İki Teknolojik Bileşen
20. Yüzyıl’da elektronik teknolojisi ve Bilgisayar Bilimleri temellerini belirleyen destekleyici alanlardaki (Matematik, Modern Mantık…vs.) hızlı ilerlemeler; bilgisayar adı verilen devrimsel teknolojisinin icat edilmesine olanak sağlamıştır. Dijital ortamdaki bilgiyi daha hızlı işleyebilme ve depolayabilme gibi özellik ve işlevler, -insanlarda dezavantaj olarak görebileceğimiz bilgi işleme ve depolamadaki kısıtlar nedeniyle- bilgisayar teknolojisinin büyük ivme kazanmasına ve farklı yenilikçi teknolojilerin oluşturulması noktasında farklı olanaklar yaratmasına fırsat vermiştir. Bilgiyi yerinde işleme beraberinde bilgiyi paylaşma, bir noktadan başka bir noktaya iletme ve işbirlikçi çalışma gibi ihtiyaçlar, yine bir başka devrimsel araç olan İnternet‘in ortaya çıkmasına neden olmuştur. İnternet, GSM gibi kablosuz iletişim çözümlerinin ortaya çıkması ve mobil cihazların yükselişiyle beraber çok daha farklı noktalara ulaşıp, sıradan bir hale gelse de (en azından yeni nesillerin gözünde), bu ilerlemede elektronik ve bilgisayar teknolojilerinin rolü -kuşkusuz ki- oldukça büyüktür. Kısacası, bilgisayar ve İnternet adı verilen iletişim teknolojisi, 20. Yüzyıl’ın ortalarından itibaren insanlığı ve dünyayı kasıp kavuran; 21. Yüzyıl’da içinde bulunduğumuz ortama ulaşmamıza fırsat veren iki temel insan ürün olmuştur.
Yazılım ve Dijital İzler
İfade ettiğim gelişmeler az-çok herkesçe bilinir vaziyette ancak madalyonun öteki yüzünde yer alan yazılım teknolojisi, dijital (sanal) dünyanın oluşmasında ve küresel ölçekte toplumsal düzenlerin / alışkanlıkların evrimleşmesinde üst düzey rol alan bir diğer unsur olmuştur. Yazılım teknolojisi, İnternet’in insanlara açılan yüzü olan Web’in yükselişinden, mobil bilgi / veri işleme süreçlerine imkan veren uygulamaların (apps / applications) geliştirilmesine, robotik sistemlerin etkin kontrolünden, küresel ve evrensel ölçekte hızlı iletişim uygulamalarına (uzay araçlarını / istasyonlarını düşünürsek) kadar birçok çözümde, makine-insan arası iletişimin ‘mantıksal arayüzü’ olarak karşımıza çıkmıştır. Somut teknolojik unsurlar insan yeteneklerinin ve hayal gücünün birer ürünü olsa da; dijital dünyanın şekillendirilmesine imkan veren yazılım teknolojisi, insan hayal gücünün özgürlüğüne daha uygun bir zemin olmuştur. Nihayetinde gerçek dünyada ve halen belirli sınırlar dahilinde bildiği evrende hareket alanı nispeten kısıtlı olan insanoğlu, dijital dünya adı verilen ikinci bir dünyanın geliştiricisi olmuştur.
2020 yılı itibariyle dijital dünya, sosyal medya gibi iz bıraktırıcı platformlar sayesinde alternatif bir hayat haline gelmiş durumdadır. Bu durum dijital dünya ortamında şu etkileşimler sonuçlar nedeniyle dijital izlerin bırakılmasına imkan vermektedir:
- Fotoğraf ve video paylaşımları ile etkileşim ortamları, hobiler / fobiler, arkadaş çevresi ve kişilik hakkında fikirler edinilmesi,
- Metin tabanlı paylaşımlar ve yorumlar ile hedef konular hakkında kişisel görüşler, siyasi görüşler, küresel ve yerel ölçekte duyarlılıklar konusunda kişiye özgü bilgiler edinilmesi,
- Paylaşımlar, check-in adı verilen eylemler neticesinde günlük hayat rutinleri ve ilgi duyulan ortamlar, insanlar, unsurlar konusunda fikir edinilmesi,
- Teknoloji bağımlılığı, içe-kapanıklık / sosyallik gibi değişimlerin / karakteristiklerin tahmin edilmesi.
