Gençlerin ruh sağlığında multimodal yapay zeka ve çevrimiçi öğrenme: kapsama incelemesi

Gençler ve aileleri için neden önemli

Dünya çapında gençlerin ruh sağlığı sorunları artıyor, ancak birçok çocuk ve ergen zamanında yardım almıyor. Aynı zamanda gençler; akıllı telefonlar, giyilebilir cihazlar, okul platformları ve sosyal medyadan sürekli dijital izler üretiyor—bunlar onların gerçekte nasıl olduklarını ortaya koyabilir. Bu inceleme, farklı veri türlerinden öğrenen ve zaman içinde güncellenmeye devam eden yeni yapay zeka (YZ) yaklaşımlarının bir gün stresi, depresyonu ve diğer sorunları daha erken tespit etmeye yardımcı olabileceğini ve gençlere daha kişiselleştirilmiş bakım sağlayabileceğini araştırıyor.

Büyüyen bir genç ruh sağlığı krizine yeni araçlar

Küresel veriler, ruh sağlığı sorunlarının çocuklar ve ergenlerin büyük bir bölümünü etkilediğini ve bu sorunların COVID-19 salgını sırasında ve sonrasında kötüleştiğini gösteriyor. Ruh sağlığı nedeniyle acil servis başvuruları ve doktorlarla uzak görüşmeler arttı; özellikle ergen kızlarda bu artış belirgindi. Yine de hizmetlere erişim zor olmaya devam ediyor ve birçok genç, çocuk hizmetlerinden çıktıklarında yetişkin bakımına tam entegre olamadıkları için sistemde kayboluyor. Çoğu yaşam boyu süren ruhsal bozukluk 25 yaşından önce başladığından, yazarlar bu dönemde sorunları daha iyi tespit edip izlemenin bireyler, aileler ve sağlık sistemleri için uzun vadeli faydalar sağlayabileceğini savunuyor.

Daha akıllı makineler nasıl yardımcı olabilir

YZ sistemleri verilerden kalıplar öğrenebilir ve bunları stres ya da düşük ruh hali gibi sonuçları tespit veya öngörmek için kullanabilir. Geleneksel modeller genellikle tek bir veri kaynağına—örneğin metin, beyin taraması veya anket—dayanır ve sabit bir veri kümesi üzerinde bir kez eğitilir. İnceleme, gençler için özellikle umut verici iki gelişmeye odaklanıyor. Birincisi multimodal YZ: bu, giyilebilirlerden kalp sinyalleri, telefonlardan uyku ve hareket verileri, ses veya yüz ifadeleri ve yazılı gönderiler ya da anket yanıtları gibi birden çok bilgi türünü birleştiriyor. İkincisi çevrimiçi öğrenme: modeller donuk kalmayıp yeni veriler geldikçe güncelleniyor; böylece bir gencin yaşamı, davranışı veya çevresi değiştiğinde uyum sağlayabiliyorlar.

Mevcut araştırma aslında ne yapıyor

Yazarlar 2015’ten bu yana gençlerden (25 yaşa kadar) elde edilen veriler üzerinde YZ kullanan çalışmaları tespit etmek için büyük tıp ve mühendislik veritabanlarını sistematik olarak taradı. 500’den fazla makale arasından yalnızca 24’ü kriterlere uydu ve bunların sadece birkaçında birden çok veri türü ile çevrimiçi öğrenme birlikte kullanıldı. Çoğu çalışma resmi tanılardan ziyade stres, duygusal durum veya bilişsel yorgunluk gibi erken uyarı işaretlerine odaklandı. Örneğin, birkaç proje öğrencilerin stresli görevler sırasında kalp aktivitesini veya cilt iletkenliğini ölçmek için giyilebilir sensörler kullandı; ardından sinir ağları stresi tanımak ve daha fazla veri geldikçe tahminlerini rafine etmek üzere eğitildi. Diğerleri bir dönem boyunca akıllı telefon ve uyku düzenlerini analiz ederek benzer stres profillerine sahip öğrencileri gruplayıp çok az veriyle yeni kullanıcılara model uyarladı.

Umut verici sonuçlar, ancak önemli boşluklar

Bazı sürekli güncelleme kullanan çalışmalarda, modeller genellikle yalnızca bir kez eğitilen sistemlere kıyasla daha doğru ve bireylere daha iyi uyarlanmış hale geldi. Çevrimiçi öğrenme beyin aktivitesinden değişen duygusal durumları takip etmeye ve her kullanıcı için stres tespitini ayarlamaya yardımcı oldu. Yine de yazarlar, “çevrimiçi” olarak etiketlenen birçok çalışmanın gerçekte veri akışlarına gerçek zamanlı adaptasyon yerine daha gevşek biçimde artımlı yeniden eğitme kullandığını not ediyor. Çoğu çalışma küçük, dar örneklemlere—çoğunlukla üniversite veya lisansüstü öğrencilerine—dayanıyordu ve nadiren modelleri bağımsız veri kümelerinde test ettiler. Etik ve pratik sorular büyük: reşit olmayanlardan ayrıntılı fizyolojik ve davranışsal veri toplamak, onay, gizlilik, uzun süreli depolama ve bakım kararlarını etkileyebilecek modellerin sürekli güncellemelerini kimin kontrol ettiğine dair hassas sorunlar doğuruyor.

Bu alanın bir sonraki adımı

İnceleme, gençlerin ruh sağlığı için YZ’nin hızla ortaya çıkan ancak hâlâ erken aşamada bir alan olduğunu sonucuna varıyor. Laboratuvar prototiplerinden güvenli bir şekilde gerçek bakımı destekleyebilecek araçlara geçebilmek için araştırmacıların daha büyük ve daha çeşitli veri kümelerine, yaş ve arka planın daha net raporlanmasına ve multimodal genç verilerini toplamak ve paylaşmak için standartlaştırılmış yöntemlere ihtiyacı olacak. Modellerin koşullar değiştikçe güvenilir kalmalarını sağlamak için zaman içinde ve farklı ortamlarda test edilmesi gerekiyor. Gelecek çalışmalar stres ve ruh hali tespitinin ötesine geçerek daha geniş bir yelpazedeki klinik olarak tanınmış bozuklukları kapsamalı ve özellikle YZ’nin yalnızca sorunları işaretlemek yerine gerçek müdahalelere nasıl yardımcı olabileceğini araştırmalı. Konuşma sistemleri ve büyük dil modelleri daha yaygınlaştıkça, genç kullanıcılar için faydalarının ve risklerinin dikkatle değerlendirilmesi hayati olacak. Şimdilik multimodal, sürekli öğrenen YZ umut verici bir yön sunuyor—ancak bu, güçlü güvenlik önlemleri, şeffaflık ve teknologlar, klinisyenler, gençler ile aileleri arasında yakın işbirliği gerektiriyor.

Atıf: Ramirez Campos, M.S., Barati, K., Samavi, R. et al. Multimodal artificial intelligence and online learning in youth mental health: a scoping review. npj Mental Health Res 5, 26 (2026). https://doi.org/10.1038/s44184-026-00207-4

Anahtar kelimeler: genç ruh sağlığı, multimodal YZ, çevrimiçi öğrenme, stres tespiti, giyilebilir sensörler