Travma sonrası stres bozukluğu, aynı tanı ölçütlerini karşılayan kişilerde çok farklı belirtilerle ortaya çıkabilir. Bir hastada travma hatırlatıcılarına karşı yoğun tehdit tepkisi öne çıkarken başka bir hastada kaçınma, duygusal uyuşma, dissosiyasyon, uyku bozukluğu veya düzenleme güçlüğü baskın olabilir. Bu heterojenlik, aynı tanıya sahip iki kişinin farklı tedavilere farklı yanıtlar vermesine yol açabilir.

Bu çalışma, gerçek zamanlı işlevsel manyetik rezonans görüntüleme ile yapay zekâ tabanlı görüntü işleme yöntemlerini birleştiren, klinisyen gözetimli bir araştırma çerçevesi önermektedir. Amaç fMRI görüntülerinden TSSB tanısı koymak değildir. Amaç; travma ipuçlarına verilen beyin tepkisini, güvenlik sinyallerinin işlenmesini, düzenleme kapasitesini ve nörogeribildirim sırasında hedef sinyalin değişip değişmediğini daha hızlı ve sistematik biçimde izlemektir.

Önerilen sistemde klinisyen önce klinik soruyu tanımlar. Hasta nötr, travmayla ilişkili, güvenlik ve düzenleme görevlerini yerine getirirken gerçek zamanlı fMRI verisi toplanır. Yapay zekâ; görüntü kalitesi kontrolü, hareket ve artefakt tespiti, anatomik hizalama, bölge ve ağ sinyali çıkarımı, zamansal örüntü modelleme, beyin durumu sınıflandırması ve belirsizlik puanlaması yapar. Sonuçlar tanı etiketi olarak değil, klinisyenin inceleyebileceği bir karar destek özeti olarak sunulur.

Çalışma iki özellikle dikkat çekmektedir. Birincisi, yapay zekânın tarama ile klinik yorum arasındaki süreyi kısaltmasıdır. İkincisi, görüntüleme verilerinin CAPS-5 puanları, travma öyküsü, dissosiyasyon, kaçınma, uyku, ilaç kullanımı, komorbiditeler ve klinik notlarla tek bir uzunlamasına hasta profilinde birleştirilmesidir.

Mevcut bulgular, TSSB hastalarının bazı hedef beyin sinyallerini nörogeribildirimle değiştirmeyi öğrenebildiğini göstermektedir. Ancak sham kontrollü çalışmalar, bu sinyal kontrolünün belirtileri plasebo veya sahte geri bildirime göre daha fazla azalttığını henüz güvenilir biçimde göstermemiştir. Bu nedenle yapay zekâ destekli gerçek zamanlı fMRI, yerleşik TSSB tedavilerinin yerine geçebilecek bir yöntem değil; araştırma aşamasındaki yardımcı bir klinik karar destek ve nörogeribildirim yaklaşımıdır.

Detaylı Açıklama

Çalışmanın temel problemi nedir?

TSSB tanısı klinik görüşme, yapılandırılmış değerlendirme ve klinisyen yargısına dayanır. DSM-5-TR ölçütleri; travmaya maruz kalma, istemsiz yeniden yaşantılama, kaçınma, biliş ve duygudurum değişiklikleri, uyarılma artışı, süre, işlev kaybı ve eşlik eden durumları değerlendirir.

Bu yaklaşım gereklidir ve çalışma tarafından sorgulanmamaktadır. Sorun, aynı tanının çok farklı belirti kombinasyonlarıyla karşılanabilmesidir. Makalede aktarılan bir hesaplamaya göre TSSB ölçütleri 600 binden fazla farklı belirti kombinasyonuyla karşılanabilir.

Bu nedenle aynı TSSB tanısını taşıyan iki kişide şu özellikler farklı olabilir:

• Travma ipuçlarına verilen tehdit tepkisinin şiddeti,
• travma ipucu sona erdikten sonra başlangıç düzeyine dönüş hızı,
• güvenlik işaretlerini işleyebilme kapasitesi,
• duygu düzenleme başarısı,
• dissosiyasyon düzeyi,
• kaçınma davranışı,
• uyku ve uyarılma örüntüsü,
• psikoterapi veya ilaç tedavisine yanıt.

Çalışmanın yanıt aradığı soru şudur: fMRI, TSSB tanısı koymak yerine klinik açıdan anlamlı görevler sırasında ortaya çıkan beyin durumlarını izleyerek tedavi planlamasını destekleyebilir mi?