Söz konusu dijital izler, özellikle kişisel verilerin gizliliği kapsamında çeşitli tartışmaları ve distopik dünya öngörülerini beraberinde getirse de; kişisel verilerin paylaşımı noktasında muhtemelen ok yaydan fırlamış durumda… Bu konuda distopik bir geleceğin ortaya çıkmaması adına harekete geçecek olan da dijital dünyanın temelini atan insanoğlu olacaktır. Ancak bu noktada dikkat çekmek istediğim diğer önemli bir husus, dijital izlerin insan faydası noktasında kullanılabilmesi adına dijital fenotip adı verdiğimiz bir kavram çerçevesinde alınması gerekliliğidir. Peki, nedir bu dijital fenotip?
Dijital Fenotip ve Dijital İzler / İşaretler
Dijital fenotip (digital phenotype) kavramı genel olarak “Kişisel dijital cihazlardan alınan verilerin kullanılması suretiyle insan fenotipinin anlık ölçümü” olarak tanımlanmaktadır [1-3]. Anlaşılacağı üzere dijital cihazlar ve kişisel kullanım, günümüz teknolojik koşulları altında İnternet, Web, mobil uygulamalar, e-posta, telefon görüşmeleri ve hatta sosyal medya süreçlerini bizlere işaret etmektedir. Bu kapsamda dijital fenotipler, -özel mobil cihazlarda meydana gelen sensör odaklı gelişmeler sayesinde- hepimizin kullanageldiği akıllı telefonlar ve bilgisayar tabanlı sistemler sayesinde elde edilebilmektedir. Veri akış zamanlarını ve sensör işlevlerini dikkate aldığımızda dijital fenotipleri elde etmemizi sağlayacak iki temel veri türü ile karşı karşıya kalmaktayız [4, 5]:
- Aktif Veri: Kullanıcı katılımı gerektiren; anketler, formlar ve ses kayıtlarından oluşan veriler.
- Pasif Veri: Kullanıcı katılımı gerektirmeyen; GPS, metin iletişim kayıtları (SMS / sosyal medya), WiFi / Bluetooth odaklı mesafe, etkileşim ölçümleri ve İvmeölçer (Accelerometer) gibi sensörler üzerinden alınan veriler.
Söz konusu veriler, 21. Yüzyıl’da dijital dünyanın bir tür esiri haline gelen ve bu ortamda farkında olmadan günde binlerce kez etkileşimde bulunan insanların karakteristikleri ve özellikle mental sağlık durumları hakkında bilgi edinilmesini sağlayacak önemli bileşenler olarak dikkat çekmiştir. Bu konuda Nature dergisi de dahil olmak üzere birçok tıbbi üst düzey dergide güncel araştırma çalışmaları olmakla beraber [6-12]; Harvard’ta geliştirilen Beiwe platformu da [13, 14] konunun ciddiyetini ortaya koymaktadır.
