Yapay Zeka Destekli Teletıp Sistemi ile Nistagmus Tespiti

Bu görsel, yapay zekâ destekli bir görsel oluşturma aracı kullanılarak hazırlanmıştır.

Yapay Zeka Destekli Teletıp Sistemi ile Nistagmus Tespiti

Nistagmus, vestibüler sistem bozukluklarının değerlendirilmesinde önemli bir klinik bulgudur. Harshal Sanghvi ve arkadaşlarının gerçekleştirdiği güncel bir çalışmada, nistagmusu uzaktan, gerçek zamanlı ve düşük maliyetle tespit edebilen yapay zekâ destekli bir klinik karar destek sisteminin uygulanabilirliğini ortaya koyuldu.

Geliştirilen sistem, mobil cihazlar aracılığıyla kaydedilen video verilerini analiz ederek göz hareketlerini değerlendirmekte ve klinik karar süreçlerine rehberlik etmektedir. Bu sistemin teletıp platformlarına entegrasyonu, özellikle sağlık hizmetlerine erişimi kısıtlı bireyler için dikkate değer bir çözüm potansiyeli taşımaktadır.

Geleneksel Tanı Yöntemlerinin Sınırlılıkları 

Nistagmus tanısında yaygın olarak kullanılan Elektronistagmografi (ENG) ve Videonistagmografi (VNG) yöntemleri, bazı sınırlamalarla karşı karşıyadır. ENG, artefaktlara duyarlıdır ve torsiyonel göz hareketlerini algılamada yetersiz kalabilirken; VNG sistemleri yüksek maliyetleri, büyük ekipman gereksinimi ve hasta açısından konforsuz oluşları nedeniyle yaygın kullanımı zorlaştırmaktadır.

Yapay zeka tabanlı çözümler, bu sınırlamaları aşarak daha erişilebilir, uygun maliyetli ve hızlı tanı imkanları sunmayı amaçlamaktadır. Teletıp teknolojileriyle birleştiğinde, özellikle sağlık hizmetlerine ulaşımı kısıtlı topluluklar için önemli bir fark yaratma potansiyeline sahiptir.

Yapay Zeka Destekli Teletıp Sistemi ve Metodolojisi

Çalışmada sunulan yapay zeka destekli sistem, akıllı telefonlarla kaydedilen videolardan elde edilen verileri bulut tabanlı derin öğrenme algoritmaları ile analiz etmektedir.

Python temelli bu sistem, MediaPipe’s Face Mesh ve OpenCV gibi kütüphaneler kullanarak 468 yüz işaretleyicisi yardımıyla göz hareketlerini izlemekte ve yavaş faz hızı (SPV) ölçümlerini gerçekleştirmektedir. Model, %98 doğruluk, 0.00459 MSE (mean squared error) ve ±%4.8 düzeltme hata oranı ile oldukça başarılı performans göstermiştir. Elde edilen sonuçlar bir klinisyen tarafından değerlendirilerek, tanı ve hasta danışmanlığı süreçlerine katkı sağlamaktadır.

Klinik Uygulama ve Gelecek Hedefler

Bu sistem, teletıp ve yapay zekayı birleştirerek özellikle nöro-oftalmolog veya odyoloğa anında erişimin mümkün olmadığı uzak bölgelerde yaşayan hastalar için tanıya ulaşmayı kolaylaştırma potansiyeli taşımaktadır. Araştırmacılar, gelecekte sistemin geçerliliğini artırmak amacıyla daha geniş ve çeşitli hasta grupları üzerinde klinik denemeler gerçekleştirmeyi ve FDA onay sürecini tamamlamayı hedefliyor.

Sınırlılıklar

Çalışmanın sınırlılıkları arasında küçük ve homojen bir örneklem kullanılması, video kalitesinin aydınlatma gibi çevresel faktörlerden etkilenmesi ve hasta gizliliği nedeniyle veri setinin paylaşılmaması yer almaktadır. Derin öğrenme modeli kontrollü koşullar altında başarılı sonuçlar vermiş olsa da klinik güvenilirliğin artırılması için daha fazla eğitim verisi ve sistem iyileştirmesi gerekmektedir.

Kaynaklar:

1. Sanghvi H, Danesh AA, Moxam J, Reddy SK, Gill GS, Graves BS, Chowdhary S, Chalam K, Gupta S, Pandya AS. Artificial Intelligence-Driven Telehealth Framework for Detecting Nystagmus. Cureus. 2025 May 13;17(5):e84036. doi: 10.7759/cureus.84036. PMID: 40519455; PMCID: PMC12162396.

2. Galoustian, G. (2022, 2 Ağustos). Study first to use eye movements for diagnostic analysis of opioids. FAU News Desk. https://www.fau.edu/newsdesk/articles/eye-movements-diagnostic-analysis