Neden özellikle gaziler ve ilk müdahale ekipleri?

Gaziler, itfaiyeciler, sağlık acil müdahale ekipleri, arama-kurtarma çalışanları ve kolluk görevlileri çoğu zaman tek bir travmatik olay değil, meslek yaşamına yayılan tekrarlayıcı travmalarla karşılaşır.

Bu travmalar:

• Mesleki görevle iç içe olabilir,
• kişinin kimlik ve sorumluluk duygusuyla bağlantılı olabilir,
• meslektaş kaybı, ölüm, ağır yaralanma ve sürekli tehdit içerebilir,
• tedavi sonrasında bile devam eden görev ortamıyla ilişkili olabilir.

Bu nedenle yalnızca bir semptom toplam puanı değil, travma ipuçlarına verilen anlık tepki, güvenlik işleme ve düzenleme kapasitesi gibi mekanizma düzeyindeki sinyallerin incelenmesi bu gruplarda araştırma açısından özellikle anlamlı olabilir.

Gerçek zamanlı fMRI nedir?

İşlevsel manyetik rezonans görüntüleme, doğrudan nöron ateşlenmesini ölçmez. Ölçülen sinyal, nöral etkinliğin ardından gelişen kan akımı ve oksijenlenme değişikliklerine dayanan BOLD sinyalidir.

BOLD, İngilizce blood oxygen level-dependent ifadesinin kısaltmasıdır. Belirli bir beyin bölgesindeki etkinlik değiştiğinde oksijenli ve oksijensiz kan oranı da değişir. MRI bu hemodinamik değişimi dolaylı bir işaret olarak kaydeder.

Çalışmanın mantığını açıklamak için BOLD sinyali genel olarak şu ilişkiyle düşünülebilir:

\[ \Delta S_{\mathrm{BOLD}} \propto f(\text{kan akımı},\ \text{kan hacmi},\ \text{oksijen tüketimi}) \]

Burada:

• ΔS_BOLD, ölçülen BOLD sinyali değişimini,
• kan akımı, ilgili bölgeye ulaşan serebral kan akımını,
• kan hacmi, bölgedeki damar içi hacim değişimini,
• oksijen tüketimi, metabolik etkinlikle ilişkili oksijen kullanımını ifade eder.

Bu denklem çalışma metninde verilmiş özel bir matematiksel model değildir; BOLD sinyalinin doğrudan düşünce veya anı okuma değil, nörovasküler eşleşmeye dayalı dolaylı bir ölçüm olduğunu açıklamak amacıyla sunulmuştur.

Gerçek zamanlı fMRI’de görüntüler seans bittikten sonra haftalar sonra analiz edilmez. Tarama sürerken gelen görüntü hacimleri işlenir ve belirlenen bölge, ağ veya örüntüye ilişkin bilgi hastaya veya klinisyene geri bildirilir.

Gerçek zamanlı fMRI neyi yapamaz?

Çalışma özellikle aşırı yorumlamaya karşı uyarıda bulunmaktadır. Gerçek zamanlı fMRI:

• Düşünceleri okumaz.
• Travmatik anının içeriğini çözmez.
• Tek başına TSSB tanısı koymaz.
• Bir beyin görüntüsünden kişinin tehlikeli olup olmadığını belirlemez.
• Bir bölgenin yüksek etkinliğini tek başına hastalık kanıtı olarak göstermez.
• Klinik görüşme ve yapılandırılmış değerlendirmelerin yerine geçmez.

fMRI sinyali, ancak önceden tanımlanmış bir görev ve karşılaştırma bağlamında anlam kazanır. Örneğin travma ipucu sunulurken ölçülen sinyal, nötr ipucu veya başlangıç düzeyiyle karşılaştırılmadan yorumlanamaz.

Önerilen çerçevenin dört katmanı

Makalenin 4. sayfasındaki Şekil 1, klinisyen gözetimli iş akışını birbirine bağlı dört ana katman olarak sunmaktadır.

1. Klinik soru katmanı

Psikiyatrist veya travma klinisyeni taramanın neyi araştıracağını belirler. Olası sorular şunlardır:

• Travma ipucuna aşırı tepki var mı?
• İpucu sona erdiğinde sinyal başlangıç düzeyine dönüyor mu?
• Güvenlik ipucu düzenleyici sistemleri devreye sokuyor mu?
• Hasta aktif düzenleme stratejisi uyguladığında hedef sinyal değişiyor mu?
• Nögeribildirim için hangi beyin bölgesi veya ağı daha uygun hedef olabilir?

