Psikiyatri polikliniğine başvuran şizofreni tanılı hastaların ilaç tedavisine uyumunun yapay zekâ yöntemleriyle incelenmesi
Yükleniyor...
Tarih
2024
Yazarlar
Dergi Başlığı
Dergi ISSN
Cilt Başlığı
Yayıncı
Necmettin Erbakan Üniversitesi, Tıp Fakültesi
Erişim Hakkı
info:eu-repo/semantics/openAccess
Özet
Amaç: Şizofreni, düşünce, algı ve duygularda ciddi bozulmalara yol açan, kronik ve genellikle
yaşam boyu süren , hasta ve yakınlarının hayatları üzerinde belirgin olumsuz ve kısıtlayıcı
etkilere sahip ciddi ruhsal bir bozukluktur. Bu hastalarda tedavi uyumsuzluğu kötü prognozun
en önemli göstergelerinden biridir. Son dönemde sağlık alanı da olmak üzere pek çok alanda
yapay zekâ yöntemleri kullanılarak yeni yaklaşımlar denenmektedir. Bu çalışmada amacımız
kronik şizofreni hastalarında tedavi uyumunun yapay zekâ yöntemleri kullanılarak
değerlendirilmesidir.
Gereç ve Yöntem: N.E.Ü. Tıp Fakültesi Ruh Sağlığı ve Hastalıkları Anabilim Dalı ile
Beyhekim Eğitim ve Araştırma Hastanesi Ruh Sağlığı ve Hastalıkları Anabilim Dalı
polikliniklerine başvuran, DSM-5 tanı kriterlerine göre kronik şizofreni ve şizoaffektif
bozukluk tanısı almış, araştırmaya katılmak için bilgilendirilmiş onamı alınan ve çalışmaya
dahil edilme kriterlerini karşılayan 18-65 yaş aralığında 146 hasta çalışmaya dahil
edilmiştir.Katılımcılara Sosyodemografik Veri Formu, Tıbbi Tedaviye Uyum Oranı Ölçeği,
Calgary Depresyon Ölçeği, Pozitif ve Negatif Sendrom Ölçeği ve UKU Yan Etki
Değerlendirme Ölçeği uygulanmıştır. Aynı zamanda kaıtlımcıların ses kayıtları, tedavi
uyumunu belirlemek için hazırlanan 16 soruyu cevapladıkları sırada alınmıştır. Alınan ses
kayıtları, yüksek doğruluk oranına sahip açık kaynaklı bir konuşma metinleştirme yapay zekâ
modeli ile metne dönüştürülmüştür. Elde edilen metinler eğitim ve test verisi olarak ikiye
ayrılmış ve geliştirilen model test verisi ile analiz edilmiştir. Bu analizler sonucunda, şizofreni
hastalarının tedavi uyumunun yapay zekâ ile tespit edilip edilemeyeceği incelenmiştir.
Bulgular: Yapay zekâ modeli, tedavi uyumunu %85 doğruluk, %87 duyarlılık ve %81 özgüllük
ile tespit etmiştir. Modelin kesinlik değeri %90, F1 skoru ise %88 olarak hesaplanmıştır. Bu
bulgular, yapay zekâ modelinin tedavi uyumunu yüksek doğruluk ve güvenilirlikle tahmin
edebileceğini göstermektedir.
Sonuç: Bu çalışma, yapay zekâ yöntemlerinin şizofreni ve şizoaffektif bozukluk tanılı
hastalarda tedavi uyumunu yüksek doğruluk ve güvenilirlikle tespit edebileceğini göstermiştir.
Çalışmanın bulguları, yapay zekâ modellerinin klinik uygulamalarda tedavi uyumunun
değerlendirilmesinde etkili bir araç olarak kullanılabileceğini ortaya koymuştur. Tedavi
uyumunun belirlenmesi, hastaların tedavi süreçlerinin iyileştirilmesi ve bireysel tedavi
planlarının optimize edilmesi açısından önemli bir adımdır. Gelecekteki araştırmalar, daha
geniş hasta grupları ve farklı klinik ortamlarla bu bulguların doğrulanmasını sağlayabilir.
