# APBA Kısa Özet

TRUSTING (A TRUSTworthy speech‑based AI monitoring system for the prediction of relapse in individuals with schizophrenia) is an international multicentre observational study conducted under the European Union Horizon research programme. The project aims to develop and evaluate an explainable, speech‑based AI monitoring system capable of predicting imminent psychotic relapses in adults with schizophrenia and related psychotic disorders who are in remission. Participants provide weekly voice recordings via a dedicated smartphone application, alongside self‑reported data on medication adherence, substance use, mood, anxiety, and sleep quality, as well as motor data from a tapping task. The study will determine the feasibility, usability, and predictive accuracy of the system, with primary endpoints including model performance (AUROC), user adherence, transcription quality, recording usability, and overall system usability.

# Çalışma neyi araştırdı?

The core research question of the TRUSTING study is whether speech analysis can serve as a reliable biometric marker for detecting early warning signs of psychotic relapse. Specifically, the study investigates the ability of explainable machine‑learning algorithms to predict impending psychotic relapses, the sustainability of user engagement with a weekly digital monitoring routine, and the clinical usability of the recording system in real‑world outpatient settings. By collecting data across diverse linguistic and cultural contexts (six languages across six countries), the study also seeks to evaluate the generalisability of speech‑based prediction models across different populations.

# Yöntem

  • Çalışma tasarımı: Prospektif, çok merkezli, gözlemsel kohort çalışması. Çalışma, relaps riski taşıyan veya remisyon hâlindeki yetişkinler üzerinde uzun vadeli izlemeyi hedeflemektedir.
  • Katılımcı demografiği: Toplam 360 katılımcı dahil edilmektedir. Bu grup, 240 remisyon hâlindeki ve relaps riski taşıyan psikotik bozukluk hastası ve 120 yaş ve cinsiyet eşleştirilmiş sağlıklı kontrol katılımcısı içerir.
  • Coğrafi ve dil dağılımı: Çalışma altı farklı ülkede ve altı farklı dilde yürütülmektedir. Bu çok merkezli tasarım, farklı etnik ve kültürel arka planlara sahip popülasyonlarda modelin genellenebilirliğini test etmeyi hedefler.
  • Takip süresi: Katılımcılar 6 ay boyunca takip edilir. Bu süre, yaklaşan relapsların erken tespit edilmesi için yeterli uzunlukta kabul edilmiştir.
  • Veri toplama prosedürleri: TRUSTING akıllı telefon uygulaması, haftalık ses kayıtları toplamak için kullanılır. Kayıtlar, konuşma görevleri (speech tasks) sırasında yapılır. Kullanıcılar haftalık olarak ilaç uyumu, madde kullanımı, ruh hali (depresyon/anksiyete), uyku kalitesi ve motor yetkinliği (dokunma görevi) hakkında veriler de uygulama üzerinden girer.
  • Araç ve ölçümler: Uygulama, konuşma sinyallerini kaydederek ve çeşitli görevler üzerinden motor fonksiyonlarını değerlendirerek kapsamlı veri seti oluşturmayı amaçlar.

# Temel bulgular

Bu çalışma protokolüdür; bu nedenle sonuç verileri (tahmin doğruluğu, uyum oranları, klinik etkinlik) henüz raporlanmamaktadır. Şu an bilinen tek bulgular, çalışma tasarımı, örneklem yapısı, veri toplama yöntemleri ve birincil sonuç ölçütlerinin belirlenmesidir.

# Bulgular ne anlama geliyor?

Protokol, ses temelli yapay zekanın psikotik bozukluklarda relaps öngörüsü için potansiyel bir araç olabileceğini savunmaktadır. Çalışmanın sonuçları, modelin AUROC üzerinden performansını, kullanıcıların uygulamayı sürdürdüğü oranını ve sistemin klinik ortamda nasıl kabul gördüğünü ortaya koyacaktır. Özellikle, farklı diller ve kültürlerde toplanan veriler, modelin genellenebilirliğini değerlendirmek için kritik bir veri kaynağı olacaktır. Ancak, çalışma henüz sonuç üretmediği için, elde edilecek sonuçların sağlık uygulamasında nasıl kullanılacağı hakkında kesin bir yargı çizilememektedir.

# Klinik önem

Eğer model yüksek bir tahmin başarısı (yüksek AUROC) gösterirse, klinisyenler yaklaşan relaps riskini erken tespit ederek ilaç düzenlemeleri, erken müdahale ve hastaların hastane yatışını önleme fırsatı bulabilir. Ses temelli izleme, rutin klinik muayenelerin yanında objektif bir biyobelirteç sunarak bireysel tedavi planlamasını destekleyebilir. Protokol aşamasında olduğu için, klinik uygulamaya geçişin henüz erken bir aşamada olduğu vurgulanmalıdır; sonuçlar eldeikten sonra gerçek dünya etkilerini değerlendirmek için daha fazla çalışma gerekecektir.

# Sınırlılıklar

  • Protokol aşaması: Çalışma henüz klinik sonuçlar üretmediği için, tahmin başarısı, kullanıcı uyumu ve kullanılabilirlik hakkında kesin bir yargı çizilememektedir.
  • Gözlemsel tasarım: Randomize müdahale veya kontrol grubu dışında olduğu için, ses özellikleri ve relaps arasında doğrudan nesnel ilişki kurulamaz; sadece ilişki (korelasyon) tespit edilebilir.
  • Attrition riski: Uzun vadeli akıllı telefon tabanlı izleme, özellikle psikotik popülasyonlarda yüksek bırakma oranları (attrition) ve veri eksikliği riski taşır. Katılımcılar uygulamayı sürdürmeyi zorlayabilir.
  • Dil ve kültür çeşitliliği: Altı farklı dilde veri toplamak, ses özelliklerinin kültürel ve dilsel farklılıklarından kaynaklanan varyansları artırabilir. Bu durum, modelin genellenebilirliğini (generalizability) both pozitif ve negatif yönde etkileyebilir.
  • Teknolojik faktörler: Ses kaydı kalitesi, kullanılan cihazın donanımı, internet bağlantısı ve kullanıcıların teknolojiyle ilgili bilgi seviyesi gibi dışsal faktörler veri bütünlüğünü etkileyebilir.
  • İlaç ve semptom raporlama bias'i: Kullanıcıların ilaç uyumu ve semptom raporları, kendi bilinçleri veya anlatım yeteneklerine bağlı olarak bias gösterebilir.

Bu sınırlamar, çalışmanın sonuçlarının yorumlanmasında ve gelecekteki uygulamalara ve araştırmalara dikkatle ele alınmasını gerektiren önemli ipuçları sunar.