2. Görevle uyarılmış görüntüleme katmanı

Hasta tarama sırasında nötr, travmayla ilişkili, güvenlik, olumlu otobiyografik anı ve düzenleme bloklarına maruz kalabilir.

Bu bloklar rastgele görsellerden oluşmamalıdır. Travma içeriği klinisyen tarafından onaylanmalı, güvenlik sınırları tanımlanmalı ve hastanın toleransına göre düzenlenmelidir.

3. Yapay zekâ görüntü işleme katmanı

Yapay zekâ gelen görüntü akışını temizler, hizalar, özetler ve geçici beyin durumu tahminleri üretir.

4. Klinik yorum katmanı

Klinisyen görüntüleme çıktısını semptomlar, travma öyküsü, işlevsellik, risk, hastanın değerleri ve önceki tedavi yanıtıyla birlikte yorumlar.

Çalışmanın özlü ayrımı şudur: Yapay zekâ görüntü akışını işler; klinisyen hastayı yorumlar.

Yapay zekâ tam olarak hangi görevleri üstleniyor?

Hangi beyin bölgeleri ve ağları izlenebilir?

Çalışma tek bir “TSSB bölgesi” bulunduğunu savunmamaktadır. TSSB ile ilişkili bilgi, birden fazla bölge ve ağ boyunca dağılmış olabilir.

Aday yapılar şunlardır:

• Amigdala: Tehdit ve duygusal önem taşıyan ipuçlarına yanıtla ilişkilidir.
• Hipokampus: Bağlamsal bellek ve olayın ne zaman, nerede gerçekleştiğinin ayırt edilmesiyle ilişkilidir.
• Ventromedial prefrontal korteks: Tehdit tepkisinin düzenlenmesi ve güvenlik öğrenmesiyle ilişkilendirilebilir.
• Dorsal anterior singulat korteks: Çatışma, hata, tehdit ve bilişsel kontrol süreçlerinde rol oynayabilir.
• İnsula: Bedensel durumların ve içsel duyumların fark edilmesiyle ilişkilidir.
• Salience ağı: Hangi uyaranın önemli olduğunu belirleyen süreçlerle bağlantılıdır.
• Varsayılan mod ağı: Kendilikle ilişkili düşünme, otobiyografik bellek ve içsel zihinsel süreçlerle ilişkilidir.
• Merkezi yürütücü ağ: Çalışma belleği, bilişsel kontrol ve düzenleme süreçleriyle ilişkilidir.

Bu bölgelerden birinin yüksek veya düşük etkinliği tek başına TSSB kanıtı değildir. Klinik olarak savunulabilir bir model; bölgesel etkinlik, ağ bağlantısı, zaman içindeki değişim ve kişiye özgü başlangıç düzeyini birlikte değerlendirmelidir.

Beyin durumu nasıl sınıflandırılabilir?

Çalışma kesin bir üretim algoritması tanımlamamakla birlikte, görev tanımlı örüntülerin şu sınıflara ayrılabileceğini önermektedir:

• Nötr benzeri,
• tehdit reaktif,
• kalıcı biçimde düzensiz,
• başarıyla düzenlenmiş,
• düşük güvenli veya yorumlanamaz.

Bir sınıflandırıcının genel yapısı açıklama amacıyla şu biçimde gösterilebilir:

\[ \hat{y}_t = f(X_t,\ X_{t-1},\ B,\ Q) \]

Burada:

• ŷ_t, t anındaki tahmini beyin durumunu,
• X_t, güncel bölge ve ağ özelliklerini,
• X_t-1, önceki zaman noktalarındaki sinyal örüntülerini,
• B, hastanın kişisel başlangıç düzeyini,
• Q, görüntü kalitesi ve hareket gibi güvenilirlik değişkenlerini ifade eder.

Bu formül makalede verilmiş bir model denklemi değildir; önerilen zamansal ve kalite duyarlı sınıflandırma mantığını açıklamaktadır.

Belirsizlik neden sonuç kadar önemlidir?

Tıbbi yapay zekâ sistemleri, kesin görünümü olan renkli grafikler ve güven puanları üretebilir. Ancak zayıf veri üzerine kurulmuş yüksek güvenli bir çıktı tehlikeli olabilir.

Çalışma, sistemin gerektiğinde şu sonuçları verebilmesini şart koşmaktadır:

• Düşük güven,
• hareket nedeniyle yorumlanamaz,
• sinyal düşmesi nedeniyle kullanılamaz,
• görev uyumu yetersiz,
• sınıflandırma için kanıt yetersiz.