Dijital fenotip oluşturma / edinme sürecini pekala dijital fenotipleme olarak tanımlayabiliriz (Nitekim digital phenotyping kavramı da uluslararası literatürde kullanılmaktadır). Bahsetmiş olduğum aktif ve pasif veri toplama süreçleri bizleri doğrudan dijital fenotip elde etmeye götürmemektedir. Bunun için basit bir formülizasyona ihtiyacımız vardır:
(1) Hedef Problem –> (2) Veri Toplama Araçları Tasarımı –> (3) Veri Toplama –> (4) Verilerin Hedef Problem Ölçeğinde Analizi –> (5) Dijital Fenotip
İnsanların fiziksel veya daha detaylı teşhis süreçleri gerektiren sağlık problemleri halen mobil cihazlar ve uzman katkısı olmaksızın istendik düzeyde gerçekleştirilemediğinden dolayı, dijital fenotipleme en iyi davranışlar üzerinden mental sağlık problemlerine ulaşma yönünde tasarlanmaktadır. Dolayısıyla birinci adım olan hedef problem belirleme, örneğin şizofreni, depresyon, ağır stres gibi alternatif mental problemler kapsamında olmaktadır. İkinci adım olan veri toplama araçları tasarımı bizleri genellikle mobil uygulama geliştirme sürecine götürmektedir (Tabi ki mobil uygulamayı destekleyecek bir donanımsal bileşen de işin içerisinde olabilir). Üçüncü adımda senaryoya bağlı olarak aktif veya pasif verilerin toplanması süreci uygulanmaktadır. Dördüncü adımda hedef problemle bağlantılı olarak; tabi ki uzman görüşler desteğiyle, elde edilen verilerin hedef kullanıcıyı / kullanıcıları ilgili mental problem kapsamında ifade edecek şekilde analiz edilmesi uygulamaları gerçekleştirilmektedir. Takdir edersiniz ki, kullanıcıların her attığı mesaj ya da genel olarak her sosyal medya etkileşimi hedef mental problemi işaret etmeyecektir. Ancak bunu anlamak için veri yığınları arasında araştırmamızı gerçekleştirmemiz gerekmektedir. Analiz süreçlerinde süzülen veriler ve oluşturulan modeller (semptomlarla kullanıcı eylemleri ilişkilendirilebilir, semptomlara yönelik kurallar-şartlar oluşturulabilir, matematiksel bir modele bile ulaşılabilir…vs.) bizi beşinci adımdaki dijital fenotipe ulaştırmış olacaktır. Burada önemli olan bir diğer nokta, dijital fenotipten dijital izlere / işaretlere geçiş olabilir; neticede, kullanıcıların belirli bir süre mobil cihazlarını kullandıktan sonra bize mental problem verilerini kazandıran hangi eylemlerin önemli olduğunu gösterebilir; bu gösterimi ülke çapında veya küresel çapta daha kapsamlı problemlere (örneğin an itibariyle, COVID-19) genişletebiliriz. Söz konusu işaretler özellikle dijital sağlık uygulamalarıyla birleştirilmek suretiyle dijital biyoişaretçiler (digital biomarkers) olarak adlandırılmaktadır [15]. Diğer yandan hem dördüncü adımdaki analiz hem de dijital izlere / işaretlere geçiş aşaması, Yapay Zeka gibi verilerden gizli anlamları çıkarabilen, tahminde bulunabilen bir teknolojiyi de işe koşmamızı akla getirmektedir.
Yapay Zeka ve Dijital Fenotipleme
Dijital fenotiplemede kullanıcılardan alınan veriler, çeşitli istatistiksel yöntemlerle belirli anlamlara dönüştürülebilecektir (örneğin, gelen mesajlara dönüş zamanlarındaki değişimler, telefonda vakit geçirme zamanları, belirli anketlere verilen dönütler…vs.). Ancak gizli örüntüleri ortaya çıkarmada geleneksel yöntemlerin etkisiz kalması ya da nispeten az miktarda veriden yine de anlam çıkarabilme ihtiyacı Yapay Zeka’yı etkin bir çözüm haline getirecektir. Kuşkusuz ki dijital fenotipleme için kullanıcılardan belirli zaman periyotları süresince zamanın küçük miktarlarında çekilecek veriler, büyük veri (big data) ölçeğinde bir yığına ulaşmamıza sebebiyet verecektir ancak bu durum bile geleneksel yöntemlerin hız ve verimlilik bağlamında yetersiz kalmasına sebep olacak; Yapay Zeka’yı bir çözüm olarak karşımıza çıkaracaktır.
