Ruh Sağlığında Yapay Zeka: Faydaları, Olası Zararları ve Kullanım Şekilleri

Yapay zeka, üzerinde yürütülen çalışmalar ve kendisine yönelik artan talep ile birlikte insan hayatının değişmez parçalarından biri olma yolunda her geçen gün daha fazla mesafe kat etmektedir. Bu kat edilen mesafe ile birlikte, hemen hemen hepimizin cebinde bir tuş ile rahatlıkla erişebileceği duruma evrilen yapay zeka, öncelikle bu erişilebilirlik özelliğinden dolayı her geçen gün daha farklı alanlara entegre edilmekte ve kullanımı yaygınlaşmaktadır. Yaygınlaşmanın ruh sağlığı alanına etki etmesi de özellikle son dönemlerde artan ruh sağlığı uzmanı ihtiyacı ile birlikte kaçınılmaz hale gelmektedir. Peki, bu entegrasyon sürecinde ortaya çıkabilecek olumlu ve olumsuz yönler neler, ve bunları bilmek bize nasıl katkı sağlayabilir?

Yapay Zekanın Sağlık Hizmetindeki Tarihçesi

Sağlık hizmetlerinin teşhis ve tanı aşaması, yapay zekadan faydalanmanın ilk örneklerinden biri olmuştur (Gültekin, M., 2022). Ruh sağlığı alanında objektif ölçümlerin tıbbın diğer alanlarına göre daha az oluşu psikiyatrik tanı ve teşhisi zorlaştırmaktadır (Gültekin, M., 2022). Bu zorluğu aşmak için teşhis ve tanı aşamalarında yapay zekadan faydalanılabileceği düşünülmektedir (Bedi vd., 2015; Hirschtritt & Insel, 2018). Yapay zeka yardımı ile sosyal anksiyetenin (Estabragh vd., 2013), depresyonun (Jan vd., 2018), otizmin (Abbas vd., 2020), obsesif-kompulsif bozukluğun (Sattler vd., 2018), yeme bozukluklarının teşhis edilebileceğini (Haynos vd., 2020) gösteren çalışmalar yayınlanmıştır.

Yapay Zeka Teknolojisinin Kullanımıyla Ortaya Çıkan Fırsatlar ve Oluşabilecek Olumsuzluklar

Ruh sağlığı hizmetlerinin temelinde insan vardır. İnsanın insanla yüz yüze etkileşimi, terapist ve danışan arasında kurulan anlamsal bağ ve empati geleneksel terapide önemlidir (Lambert & Barley, 2001). Buna karşın yapay zekanın kullanımıyla birlikte geleneksel ruh sağlığı hizmetlerinde köklü değişiklikler olacağı düşünülmektedir (Gültekin, 2022). Bu değişimlerin yaratabileceği fırsatlar ve psikolojik etkiler aşağıdaki gibi listelenebilir:

Fırsatlar  

• Coğrafi koşullar, kaynak veya uzman yetersizliği gibi sebeplerle ruh sağlığı hizmetlerinden faydalanamayan geniş bir popülasyonun ruh sağlığı hizmetlerine erişim sağlaması (Gültekin, 2022).  
• Sosyoekonomik koşulları düşük kesimlere terapi, danışmanlık ve destek hizmetleri sunulabilmesi (Kim vd., 2019).  
• Yapay zeka sisteminin verileri analiz ederek ruh sağlığı uzmanlarının daha hızlı ve doğru kararlar vermesine yardımcı olabilmesi (Luxton, 2016; McShane vd., 2012).  
• Uzmanlar üzerinde var olan iş yükünü azaltması.  
• Kişi başına düşen uzman sayısının az olması probleminin çözülmesine katkı sağlaması (Miner vd., 2019).  
• Sanal danışmanların zaman, mekân sınırlamalarını ortadan kaldırabilme yeteneği.  
• Belirli kaygılarla bir uzmana başvurmaktan çekinen kişilere daha rahat ulaşım sağlanabilmesi.  
• İleride görülebilecek bazı hastalıklarla alakalı öngörüde bulunma ve erken önlem alma imkânı sunması (Liang vd., 2019).  
• Dijital oyun oluşturma yetisi ile terapiyi danışan için daha eğlenceli hale getirmesi ve danışanın ihtiyaçlarına entegre edilebilir olması (Hudlicka, 2016).  
• Yalnız yaşayan yaşlı bireylerin sosyalleşme ve iletişim ihtiyaçlarının karşılanması, olumsuz duygu ve semptomların azalmasına ve fiziksel bakımlarına yardımcı olunması (Hung vd., 2019).  
• Terapötik müdahalelerde, gerçek durumlar yerine yapay zeka simülasyonlarının kullanılması ve bu yolla gerçek durumlarda kaynaklanabilecek risklerin minimalize edilmesi (Luxton, 2014).