Bir sınıflandırma olasılığının güveni basit biçimde şu şekilde düşünülebilir:

[ C = 1-U ]

Burada:

• C, model güvenini,
• U, tahmin belirsizliğini temsil eder.

Bu ilişki açıklama amacıyla verilmiştir. Gerçek uygulamada belirsizlik; kalibrasyon, tahmin dağılımı, veri dışılık, hareket ve görüntü kalitesi gibi çok sayıda bileşenden hesaplanmalıdır.

Yorumlama süresini nasıl kısaltabilir?

Geleneksel fMRI analizinde tarama sonrasında görüntülerin temizlenmesi, hizalanması, modellenmesi ve raporlanması uzun sürebilir. Gerçek zamanlı yapay zekâ katmanı bu işlemlerin bir bölümünü görüntüler gelirken yapabilir.

Otomatikleştirilebilecek aşamalar şunlardır:

• Kalite kontrol,
• hareket düzeltme ve uyarı,
• anatomik hizalama,
• hedef bölge sinyal çıkarımı,
• görev bloklarıyla zaman eşleme,
• ön sınıflandırma,
• güven ve artefakt raporu,
• klinik özet ekranı.

Böylece klinisyen ham görüntü akışını yorumlamak zorunda kalmaz. Travma ipucu veya düzenleme bloğundan hemen sonra özetlenmiş, güven puanlı bir çıktı görebilir.

Ancak çalışma önemli bir uyarı yapmaktadır: Daha hızlı çıktı, klinik yarar kanıtı değildir. Dış doğrulaması yapılmamış bir model yalnızca hatayı daha hızlı üretebilir.

Standartlaştırma neden kritik?

fMRI sonuçlarındaki değişkenliğin bir bölümü hastadan değil, teknik tercihlerden kaynaklanır:

• Tarayıcı modeli,
• manyetik alan gücü,
• çekim parametreleri,
• hareket düzeltme yöntemi,
• ön işleme adımları,
• gürültü filtreleme,
• bölge tanımlama,
• sınıflandırma eşiği.

Çalışma BIDS veri standardı ve fMRIPrep gibi tekrarlanabilir ön işleme araçlarının kullanılmasını önermektedir. Böylece farklı seanslarda ve merkezlerde aynı adımlar uygulanabilir.

“Tehdit reaktif” etiketi bir merkezde hareketli ve düşük kaliteli veriyle, başka bir merkezde yüksek kaliteli veriyle üretiliyorsa iki sonucun aynı klinik anlamı taşıdığı varsayılamaz.

Klinik kayıtlarla görüntüleme verisi nasıl birleştirilebilir?

Çalışmanın en yenilikçi önerilerinden biri, fMRI çıktısının tek başına tutulmaması; psikiyatristin klinik belgeleriyle birleştirilmesidir.

Birleştirilebilecek bilgiler şunlardır:

• CAPS-5 toplam ve alt ölçek puanları,
• travma öyküsü,
• kaçınma davranışları,
• dissosiyasyon belirtileri,
• uyku ve kabus bilgileri,
• intihar riski,
• eşlik eden depresyon, madde kullanımı veya ağrı,
• ilaç ve psikoterapi geçmişi,
• işlevsellik ve yaşam kalitesi,
• travma ipuçlarına verilen görevle uyarılmış beyin tepkisi.

Doğal dil işleme, serbest metin klinik notlarından anlamlı belirtileri çıkarabilir. Çalışmada aktarılan bir araştırmada 38.807 TSSB hastasına ait 5,67 milyon klinik not üzerinde çalışan dönüştürücü tabanlı NLP sistemi, travma ipucuna tepki ve madde kullanımı gibi alanları en az %80 F1 performansıyla belirleyebilmiştir.

F1 puanı ne anlama gelir?

F1 puanı, kesinlik ve duyarlılığın harmonik ortalamasıdır:

\[ F1 = 2 \times \frac{\text{Kesinlik} \times \text{Duyarlılık}}{\text{Kesinlik}+\text{Duyarlılık}} \]

Burada:

• Kesinlik: Modelin pozitif dediği örneklerin ne kadarının gerçekten pozitif olduğunu,
• Duyarlılık: Gerçek pozitif örneklerin ne kadarının model tarafından bulunduğunu ifade eder.