Yapay Zeka ve dijital fenotipleme süreçlerini bir araya getirdiğimizde, Yapay Zeka’nın ortaya koyabileceği çözümleri genel olarak şöyle ifade edebilirim:
- Toplanan veriler ışığında kullanıcının farklı mental sağlık problemlerinden hangisini yaşamakta olduğunun tespiti,
- Belirli bir veriden (örneğin sosyal medya yorumları) yegane anlam türetilmesi,
- Uzman görüşü ile birlikte farklı veri türlerinin önem ağırlığının tespit edilmesi,
- Uzman görüşü ile belirlenen; spesifik bir mental problem ile ilişkilendirilen davranışlara (dolayısıyla aktif / pasif verilere) alternatif veri kombinasyonlarının tespit edilmesi,
- Kullanılan verinin gerçekten o mental problemi tanımlayıp tanımlamadığının anlaşılması,
- Dijital fenotiplemeye bağlı olarak tedavi süreçlerinin belirlenmesi (optimizasyon [kombinatöryal ya da sürekli] ya da Makine Öğrenmesi süreçleri olabilir),
- Eksik verilerin tahminsel süreçlerle tamamlanması,
- Otonom bir zeki sistemin tasarımı için sentetik verilerin oluşturulması (nihayetinde bu durum geçmiş Yapay Zeka destekli dijital fenotiplemeyi de gerektirecektir).
İfade ettiğim çözümleri dikkate aldığımızda Yapay Zeka, dijital fenotipleme dört farklı senaryoda dahil olabilecektir:
- Ana çözüm (mental sağlık probleminin tespiti),
- Ön-destekleyici bileşen (özellik çıkartımı, anlam türetme, verilerin dönüştürülmesi…vs.),
- Ara-destekleyici bileşen (mental problem ile ilgili spesifik verilerin tespiti, ağırlıkların bulunması, uzmanın onaylanması…vs.),
- Çözüm-sonrası bileşen (tedavi planlama, öneri ve karar-verme süreçleri…vs.).
Konuyla ilgili olarak okunabilecek bazı çalışmalara [16-19] altından ulaşılabilir.
Neticede, günümüz koşulları, Nesnelerin Interneti (IoT) teknolojilerinin yükselişi ve hayatın içerisine her geçen zaman daha fazla nüfuz eden dijital dünya, zeki sistemler, adaptif veri işleme / iletişim araçları; dijital fenotipleme gibi, doğrudan insan etkileşimi gerektirmeyen (dolaylı yönden değerlendirmelere imkan veren) ve özellikle COVID-19 ile birlikte ortaya çıkan; fiziksel mesafe kuralları çerçevesine uyumlu bir çözüm sürecinin gittikçe popüler hale gelmesini sağlayacaktır. Büyük verinin geçen zamanla birlikte daha kolay işlenebilir hale gelmesi ve teknoloji kalabalığında psikolojisi bozulan insanlar da aslında bu duruma katkıda bulunan diğer unsurlar arasında yer almaktadır.
Kaynakça
[1] Jain, S. H., Powers, B. W., Hawkins, J. B., & Brownstein, J. S. (2015). The digital phenotype. Nature biotechnology, 33(5), 462-463.
[2] Bourla, A., Ferreri, F., Ogorzelec, L., Guinchard, C., & Mouchabac, S. (2018). Assessment of mood disorders by passive data gathering: The concept of digital phenotype versus psychiatrist’s professional culture. L’Encephale, 44(2), 168.
[3] Loi, M. (2019). The digital phenotype: A philosophical and ethical exploration. Philosophy & Technology, 32(1), 155-171.
[4] Bernardos, A. M., Pires, M., Ollé, D., & Casar, J. R. (2019). Digital Phenotyping as a Tool for Personalized Mental Healthcare. In Proceedings of the 13th EAI International Conference on Pervasive Computing Technologies for Healthcare (pp. 403-408).