Olumsuzluklar  

• Yapay zekanın insana özgü empatiden yoksun olması ve terapötik bağın kurulamaması (Gültekin, 2022).  
• Ön yargı ve ayrımcılık problemi: İnsanın algoritmaların inşa edicisi ya da veri sağlayıcısı konumunda olması sebebiyle çıktıların ön yargı ve ayrımcılık içerebilmesi problemi (Gültekin, 2022).  
• Sorumluluk problemi: Otonom çalışan yapay zekanın yanlış teşhis durumunda sorumlu tutulamayacak olması (Waldrop, 1987).  
• Yapay zeka kullanımında etik kılavuz eksikliği (Luxton, 2014).  
• Yapay zekanın danışanın elinde bulunan aktarılan bilginin kontrolü hakkını ihlal edebilmesi (Bennet & Doub, 2016).  
• Bilişsel ya da psikomotor becerileri desteklemek için insanlara implante edilebilen yapay zeka aparatlarının benlik algısını ne şekilde etkileyebileceği sorusunun net bir cevabı bulunmaması (Fiske vd., 2019; Luxton, 2014).  
• Yapay zeka kullanımına ilişkin uzmanların eğitim eksikliklerinin bulunması, danışanların sanal danışmanlara bağımlılık geliştirme tehlikesinin bulunması ve sanal ortamlarda edinilen becerilerin gerçek yaşam durumlarına entegre edilebilir olup olmadığı konusunun tartışmalı olması (Gültekin, 2022).

Sonuç

Yapay zeka, henüz yeni oluşu ve hâlâ tam olarak anlaşılamaması ile belirli tartışmalara yol açsa da, ruh sağlığı alanına olan entegrasyonu kaçınılmazdır. Yapılan her yenilik ve izlenen her yeni yol gibi, yapay zekanın entegrasyonunun da kendi içerisinde pozitif ve negatif yönleri bulunmaktadır. Bu yönlerin bilinmesi ve analizlerinin doğru şekilde gerçekleştirilmesi, ruh sağlığı alanında yapılacak yenilikçi hareketlerin önünü açarak toplum sağlığını koruma ve geliştirmede önemli bir basamak görevi görecektir.

Kaynakça  

• Gültekin, M. (2022). Yapay zekanın ruh sağlığı hizmetlerinde kullanımına ilişkin fırsatlar ve sorunlar. İnsan & Toplum, 12(3), 121–158.  
• Bedi, G., Carrillo, F., Cecchi, G. A., Slezak, D. F., Sigman, M., Mota, N. B., … & Corcoran, C. M. (2015). Automated analysis of free speech predicts psychosis onset in high-risk youths. NPJ Schizophrenia, 1, 15030.  
• Hirschtritt, M. E., & Insel, T. R. (2018). Digital technologies in psychiatry: Present and future. Focus, 16(3), 251–258.  
• McGinnis, E. W., Elabd, M., Lincoln, S. H., Crowley, M. J., & Silverman, W. K. (2019). Machine learning detects anxiety and depression in children using a mobile app. Journal of the American Academy of Child & Adolescent Psychiatry, 58(10), 1012–1020.  
• Estabragh, Z. R., Emami, H., Khosravi, A., & Mohammadi, M. R. (2013). Artificial neural network in predicting social anxiety disorder. Basic and Clinical Neuroscience, 4(4), 317–324.  
• Jan, R., Lin, Y. P., Wang, C. H., & Jung, T. P. (2018). Automatic classification of depression from EEG signals using deep learning techniques. Neural Computation, 30(10), 2820–2851.  
• Abbas, A., Garberson, F., Voss, C., & D’Mello, S. (2020). Multi-modal behavior profiles of children with autism spectrum disorder. Scientific Reports, 10, 13124.  
• Sattler, S., Mehlkop, G., Graeff, P., & Sauer, C. (2018). Artificial intelligence in the detection of obsessive-compulsive disorder: A review. Journal of Affective Disorders, 235, 105–114.  
• Haynos, A. F., Roberto, C. A., & Eddy, K. T. (2020). Machine learning applications in eating disorder research: A systematic review. International Journal of Eating Disorders, 53(4), 566–579.  
• Masri, M. D., & Jani, H. M. (2012). MeHDES: A mental health diagnostic expert system. Expert Systems with Applications, 39(14), 11504–11510.