F1’in yüksek olması, modelin hem yanlış pozitifleri hem de kaçırılan gerçek pozitifleri belirli ölçüde dengeli tuttuğunu gösterir. Ancak klinik notlardan belirli kavramları çıkarmak, hastaya tanı koymakla aynı şey değildir.

Birleşik hasta profilinin amacı nedir?

Görüntüleme ve klinik metin tek bir zaman çizelgesinde birleştirildiğinde her tarama, yapıldığı klinik bağlamla birlikte yorumlanabilir.

Örneğin:

• CAPS-5 puanı azalırken travma ipucu reaktivitesi de azalıyor mu?
• Hasta kendini daha iyi bildirmesine rağmen düzenleme ağı değişmiyor mu?
• Beyin sinyali değişiyor ancak işlevsellik aynı mı kalıyor?
• Nögeribildirim hedefi kontrol edilebiliyor fakat kabuslar ve kaçınma sürüyor mu?

Bu eşleşmeler, sinyal değişiminin gerçekten klinik iyileşmeyle ilişkili olup olmadığını değerlendirmeye yardımcı olabilir.

Nögeribildirim nasıl çalışır?

Nögeribildirim sırasında hasta, belirlenen bir beyin sinyaline bağlı basit görsel veya işitsel geri bildirim alır. Örneğin ekrandaki bir çubuğun yüksekliği, hedef bölgedeki BOLD sinyaline bağlı olabilir.

Hasta belirli bir zihinsel strateji kullanarak çubuğu yükseltmeye veya düşürmeye çalışır. Amaç, hedef sinyali gönüllü olarak düzenlemeyi öğrenmektir.

Bir nörogeribildirim sinyali açıklama amacıyla şu biçimde normalleştirilebilir:

\[ NF_t = \frac{S_t-S_{\mathrm{baseline}}}{\sigma_{\mathrm{baseline}}} \]

Burada:

• NF_t, t anındaki normalleştirilmiş geri bildirim değerini,
• S_t, hedef bölge veya ağdaki güncel sinyali,
• S_baseline, kişiye özgü başlangıç ortalamasını,
• σ_baseline, başlangıç dönemindeki sinyal değişkenliğini ifade eder.

Bu denklem makaledeki özel bir protokol değil, kişiye özgü başlangıç düzeyine göre geri bildirim üretme mantığını açıklamaktadır.

Hangi nörogeribildirim hedefleri düşünülebilir?

• Travma hatırlama sırasında amigdala tepkisi,
• prefrontal bölgelerin tehdit yanıtını düzenleme kapasitesi,
• insula ve salience ağı etkinliği,
• posterior singulat ve varsayılan mod ağı,
• hipokampal bağlamsal işleme,
• salience ve yürütücü ağlar arasındaki bağlantı.

Çalışma, her hastaya aynı amigdala hedefinin verilmesi yerine semptom ve görüntüleme profilinin birlikte değerlendirilerek hedef seçilmesini önermektedir.

Mevcut kanıt ne kadar güçlü?

Mevcut çalışmalar üç farklı düzeyde değerlendirilmelidir.

Teknik uygulanabilirlik: Hastaların tarama sırasında geri bildirim alması ve bazı hedef sinyalleri değiştirmeyi öğrenmesi mümkündür.

Nöral öğrenme: Bazı çalışmalarda aktif gruplar hedef beyin sinyalini sham gruplardan daha iyi düzenleyebilmiştir.

Klinik belirti iyileşmesi: Kontrollü çalışmalar, hedef sinyal kontrolünün TSSB belirtilerini sham geri bildirime göre güvenilir biçimde daha fazla azalttığını henüz göstermemiştir.

Özellikle çift kör randomize bir amigdala aşağı düzenleme çalışmasında aktif grup amigdala kontrolünü geliştirmiş, ancak belirti azalması sham grubundan üstün bulunmamıştır.

2025 tarihli sistematik derleme ise kontrollü fMRI-nögeribildirim kanıtını sonuçsuz ve güven düzeyi çok düşük olarak değerlendirmiştir.

Sinyali değiştirmek neden iyileşmek anlamına gelmez?

Bir hasta tarama sırasında belirli bir beyin sinyalini değiştirmeyi öğrenebilir. Ancak bu değişim şu nedenlerle klinik iyileşmeye dönüşmeyebilir:

• Hasta yalnızca görevi öğrenmiş olabilir.
• Değişim tarayıcı dışında sürmeyebilir.
• Hedef bölge hastanın baskın klinik mekanizması olmayabilir.
• Plasebo ve beklenti etkileri bulunabilir.
• Semptomlar tek bir ağdan değil çoklu süreçlerden kaynaklanabilir.
• Ölçülen değişim teknik gürültü veya hareketle ilişkili olabilir.

