğundan büyük. Yazarlar ön kayıttan sapmaları da açıkça belirtiyor; örneğin eğitim-test ayrımı ön kayıtta yoktu.
Sınırlılıklar da var. Katılımcılar para karşılığı çalışan çevrim içi kullanıcılardı ve depresyon her biri için ana sorun olmayabilir. Yalnızca öz bildirim değişkenleri kullanıldı. En önemlisi, müdahalenin ortalama etkisi yoktu; bu da alt gruplar arasındaki farkı yakalamayı zorlaştırır.
Bulgu yalnız değil. Ergenlerde iki tek oturumluk müdahaleyi karşılaştıran 996 kişilik bir çalışma da eşleştirme algoritmasıyla anlamlı fark bulamamıştı. Yazarların aktardığı bir sistematik derleme ise yöntemce en sağlam PAI çalışmalarında yarar görülmediğini bildiriyor. Kıdemli yazar Lorenzo-Luaces, çalışmayla ilgisi olmayan Syra Health'ten danışmanlık ücreti aldığını beyan etti.
Hekim için ne anlama geliyor?
Negatif sonuçlar yayımlanmadığında alan, yalnızca başarı öykülerinden oluşan çarpık bir tabloya bakar. Bu çalışma, "hassas psikiyatri" iddialarının ayrılmış veride sınanması gerektiğini somut biçimde gösteriyor. Prognoz tahmini ile tedavi seçimi aynı şey değil.
- "Yapay zekâ size en uygun tedaviyi seçer" diyen uygulamalarda ayrılmış test ve dış doğrulama verisi arayın.
- Bir modelin sonucu iyi tahmin etmesi, tedaviler arasında doğru seçim yaptırdığı anlamına gelmez.
- Dijital müdahale öneriyorsanız, yanıt yoksa bir üst basamağa geçiş planını da birlikte kurun.
- PHQ-8 intihar maddesi içermez; dijital araç kullanan hastada intihar riskini ayrıca sorgulayın.
- Hastaya bir uygulama önerirken iki hafta sonra belirtileri yeniden değerlendireceğiniz bir kontrol tarihi verin.
Türkiye'den bakınca
COMET İngilizce geliştirilmiş bir müdahale ve bu analiz yalnızca ABD'li katılımcılarla yapıldı. Türkçe bir sürümün ya da Türk örnekleminde bir denemenin varlığına dair bilgi yok. Dolayısıyla sonuçlar Türkiye'ye doğrudan aktarılamaz.
Yine de ders, Türkçe ruh sağlığı uygulamalarını değerlendiren hekim için de geçerli. Bu çalışmada kişilik, çocukluk yaşantıları ve gelir gibi hassas veriler toplandı, ama tedavi seçimine katkısı olmadı. Kişisel Verilerin Korunması Kanunu (KVKK), verinin işlendiği amaçla bağlantılı, sınırlı ve ölçülü olmasını ilke olarak sayıyor. Kişiselleştirme vaadiyle bu kadar veri isteyen bir uygulama, önce vaadin kanıtını göstermeli.
Sık sorulan sorular
Kişiselleştirilmiş Avantaj İndeksi (PAI) nedir?
Her kişi için iki seçenekten hangisinin daha iyi sonuç vereceğini tahmin eden bir yöntem. Model, kişinin her iki seçenekteki beklenen puanını hesaplar ve farkı alır. Fark, önerilen seçeneği belirler.
Bu sonuç dijital müdahalelerin işe yaramadığını mı gösteriyor?
Hayır, bu kadar genel bir sonuç çıkarılamaz. Bulgu, bu örneklemde bu müdahale için kimin yararlanacağının öngörülemediğini gösteriyor. Başka müdahaleler ve gruplar için ayrı kanıt gerekir.
Makine öğrenmesi psikiyatride tedavi seçiminde kullanılmamalı mı?
Umut tamamen bitmiş değil, ancak kanıt henüz zayıf. Yazarlar daha büyük örneklemlerin ve tedavi mekanizmasına yakın değişkenlerin gerekebileceğini tartışıyor. Şimdilik klinik değerlendirme ve basamaklı bakım esas kalmalı.
Kaynaklar
- Jardas EJ, Howard J, Lorenzo-Luaces L (2026) — Leveraging machine learning to personalize depression treatment (Clinical Psychological Science): https://doi.org/10.1177/21677026261473154
- PubMed (2026) — Özet, PMID 42775236: https://pubmed.ncbi.nlm.nih.gov/42775236/
- PubMed Central (2026) — Yazar el yazması tam metni, PMC13595997: https://pmc.ncbi.nlm.nih.gov/articles/PMC13595997/
- Lorenzo-Luaces L, Howard J (2023) — Efficacy of an Unguided, Digital Single-Session Intervention for Internalizing Symptoms in Web-Based Workers (JMIR): https://pubmed.ncbi.nlm.nih.gov/37418303/
- Ahuvia IL ve ark. (2023) — Evaluating a treatment selection approach for online single-session interventions for adolescent depression: https://pubmed.ncbi.nlm.nih.gov/37183368/
- Kişisel Verileri Koruma Kurumu (erişim 2026) — Personal Data Protection Law (Law No. 6698): https://www.kvkk.gov.tr/Icerik/6649/Personal-Data-Protection-Law
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
828 kişilik randomize veride makine öğrenmesi, tek oturumluk dijital depresyon müdahalesinden kimin yararlanacağını ayırt edemedi. Negatif sonuç neden önemli?