Yalnızlık, depresyon ve anksiyete ile yakından ilişkili, sağlık üzerinde geniş etkileri olan bir psikososyal sıkıntıdır; fakat klinikte düzenli ve ekolojik geçerli ölçümü zordur. Dijital fenotipleme, kişisel dijital cihazlardan (örn. akıllı telefonlar, sosyal medya) davranışsal verilerin anlık ve süreklilik içinde toplanmasıyla bu boşluğu kapatmayı amaçlar (Williamson, 2023; Birk & Samuel, 2022). Bu yaklaşım, günlük dil kullanımından hareketlilik düzenine kadar çoklu izleri yapay zekâ (YZ) modelleriyle birleştirerek bireyin algılanan yalnızlığına dair risk sinyalleri üretebilir (Jaidka et al., 2020; Moshe et al., 2021). Bu makale, söz konusu modellerin kavramsal işleyişini özetler; klinik faydaları, sınırlılıkları, önyargı ve adalet risklerini, mahremiyet ve rıza boyutlarını dengeleyerek tartışır. Özellikle, YZ çıktılarının teşhis yerine klinik kararları destekleyen uyarı işaretleri olduğu vurgulanır (Birk & Samuel, 2022).
Kavramsal düzeyde süreç üç adımda düşünülebilir: veri toplama, özellik çıkarımı ve öngörü. Veri toplama, pasif sensör verileri (GPS’ten hareketlilik, ekrandaki aktif süreleri, arama veya mesaj trafiği) ile aktif girdileri (kısa anlık öz değerlendirmeler) birleştirir (Williamson, 2023). Sosyal medya dili de ayrı bir kanal sunar; doğal dil işleme teknikleri kelime listeleri yerine bağlamı yakalayan veri güdümlü imgeler (gömme vektörleri, cümle modelleri) üretir (Jaidka et al., 2020). Daha sonra denetimli öğrenme, bu özellikleri UCLA Yalnızlık Ölçeği gibi öz raporlarla veya etiketlenmiş söylemle eşleyerek risk puanı verir (Badal et al., 2021).
Ampirik bulgular, dil ve duygu göstergelerinin iyi oluş ve yalnızlıkla anlamlı bağlar kurabildiğini gösterir. Twitter(X) dilinden türetilen veri güdümlü modeller, bölgesel öznel iyi oluş ölçütleriyle tutarlı ilişkiler vermiş ve sözlük tabanlı yöntemleri aşmıştır (Jaidka et al., 2020). Birey düzeyinde, yalnızlık ifadesi içeren zaman çizelgeleri öfke, uykusuzluk ve ilişki sorunları gibi temalarla kümelenmiş; bu temalar makine öğrenmesiyle ayrıştırılabilmiştir (Guntuku et al., 2019). Yaşlı yetişkinlerle yapılan nitel görüşmelerin dili üzerinde çalışan çalışmalar, yalnızlık ve sosyal yalıtımı ayırt eden belirgin dilsel ve işitsel ipuçlarını doğrulamıştır (Badal et al., 2021). Metne ek olarak, akıllı telefon ve giyilebilir verileri uyku, hareketlilik ve iletişim örüntülerini yakalayarak duygu durum belirtilerini öngörebilmiştir; bu, yalnızlık riskinin süreklilik içinde izlenmesinde yönteme dayalı bir temel sunar (Moshe et al., 2021).
Klinik yararı, risk sinyallerinin zamanlı müdahaleyi kolaylaştırmasıdır. Örneğin, son iki haftada benzersiz konum sayısında düşüş, gece ekran etkinliğinde artış ve internet dilinde “kopukluk” temalarının yükselmesi bir risk uyarısı olarak işaretlenebilir; terapist bunu görüşmede gündeme getirip sosyal temas hedefleri belirleyebilir. Bu yaklaşım, geriye dönük hatırlama yanlılığını azaltır ve ekolojik geçerliği artırır (Williamson, 2023). Bununla birlikte, sinyalin nedensel bir açıklama olmadığı ve tek başına klinik karar doğurmadığı temel ilkedir (Birk & Samuel, 2022).