Bu nedenle gerçek başarı ölçütü yalnızca hedef sinyalin değişmesi değil; CAPS-5, işlevsellik, uyku, kaçınma, yaşam kalitesi ve uzun dönem takipte anlamlı iyileşmedir.

Hasta güvenliği nasıl sağlanmalı?

Travma ipuçları semptomları geçici olarak artırabilir. MRI ortamı da klostrofobi ve fiziksel güvenlik riskleri taşıyabilir.

Tarama öncesinde şu değerlendirmeler yapılmalıdır:

• İntihar riski,
• akut dissosiyasyon,
• psikoz,
• akut madde etkisi,
• şiddetli klostrofobi,
• MRI ile uyumsuz implant,
• akut destabilizasyon,
• travma ipuçlarına tolerans.

Tarama sırasında ve sonrasında:

• Durdurma işareti,
• anlık sıkıntı puanlaması,
• klinik izlem,
• grounding uygulamaları,
• debriefing,
• yan etki kaydı,
• gerekirse seansı sonlandırma protokolü bulunmalıdır.

Uzunlamasına takip neden gerekli?

Tek bir tarama yalnızca o günkü durumu gösterir. Çalışma, her seansın klinik bağlamıyla birlikte kaydedildiği uzunlamasına bir profil önermektedir.

Takip edilebilecek değişimler şunlardır:

• Travma ipucu reaktivitesinin azalması,
• başlangıç düzeyine dönüşün hızlanması,
• güvenlik ipuçlarına yanıtın güçlenmesi,
• düzenleme başarısının artması,
• görüntüleme değişiminin CAPS-5 değişimiyle ilişkisi,
• işlevsellik ve yaşam kalitesindeki değişim.

Ancak farklı seansların karşılaştırılabilmesi için tarayıcı, görev, ön işleme, hareket eşiği ve model sürümü standartlaştırılmalıdır.

Çalışmanın önerdiği doğrulama yol haritası

Teknik ve bilimsel sınırlılıklar

• Özgün veri yoktur: Makale yeni hasta verisi, deney veya klinik sonuç sunmamaktadır.
• Sistematik derleme değildir: Kaynaklar hedefli biçimde seçilmiş, formal risk değerlendirmesi veya meta-analiz yapılmamıştır.
• Tanısal biyobelirteç yoktur: TSSB için bireysel düzeyde doğrulanmış fMRI biyobelirteci bulunmamaktadır.
• BOLD dolaylıdır: Ölçüm doğrudan nöral ateşlemeyi değil hemodinamik değişimi gösterir.
• Hareket duyarlılığı: Küçük baş hareketleri bile bağlantı analizinde sahte ilişkiler oluşturabilir.
• Heterojenlik: Travma türü, komorbidite, ilaç kullanımı ve görev tasarımı sonuçları değiştirebilir.
• Dış doğrulama eksikliği: Modeller farklı hastane, tarayıcı ve nüfuslarda aynı performansı göstermeyebilir.
• Tedavi kanıtı sınırlıdır: Sham kontrollü veriler belirti iyileşmesini doğrulamamıştır.
• Gizlilik riski: Travma öyküsü, klinik notlar ve beyin görüntülerinin birleştirilmesi hassas veri riskini artırır.
• Maliyet ve erişim: MRI, gerçek zamanlı altyapı ve eğitimli personel maliyetlidir.
• Klinisyen eğitimi: Sonuçları aşırı yorumlamamak için görüntüleme ve yapay zekâ okuryazarlığı gerekir.

Gizlilik neden özel önem taşıyor?

Birleşik hasta profili yalnızca fMRI görüntüsü içermez. Travma anlatısı, intihar riski, ilaç geçmişi, psikiyatrik notlar ve yapay zekâ tahminleri aynı sistemde toplanabilir.

Bu nedenle şu güvenlik unsurları gereklidir:

• Yetkilendirilmiş erişim,
• şifreli saklama ve aktarım,
• denetim kayıtları,
• gerektiğinde kimliksizleştirme,
• model erişim kontrolü,
• veri kullanım amacının açık onamda belirtilmesi,
• model güncellemelerinin izlenmesi.