[5] Onnela, J. P. (2016). Digital Phenotyping. Çevrimiçi: https://cdn1.sph.harvard.edu/wp-content/uploads/sites/59/2016/07/pipelines_july_2016.pdf [Erişim 22 Haziran 2020].
[6] Barnett, I., Torous, J., Staples, P., Sandoval, L., Keshavan, M., & Onnela, J. P. (2018). Relapse prediction in schizophrenia through digital phenotyping: a pilot study. Neuropsychopharmacology, 43(8), 1660-1666.
[7] Torous, J., Staples, P., Barnett, I., Sandoval, L. R., Keshavan, M., & Onnela, J. P. (2018). Characterizing the clinical relevance of digital phenotyping data quality with applications to a cohort with schizophrenia. NPJ digital medicine, 1(1), 1-9.
[8] Onnela, J. P., & Rauch, S. L. (2016). Harnessing smartphone-based digital phenotyping to enhance behavioral and mental health. Neuropsychopharmacology, 41(7), 1691-1696.
[9] Hswen, Y., Naslund, J. A., Brownstein, J. S., & Hawkins, J. B. (2018). Online communication about depression and anxiety among twitter users with schizophrenia: preliminary findings to inform a digital phenotype using social media. Psychiatric Quarterly, 89(3), 569-580.
[10] Kleiman, E. M., Turner, B. J., Fedor, S., Beale, E. E., Picard, R. W., Huffman, J. C., & Nock, M. K. (2018). Digital phenotyping of suicidal thoughts. Depression and anxiety, 35(7), 601-608.
[11] Tsang, T. W., Laing-Aiken, Z., Latimer, J., Fitzpatrick, J., Oscar, J., Carter, M., & Elliott, E. J. (2017). Digital assessment of the fetal alcohol syndrome facial phenotype: reliability and agreement study. BMJ paediatrics open, 1(1).
[12] Berry, J. D., Paganoni, S., Carlson, K., Burke, K., Weber, H., Staples, P., … & Barback, J. (2019). Design and results of a smartphone‐based digital phenotyping study to quantify ALS progression. Annals of clinical and translational neurology, 6(5), 873-881.
[13] Harvard Onnela Lab. (2020). Beiwe Research Platform. Çevrimiçi: https://www.hsph.harvard.edu/onnela-lab/beiwe-research-platform/ [Erişim 22 Haziran 2020].
[14] Beiwe Research Platform. (2020). Beiwe Official Web Site. Çevrimiçi: https://www.beiwe.org/ [Erişim 22 Haziran 2020].
[15] Coravos, A., Khozin, S., & Mandl, K. D. (2019). Developing and adopting safe and effective digital biomarkers to improve patient outcomes. NPJ digital medicine, 2(1), 1-5.
[16] Rhim, S., Lee, U., & Han, K. (2020). Tracking and Modeling Subjective Well-Being Using Smartphone-Based Digital Phenotype. UMAP ’20, July 14–17, 2020, Genoa, Italy, ACM. Çevrimiçi: http://ic.kaist.ac.kr/wikipages/files/swb_umap20.pdf [Erişim 22 Haziran 2020].
[17] Cho, C. H., Lee, T., Kim, M. G., In, H. P., Kim, L., & Lee, H. J. (2019). Mood prediction of patients with mood disorders by machine learning using passive digital phenotypes based on the circadian rhythm: prospective observational cohort study. Journal of medical Internet research, 21(4), e11029.
[18] Rezaii, N., Walker, E., & Wolff, P. (2019). A machine learning approach to predicting psychosis using semantic density and latent content analysis. NPJ schizophrenia, 5(1), 1-12.
[19] Mohr, D. C., Zhang, M., & Schueller, S. M. (2017). Personal sensing: understanding mental health using ubiquitous sensors and machine learning. Annual review of clinical psychology, 13, 23-47.
(Dikkat: Metin içeriği tamamen Dr. Utku KÖSE’ye ait olup; izinsiz kullanılması, kopyalanması hukuki sonuçlar doğuracaktır.)
