Back to #artificial intelligence

ARTIFICIAL INTELLIGENCE IN PSYCHIATRY: APPLICATIONS AND CHALLENGES

Oct 2026 · Atlas Universitesi Tip ve Saglik Bilimleri Dergisi · 0 citations

Abstract

Ruhsal hastalıkların küresel ölçekte artan yükü, özellikle düşük ve orta gelirli ülkelerde psikiyatri hizmetlerine erişimde eşitsizlikler yaratmaktadır. COVID-19 pandemisi bu durumu daha da ağırlaştırarak, dijital çözümlere ve yeni müdahale yöntemlerine olan ihtiyacı artırmıştır. Bu bağlamda yapay zekâ, psikiyatri ve psikoterapide önemli bir dönüşüm potansiyeli sunmaktadır. Yapay zekâ; alt teknolojiler aracılığıyla tanı, prognoz, tedavi ve psiko-eğitim süreçlerinde giderek daha yaygın kullanılmaktadır. Klinik karar destek sistemleri, doğal dil işleme tabanlı duygu analizi, mobil uygulamalar ve telepsikiyatri çözümleri, sağlık profesyonellerine iş yükünü hafifletme ve hizmet erişimini artırmada güçlü imkânlar sunmaktadır. Duygudurum bozukluklarında elektroensefalografi tabanlı derin öğrenme modelleri tanıda yüksek doğruluk sağlamış; sanal terapi araçları ise psiko-eğitim ve semptom azaltmada anlamlı etkiler göstermiştir. Şizofreni, bipolar bozukluk ve otizmde kullanılan algoritmalar, hastalık seyri tahmininde ve erken tanıda umut verici sonuçlar vermektedir. Bununla birlikte, veri gizliliği, etik sorunlar ve klinik doğrulama ihtiyacı, bu teknolojilerin yaygınlaşmasının önündeki başlıca engellerdir. Yapay zekâ ruh sağlığı alanında büyük fırsatlar sunsa da etik riskler ve insan-insan etkileşiminin azalması nedeniyle ancak insan merkezli, şeffaf ve tarafsız bir şekilde uygulandığında etkili olabilir. Sonuç olarak, yapay zekânın psikiyatrideki rolü hızla genişlemekte olup, gelecekte daha erişilebilir, maliyet-etkin ve kişiselleştirilmiş ruh sağlığı hizmetleri sunulmasına katkı sağlayacağı öngörülmektedir. Bu süreçte etik ilkelerin, hasta mahremiyetinin ve insan merkezli yaklaşımların korunması kritik önemdedir. Anahtar Kelimeler: Yapay Zekâ, Öğrenme, Ruhsal Bozukluklar, Etik

View source

Similar papers

#artificial intelligence Review Dec 2025

Professional Software Developers Don't Vibe, They Control: AI Agent Use for Coding in 2025

Investigating how experienced developers use agents in building software, including their motivations, strategies, task suitability, and sentiments finds that while experienced developers value agents as a productivity boost, they retain their agency in software design and implementation out of insistence on fundamental software quality attributes.

Ruanqianqian Huang, Avery Reyna, Sorin Lerner et al. · 19 citations · ⚡1
#artificial intelligence Review Open access Jan 2026

A systematic review of machine learning techniques to address diagnosis and treatment of autism: challenges and opportunities

This systematic review evaluates 55 studies from 2017 to 2023 on the application of machine learning techniques to ASD, highlighting key challenges and opportunities, particularly the need for models that can integrate complex data to improve diagnostic accuracy and treatment outcomes.

Rafael Muñoz-Terol, Jesús Peral, Sandra Amador et al. · 4 citations · ⚡1

Convergent Evolution: How Different Language Models Learn Similar Number Representations

This paper identifies two different routes through which models can acquire geometrically separable features: they can learn them from complementary co-occurrence signals in general language data, including text-number co-occurrence and cross-number interaction, or from multi-token addition problems.

Deqing Fu, Tianyi Zhou, Mikhail Belkin et al. · 3 citations
#artificial intelligence Open access May 2025

TabularQGAN: a quantum generative model for tabular data synthesis

A novel quantum generative model for synthesizing tabular data by proposing a quantum generative adversarial network architecture with flexible data encoding and a novel quantum circuit ansatz for effectively modeling tabular data is introduced.

P. Bhardwaj, Caitlin Jones, Lasse Dierich et al. · 2 citations
#artificial intelligence Review Jun 2026

Self-Evolving Agents as Dynamic Graph Transformation: A Survey and New Perspective

This survey model agent state as a dynamic graph, where memories, tools, skills, workflows, and inter-agent relations are represented as typed nodes, edges, and subgraphs updated through schema-constrained rewrites to provide a compact structural lens for designing and governing self-evolving agents.

Yuanyuan Xu, Wenjie Zhang, Yin Chen et al. · 2 citations

Related blog posts