Çalışmanın güçlü yönleri

• Yapay zekâyı tanı koyan otorite olarak değil, klinisyen gözetimli işleme katmanı olarak konumlandırmaktadır.
• Tek bir beyin bölgesi yerine dağıtık ağ örüntülerini vurgulamaktadır.
• Görüntü kalitesi ve belirsizliğin sınıflandırma kadar görünür olmasını istemektedir.
• Tarama ile klinik yorum arasındaki süreyi azaltma işlevini açık biçimde tanımlamaktadır.
• Görüntüleme ile klinik metni tek bir uzunlamasına profilde birleştirmeyi önermektedir.
• Travma ipucu güvenliği, dissosiyasyon ve yan etki takibini iş akışına dahil etmektedir.
• CLAIM, TRIPOD+AI ve CONSORT-AI gibi raporlama çerçevelerini dikkate almaktadır.
• Klinik iyileşme ile yalnızca hedef sinyal kontrolünü açıkça ayırmaktadır.
• Aşamalı ve dış doğrulamaya dayalı bir araştırma yol haritası sunmaktadır.

Çalışma ne söylüyor?

• Gerçek zamanlı fMRI ve yapay zekâ bileşenleri teknik olarak kapalı döngü bir araştırma sistemi kurmaya yeterlidir.
• Yapay zekâ görüntü kalitesi, hareket, hizalama, sinyal çıkarımı ve geçici beyin durumu sınıflandırmasında kullanılabilir.
• Çıktıların belirsizlik ve kalite uyarılarıyla birlikte gösterilmesi gerekir.
• Görüntüleme sonuçları klinik kayıtlarla birleştirildiğinde tedavi hedefi seçimine yardımcı olabilir.
• Bazı hastalar nörogeribildirimle hedef sinyali değiştirmeyi öğrenebilir.
• Mevcut kanıt, TSSB belirtilerinde sham kontrollü üstünlük göstermemektedir.
• Yakın dönem hedefi otomatik tanı değil, araştırma ve klinik karar desteğidir.

Çalışma ne söylemiyor?

• fMRI ile TSSB tanısı konabileceğini söylemiyor.
• Yapay zekânın psikiyatristin yerini alabileceğini söylemiyor.
• Beyin görüntüsünün travmatik anıyı okuyabileceğini iddia etmiyor.
• Nögeribildirimin standart TSSB tedavilerinden üstün olduğunu göstermiyor.
• Hedef sinyal değişiminin kalıcı iyileşme anlamına geldiğini söylemiyor.
• Önerilen sistemin klinikte doğrulanmış bir cihaz olduğunu göstermiyor.
• Tek bir evrensel TSSB biyobelirteci bulunduğunu savunmuyor.
• Psikoterapi veya ilaç tedavisinin yerine geçmesini önermiyor.

Bugün açısından önemi

Çalışmanın en önemli katkısı, yapay zekâ ve beyin görüntüleme konusunda gerçekçi bir sınır çizmesidir. Sistem, hastaya “TSSB var” veya “TSSB yok” demek için değil; belirli görevler sırasında ölçülen mekanizma düzeyindeki değişimleri klinisyen için düzenlemek amacıyla tasarlanmaktadır.

Bu yaklaşım, yapay zekânın psikiyatride en güvenli kullanım alanlarından birini temsil edebilir: ham ve karmaşık veriyi klinisyenin inceleyebileceği, gerekçesi ve belirsizliği görünür bir özete dönüştürmek.

Gelecek açısından önemi

Yeterli doğrulama yapılırsa sistem gelecekte şu amaçlara hizmet edebilir:

• Kişiye özgü nörogeribildirim hedefi seçme,
• travma ipucu reaktivitesini seanslar boyunca izleme,
• güvenlik öğrenmesi ve düzenleme kapasitesini karşılaştırma,
• tedaviye erken yanıt vermeyen mekanizmaları belirleme,
• klinik ve görüntüleme verisini ortak bir zaman çizelgesinde değerlendirme,
• araştırmalarda hasta alt gruplarını daha mekanizma odaklı tanımlama.

Ancak bunun için çok merkezli dış doğrulama, sham kontrollü randomize çalışmalar, hasta merkezli sonuçlar, maliyet analizi ve güçlü veri güvenliği gereklidir.