Sınırlılıklar nettir. Birincisi, etiket sorunu: yalnızlık çoğu çalışmada öz rapora veya açık “alone/lonely” ifadelerine dayanır; sessizce yalnız hisseden bireyler kaçabilir. İkincisi, örnekleme yanlılığı: sosyal medya ve akıllı telefon verileri platform, dil ve sosyoekonomik özelliklere göre dengesizdir; bu, genelleme gücünü azaltır (Jaidka et al., 2020). Üçüncüsü, dağılım kayması: mevsimsel alışkanlık değişimleri ve platform algoritmaları modeli yanıltabilir; bu nedenle kalibrasyon ve tekrarlı değerlendirme gerekir (Birk & Samuel, 2022).
Mahremiyet ve rıza boyutu klinik uygulamanın eşiğidir. 36 popüler zihin sağlığı uygulamasının çoğunun verileri üçüncü taraflarla paylaştığı ve bunun her zaman şeffafça açıklanmadığı gösterilmiştir (Huckvale et al., 2019). mHealth ekosisteminde geniş ölçekli taramalarda da yaygın veri toplanması ve izleme mekanizmaları rapor edilmiştir (Ikram et al., 2021). Bu nedenle veri minimizasyonu, yerel/cihaz üstü hesaplama, açık anlaşılır aydınlatma, sürekli (dinamik) rıza ve açık kapatma seçenekleri asgari standart olmalıdır. Kurumsal uyum açısından, veri koruma tasarımla ilkesine ve izlenebilirlik gerekliliklerine dikkat edilmelidir.
Adalet ve önyargı, özellikle yalnızlık gibi sosyal olarak eşitsiz dağılan deneyimlerde kritik risktir. Sağlık veriseti şeffaflığı ve temsil sorunlarına karşı “STANDING Together” önerileri, veri bileşiminin sınırlılıklarının açık raporlanması ve grup temelli performans testleri gibi somut adımlar sunar (Alderman et al., 2024). Klinik bağlamda ayrıca kurum içi adalet denetimleri, cinsiyet/yaş/dil tabakalarında hata oranlarının izlenmesi ve düzeltici yeniden ağırlıklandırma gibi yöntemler uygulanmalıdır (Sogancioglu et al., 2024). Son olarak, yorumlanabilirlik önemlidir: risk puanının hangi davranışsal motiflerden beslendiğinin açıklanması klinik güveni artırır ve etik gözetimi kolaylaştırır.
Bu çerçevede, en iyi uygulama üç ilkeyle özetlenebilir: (i) risk sinyalleri, klinik görüşmeyi besleyen hipotezlerdir; asla tek başına teşhis değildir; (ii) mahremiyet-öncelikli tasarım ve dinamik rıza olmadan ölçeklenme hedeflenmemelidir; (iii) adalet ve kalibrasyon sürekli izlenmeli, hatalar özellikle dezavantajlı gruplarda düzeltilmelidir (Birk & Samuel, 2022; Alderman et al., 2024).
Dijital izlerden yalnızlık için YZ temelli öngörüler, ekolojik geçerli ve zaman duyarlı destek sinyalleri sunarak klinik psikolojide erken uyarı ve izleme kapasitesini güçlendirebilir. Ancak bu potansiyel, etik ve metodolojik kırılganlıklarıyla birlikte düşünülmelidir: etiket belirsizliği, örnekleme yanlılığı, dağılım kayması ve mahremiyet/adalet riskleri, klinik gözetim ve şeffaf raporlama ile yönetilmelidir. En makul yol, bu modelleri terapötik ittifakı tamamlayan, kişiye özgü hedefleri zamanında hatırlatan ve klinisyenin muhakemesini destekleyen araçlar olarak konumlandırmaktır; erken müdahale için faydalı, fakat tek başına belirleyici olmayan araçlar (Williamson, 2023; Moshe et al., 2021).
