Toplum Taburcu Sonrası Klinik Bir Popülasyonda Sosyal Etkileşim Algılama İçin Bir Akıllı Saat Algoritması Olarak SocialBit’in Doğrulanması

Neden Konuşmaları Saymak Önemli?

İnme gibi büyük bir hastalığın ardından hemşireyle sohbet etmek veya aileyle şakalaşmak gibi küçük gündelik anlar iyileşmeyi sessizce şekillendirebilir. Sosyal bağların beyin sağlığını koruduğu ve hatta ömrü uzatabileceği biliniyor, ancak doktorların hastanın gün içinde ne kadar sosyal olarak etkileşimde bulunduğunu güvenilir şekilde ölçebilecekleri yöntemler nadiren mevcut. Bu çalışma, bir akıllı saate dayalı, gizliliğe duyarlı bir şekilde konuşmayı dinleyen SocialBit’i tanıtıyor ve bunun inme sonrası hastanede yatan kişilerin gerçek dünyadaki sosyal etkileşimlerini doğru şekilde takip edip edemeyeceğini test ediyor.

Dinleyen, Dinlemeyen Bir Akıllı Saat

SocialBit, sıradan bir akıllı saatte çalışan bir yazılım algoritmasıdır. Konuşmaları kaydetmek veya insanların söylediklerinin kelimelerini analiz etmek yerine, kısa ortam sesi kesitleri aracılığıyla ses seviyesi, ritim ve diğer akustik özellikler gibi kalıpları yakalar. Bunlardan, bir dakikanın muhtemelen bir etkileşimi içerip içermediğine karar verir—etkileşim basitçe hastaya başka bir kişi tarafından yapılan veya yönlendirilen herhangi bir ses olarak tanımlanır; bu, inme sonrası sık görülen parçalı veya sözsüz konuşmaları da kapsar. Sistem hammadde ses kaydı veya yazıya dökülmüş metin saklamadığı için gizliliği koruyacak şekilde tasarlanmışken klinisyenlere hastanın sosyal dünyasının sürekli bir özetini sunar.

Cihazı Gerçek Hastane Hayatında Test Etmek

SocialBit’in laboratuvar dışındaki işe yarayıp yaramadığını görmek için araştırmacılar Boston’daki iki hastanede iskemik inme nedeniyle yatan 153 yetişkini kaydetti. Hastalar gündüz saatlerinde sekiz güne kadar akıllı saati taktılar; eğitimli gözlemciler güvenli canlı videoyu izleyip her dakikayı sosyal ya da sosyal olmayan olarak etiketledi. Bu, yaklaşık 89.000 dakikalık insan-kodlu veri yarattı; bunlardan yaklaşık 14.000 dakikanın SocialBit okumaları da vardı. Hastalar büyük çeşitlilik gösteriyordu: inme şiddeti çok hafiften ciddiye kadar uzanıyor, düşünme ve hafıza skorları neredeyse tüm ölçeği kapsıyor ve 24 katılımcıda konuşmayı sıklıkla bozan farklı afazi biçimleri vardı. Bu çeşitlilik, konuşmanın kesik, peltek veya minimal olduğu durumlarda bile sistemin dayanıklılığını test etmeye olanak sağladı.

Algoritma Ne Kadar İyi İşledi?

SocialBit’in yargıları insan kodlayıcıların dakika dakika etiketleriyle karşılaştırıldığında, en iyi performans gösteren algoritma versiyonu, gerçekten etkileşim içeren dakikaların yaklaşık %87’sinde sosyal etkileşimi doğru algıladı ve etkileşim olmayan durumları %88 oranında doğru tanıdı. İstatistiksel olarak bu, SocialBit’i mevcut genel amaçlı konuşma ve sohbet algılayıcılarının önüne koydu. Önemli olarak, gün boyunca hastaların ne kadar zaman geçirdiğine dair özet görünümü, akıllı saatin pil ömrünü korumak için her beş dakikadan birini örneklemesine rağmen insan tahminleriyle yakından eşleşti. Performans; arka planda televizyon, odadaki yan konuşmalar, telefon ve video aramaları, farklı hastane birimleri ve iki tür akıllı saat donanımı gibi birçok gerçek dünya zorluğu karşısında güçlü kaldı.

Konuşmakta Zorluk Çeken Hastaları Dahil Etmek

Ana soru, SocialBit’in daha az konuşan veya standart dışı konuşma üreten afazili kişilerde başarısız olup olmayacağıydı. Bu alt grupta algoritma hâlâ iyi performans gösterdi ve dil sorunu olmayan hastalara kıyasla doğrulukta sadece hafif bir düşüş görüldü. Sistem ayrıca klinik açıdan mantıklı davrandı: daha ciddi inmeleri olan hastalarda tespit edilen etkileşim dakikası daha azdı; bu, insan kodlayıcıların gözlemlerini yansıtıyordu. İnme şiddeti puanında bir birimlik artış, etkileşimde geçirilen zaman payında yaklaşık bir puanlık düşüşle ilişkilendirildi. Bu, SocialBit’in yalnızca sesi tanımakla kalmayıp hastaların sosyal yaşamının anlamlı bir boyutunu yakaladığını düşündürüyor.

Bu Bakım İçin Ne Anlama Gelebilir?

Yazarlar, SocialBit benzeri bir aracın sosyal etkileşimi tansiyon veya kalp atış hızıyla birlikte izlenebilecek bir “yaşamsal belirti” haline getirebileceğini savunuyor. Araştırmada, yaşam kalitesini artırmayı veya yalnızlığı azaltmayı amaçlayan klinik araştırmalar için nesnel bir çıktı sağlayabilir. Günlük uygulamada ise bir hastanın sosyal olarak daha az dahil olmaya başladığında klinisyenleri ve bakım verenleri uyararak erken destek veya çevre değişikliklerine yol açabilir. Sistemin eve uyarlanması ve insanların ne sıklıkla etkileşimde bulunduğunu değil, bu anların ne kadar anlamlı olduğunu da yakalayacak şekilde geliştirilmesi için daha fazla iş gerekse de, bu çalışma basit bir akıllı saatin iyileşmenin güçlü ama daha önce görünmez bir bileşenini: insan bağlantısını güvenilir şekilde ölçebildiğini gösteriyor.

Atıf: Dhand, A., Tate, S., Mack, C. et al. Validation of SocialBit as a smartwatch algorithm for social interaction detection in a clinical population. Sci Rep 16, 4529 (2026). https://doi.org/10.1038/s41598-026-37746-x

Anahtar kelimeler: inme iyileşmesi, sosyal etkileşim, akıllı saat algılama, dijital biyobelirteç, afazi