Çalışmanın Yöntemi ve Bulguları

Çalışma tasarımının teknik özeti

Önerilen iş akışı

1. Klinisyen klinik soruyu belirler.
2. DSM-5-TR ve CAPS-5 temelli değerlendirme yapılır.
3. MRI güvenliği, intihar riski, dissosiyasyon ve akut destabilizasyon taranır.
4. Nötr, travma, güvenlik, olumlu anı ve düzenleme görevleri planlanır.
5. Gerçek zamanlı fMRI verisi toplanır.
6. Yapay zekâ görüntü kalitesi ve hareket kontrolü yapar.
7. Görüntüler anatomiye hizalanır.
8. Bölge ve ağ düzeyindeki BOLD sinyalleri çıkarılır.
9. Zamansal değişim ve toparlanma modeli oluşturulur.
10. Beyin durumu geçici sınıflar ve belirsizlikle birlikte tahmin edilir.
11. Klinisyen sonuçları semptomlar ve klinik bağlamla birlikte yorumlar.
12. Uygunsa nörogeribildirim hedefi seçilir.
13. Seans sonrası sıkıntı, tolerans ve yan etkiler değerlendirilir.
14. Sonuçlar uzunlamasına hasta profiline eklenir.

Kanıt durumunun teknik özeti

Başlıca güvenlik ilkeleri

• Tanı klinisyen tarafından konulmalıdır.
• Sistem “yorumlanamaz” çıktı üretebilmelidir.
• Hareket ve sinyal kalitesi açıkça gösterilmelidir.
• Travma ipuçları klinisyen onayından geçmelidir.
• Hastanın seansı durdurma hakkı bulunmalıdır.
• Dissosiyasyon ve semptom artışı izlenmelidir.
• Belirsizlik, sınıflandırma etiketi kadar görünür olmalıdır.
• Klinisyen model kararının temelini inceleyebilmelidir.
• Klinik metin ve görüntü verileri yüksek güvenlikle korunmalıdır.

Gelecek araştırmalar için ölçülmesi gereken sonuçlar

• CAPS-5 değişimi,
• işlevsellik,
• uyku ve kabus sıklığı,
• kaçınma davranışı,
• sıkıntıdan toparlanma süresi,
• yaşam kalitesi,
• yan etki ve tolerans,
• hedef sinyal kontrolünün uzun süreli korunması,
• farklı tarayıcı ve merkezlerde model performansı,
• maliyet ve klinik uygulanabilirlik.

Kaynak ve Yöntem Notu

Bu içerik, Valeriana Colón tarafından hazırlanan “AI-Enabled Real-Time fMRI for PTSD: A Translational Framework for Clinician-Supervised Brain-State Detection and Neurofeedback” başlıklı çalışmaya dayanmaktadır.

Çalışma SSRN üzerinde yayımlanan bir preprint kavramsal translasyonel derlemedir. Metinde açıkça “This preprint research paper has not been peer reviewed” ifadesi bulunmaktadır. Bu nedenle çalışma hakem değerlendirmesinden geçmemiştir.

Makale yeni hasta verisi, özgün klinik deney, sistematik derleme, meta-analiz veya tıbbi cihaz doğrulaması sunmamaktadır. PubMed/MEDLINE, Google Scholar, federal kılavuzlar ve tıbbi yapay zekâ raporlama standartlarından seçilen kaynaklara dayalı bir klinik iş akışı önermektedir.

Önerilen sistem TSSB tanısı koymak üzere tasarlanmamıştır. TSSB tanısının DSM-5-TR ölçütleri, CAPS-5 gibi yapılandırılmış değerlendirmeler ve klinisyen yargısına dayanması gerektiği açıkça belirtilmiştir.

Gerçek zamanlı fMRI BOLD sinyalini ölçer; doğrudan nöral ateşlemeyi, düşünceleri veya travmatik anı içeriğini okumaz. Görüntüleme sonuçları yalnızca önceden tanımlanmış görev bağlamında ve kalite ile belirsizlik bilgileriyle birlikte yorumlanmalıdır.

Mevcut çalışmalar bazı hastaların hedef beyin sinyalini nörogeribildirimle değiştirebildiğini göstermektedir. Ancak sham kontrollü veriler, bu yeteneğin TSSB belirtilerinde üstün klinik iyileşme oluşturduğunu doğrulamamıştır. Bu nedenle yöntem standart psikoterapi veya farmakoterapinin yerine geçmemektedir.

Bu makale yalnızca yüklenen çalışmadaki kavramsal çerçeve, tablolar, görsel iş akışı, yazar yorumları ve sınırlılıklar esas alınarak hazırlanmıştır. PDF’de bulunmayan tanısal doğruluk, tedavi başarısı, klinik üstünlük, otomatik tanı, düşünce okuma veya rutin klinik kullanıma hazır olma iddiası eklenmemiştir.