Kaynakça
-
Alderman, J. E., Palmer, J., Laws, E., McCradden, M. D., Ordish, J., Ghassemi, M., Pfohl, S. R., Rostamzadeh, N., Cole-Lewis, H., Glocker, B., Calvert, M., Pollard, T. J., Gill, J., Gath, J., Adebajo, A., Beng, J., Leung, C. H., Kuku, S., Farmer, L. A., Matin, R. N., … Liu, X. (2024). Tackling Algorithmic Bias And Promoting Transparency In Health Datasets: The STANDING Together Consensus Recommendations. The Lancet Digital Health, 7(1), e64–e88. https://doi.org/10.1016/S2589-7500(24)00224-3
-
Badal, V. D., Nebeker, C., Shinkawa, K., Yamada, Y., Rentscher, K. E., Kim, H. C., & Lee, E. E. (2021). Do Words Matter? Detecting Social Isolation And Loneliness In Older Adults Using Natural Language Processing. Frontiers In Psychiatry, 12, 728732. https://doi.org/10.3389/fpsyt.2021.728732
-
Birk, R. H., & Samuel, G. (2022). Digital Phenotyping For Mental Health: Reviewing The Challenges Of Using Data To Monitor And Predict Mental Health Problems. Current Psychiatry Reports, 24, 523–528. https://doi.org/10.1007/s11920-022-01358-9
-
Guntuku, S. C., Schneider, R., Pelullo, A., Young, J. F., Wong, V., Ungar, L. H., Polsky, D., Volpp, K. G., & Merchant, R. (2019). Studying Expressions Of Loneliness In Individuals Using Twitter: An Observational Study. BMJ Open, 9(11), e030355. https://doi.org/10.1136/bmjopen-2019-030355
-
Huckvale, K., Torous, J., & Larsen, M. E. (2019). Assessment Of The Data Sharing And Privacy Practices Of Smartphone Apps For Depression And Smoking Cessation. JAMA Network Open, 2(4), e192542. https://doi.org/10.1001/jamanetworkopen.2019.2542
-
Ikram, M., Ijaz, K., Kaafar, M. A., & Berkovsky, S. (2021). Mobile Health And Privacy: Cross-Sectional Study. BMJ, 373, n1248. https://doi.org/10.1136/bmj.n1248
-
Jaidka, K., Giorgi, S., Schwartz, H. A., Kern, M. L., Ungar, L. H., & Eichstaedt, J. C. (2020). Estimating Geographic Subjective Wellbeing From Twitter: A Comparison Of Dictionary And Data-Driven Language Methods. Proceedings Of The National Academy Of Sciences, 117(19), 10165–10171. https://doi.org/10.1073/pnas.1906364117
-
Moshe, I., Terhorst, Y., Opoku Asare, K., Sander, L. B., Ferreira, D., Baumeister, H., Mohr, D. C., & Pulkki-Råback, L. (2021). Predicting Symptoms Of Depression And Anxiety Using Smartphone And Wearable Data. Frontiers In Psychiatry, 12, 625247. https://doi.org/10.3389/fpsyt.2021.625247
-
Williamson, S. (2023). Digital Phenotyping In Psychiatry. BJPsych Advances, 29(6), 428–429. https://doi.org/10.1192/bja.2023.26
-
Sogancioglu, G., Mosteiro Romero, P., Salah, A. A., Scheepers, F. E., & Kaya, H. (2024). Fairness In AI-Based Mental Health: Clinician Perspectives And Bias Mitigation. Proceedings Of The AAAI/ACM Conference On AI, Ethics, And Society, 7, 1390–1400. https://ojs.aaai.org/index.php/AIES/article/view/31732
