Dikkat Eksikliği ve Hiperaktivite Bozukluğu (DEHB), dünya genelinde milyonlarca insanı etkileyen yaygın bir nörogelişimsel farklılık. Doğru teşhis, bireylerin ihtiyaç duyduğu desteği alabilmesi için hayati önem taşıyor. Ancak mevcut tanı yöntemleri genellikle zaman alıcı ve tutarsız olabiliyor.
Güney Kore'den araştırmacılar, bu süreci hızlandırmak ve daha güvenilir hale getirmek için yapay zekayı kullanarak yenilikçi bir yöntem üzerinde çalıştı. Araştırmacılar, gözün arka kısmında yer alan retinanın fotoğraflarındaki özellikleri (fundus görüntüleri) inceleyerek, bu özellikler ile daha önce konulmuş DEHB tanıları arasındaki bağlantıyı öğrenen makine öğrenimi modelleri geliştirdi.
Çalışmada test edilen dört farklı makine öğrenimi modelinden en başarılı olanı, sadece göz görüntülerine bakarak DEHB tanısını %96,9'a varan doğrulukla tahmin etmeyi başardı.
Ekip, gözdeki kan damarlarının yoğunluğu, şekli, genişliği ve optik diskteki (göz sinirinin başlangıç noktası) belirli değişikliklerin, DEHB'ye işaret eden temel belirtiler olabileceğini buldu.
Uzun yıllardır DEHB ile ilişkili beyin bağlantılarındaki değişikliklerin gözlerde de iz bırakabileceği düşünülüyordu. Bu yeni bulgu, neye bakılması gerektiğini anlamamız halinde, bozukluğu tespit etmek için daha hızlı ve güvenilir bir yöntem sunabileceği anlamına geliyor.
Araştırmacılar yayımladıkları makalede, "Retina fundus fotoğrafları analizimizin, DEHB taraması ve görsel dikkat alanındaki yönetici işlev bozukluklarını belirlemede non-invaziv (girişimsel olmayan) bir biyomarker potansiyeli taşıdığını gösterdik" ifadelerini kullandı.
Yaklaşım, daha önce DEHB tanısı almış 323 çocuk ve ergen ile yaş ve cinsiyet olarak eşleştirilmiş, DEHB tanısı olmayan 323 kişilik başka bir grup üzerinde test edildi.
Araştırmacılar, yapay zeka sisteminin DEHB'yi tahmin etmede çeşitli ölçütlerde yüksek performans sergilediğini gördü. Sistem ayrıca, görsel seçici dikkatte görülen bozulmalar gibi bazı DEHB özelliklerini tespit etmede de başarılı oldu.
Son zamanlarda DEHB taraması için farklı yapay zeka ve makine öğrenimi teknikleri araştırılıyor; bunlar arasında alternatif göz taraması analizleri veya davranış testleri yer alıyor. Ancak bu yeni yöntem birkaç önemli avantaja sahip. Ham skorlar açısından en yüksek doğruluğa sahip olmasa da buna çok yakın ve en önemlisi uygulaması ve değerlendirmesi çok hızlı, ayrıca kolayca ölçeklendirilebilir bir yöntem.
Araştırmacılar, "Önceki yüksek doğruluklu modeller genellikle, her biri konuyu ayırt etmeye kademeli olarak katkıda bulunan çeşitli değişkenlere dayanıyordu" diyor ve ekliyor: "Bizim yaklaşımımız, yalnızca retina fotoğraflarına odaklanarak analizi basitleştiriyor. Bu tek kaynaklı veri stratejisi, modellerimizin netliğini ve kullanışlılığını artırıyor."
Araştırmacılar bir sonraki adımda, bu testleri daha geniş yaş aralıkları ve daha büyük gruplar üzerinde denemek istiyor. Bu çalışmadaki katılımcıların ortalama yaşı 9,5 idi ve yetişkinlerdeki DEHB'nin oldukça farklı şekillerde ortaya çıkabileceği biliniyor.
Sistemin kapsamını geliştirme konusunda da alan var: Örneğin, otizm spektrum bozukluğu (OSB) olanlar bu çalışmanın ana bölümünden dışlandı, ancak sonraki testler yapay zekanın OSB'yi DEHB'den ayırt etmede çok başarılı olmadığını gösterdi.
Son tahminler, yaklaşık her 20 kişiden birinin DEHB'ye sahip olduğunu gösteriyor; bu durum dikkat, dürtüsellik ve hiperaktivite ile ilgili zorlukları içerebilir. Bu, daha hızlı ve doğru bir tanının fark yaratabileceği çok sayıda birey anlamına geliyor.
Araştırmacılar, "Erken tarama ve zamanında müdahale, DEHB'li bireylerde sosyal, ailevi ve akademik işlevselliği iyileştirebilir" şeklinde belirtiyor.