Objective: Schizophrenia is a severe mental disorder that leads to significant disruptions in thoughts, perceptions, and emotions. It is chronic and often lifelong, having notably negative and restrictive impacts on the lives of patients and their relatives. Treatment non-adherence is one of the most critical indicators of poor prognosis in these patients. Recently, new approaches using artificial intelligence methods have been explored in various fields, including healthcare. This study aims to evaluate treatment adherence in chronic schizophrenia patients using artificial intelligence methods. Methods: This study included 146 patients aged 18-65 years who were diagnosed with chronic schizophrenia and schizoaffective disorder according to DSM-5 criteria. These patients were admitted to the outpatient clinics of the Department of Psychiatry at N.E.U. Meram Faculty of Medicine and Beyhekim Training and Research Hospital, and provided informed consent to participate. Participants were assessed using the Sociodemographic Data Form, Medication Adherence Rating Scale, Calgary Depression Scale, Positive and Negative Syndrome Scale (PANSS), and UKU Side Effect Rating Scale. Additionally, voice recordings of the participants were obtained while they answered 16 questions designed to determine treatment adherence. The recordings were transcribed into text using a high-accuracy open-source speech-to-text artificial intelligence model. The resulting texts were divided into training and test datasets, and the developed model was analyzed using the test data. This analysis examined the reliability of detecting treatment adherence in schizophrenia patients using artificial intelligence. Results: The artificial intelligence model detected treatment adherence with an accuracy of 85%, a sensitivity of 87%, and a specificity of 81%. The precision of the model was calculated as 90%, and the F1 score was 88%. These findings indicate that the artificial intelligence model can predict treatment adherence with high accuracy and reliability. Conclusion: This study demonstrates that artificial intelligence methods can detect treatment adherence with high accuracy and reliability in patients with schizophrenia and schizoaffective disorder. The findings suggest that artificial intelligence models can be effectively utilized in clinical applications to evaluate treatment adherence. Identifying treatment adherence is crucial for improving patients' treatment processes and optimizing individualized treatment plans. Future research should aim to validate these findings with larger patient groups and in diverse clinical settings.
Objective: Schizophrenia is a severe mental disorder that leads to significant disruptions in thoughts, perceptions, and emotions. It is chronic and often lifelong, having notably negative and restrictive impacts on the lives of patients and their relatives. Treatment non-adherence is one of the most critical indicators of poor prognosis in these patients. Recently, new approaches using artificial intelligence methods have been explored in various fields, including healthcare. This study aims to evaluate treatment adherence in chronic schizophrenia patients using artificial intelligence methods. Methods: This study included 146 patients aged 18-65 years who were diagnosed with chronic schizophrenia and schizoaffective disorder according to DSM-5 criteria. These patients were admitted to the outpatient clinics of the Department of Psychiatry at N.E.U. Meram Faculty of Medicine and Beyhekim Training and Research Hospital, and provided informed consent to participate. Participants were assessed using the Sociodemographic Data Form, Medication Adherence Rating Scale, Calgary Depression Scale, Positive and Negative Syndrome Scale (PANSS), and UKU Side Effect Rating Scale. Additionally, voice recordings of the participants were obtained while they answered 16 questions designed to determine treatment adherence. The recordings were transcribed into text using a high-accuracy open-source speech-to-text artificial intelligence model. The resulting texts were divided into training and test datasets, and the developed model was analyzed using the test data. This analysis examined the reliability of detecting treatment adherence in schizophrenia patients using artificial intelligence. Results: The artificial intelligence model detected treatment adherence with an accuracy of 85%, a sensitivity of 87%, and a specificity of 81%. The precision of the model was calculated as 90%, and the F1 score was 88%. These findings indicate that the artificial intelligence model can predict treatment adherence with high accuracy and reliability. Conclusion: This study demonstrates that artificial intelligence methods can detect treatment adherence with high accuracy and reliability in patients with schizophrenia and schizoaffective disorder. The findings suggest that artificial intelligence models can be effectively utilized in clinical applications to evaluate treatment adherence. Identifying treatment adherence is crucial for improving patients' treatment processes and optimizing individualized treatment plans. Future research should aim to validate these findings with larger patient groups and in diverse clinical settings.
Açıklama
Anahtar Kelimeler
Şizofreni, Schizophrenia, Şizoaffektif Bozukluk, Schizoaffective Disorder, Tedavi Uyumu, Yapay Zekâ, Konuşma Metinleştirme, Artificial Intelligence, Büyük Dil Modelleri, Large Language Models, Treatment Adherence, Speech-to-Text
Kaynak
WoS Q Değeri
Scopus Q Değeri
Cilt
Sayı
Künye
Soylu, S. B. (2024). Psikiyatri polikliniğine başvuran şizofreni tanılı hastaların ilaç tedavisine uyumunun yapay zekâ yöntemleriyle incelenmesi. (Yayınlanmamış tıpta uzmanlık tezi) Necmettin Erbakan Üniversitesi, Tıp Fakültesi Dahili Tıp Bilimleri Bölümü Ruh Sağlığı ve Hastalıkları Anabilim Dalı, Konya.
