Artificial intelligence (AI) has emerged as a transformative force in psychiatry, improving diagnostic precision, treatment personalization, and early intervention through advanced data analysis techniques. This review explores recent advancements in AI applications within psychiatry, focusing on EEG and ECG data analysis, speech analysis, natural language processing (NLP), blood biomarker integration, and social media data utilization. EEG-based models have significantly enhanced the detection of disorders such as depression and schizophrenia through spectral and connectivity analyses. ECG-based approaches have provided insights into emotional regulation and stress-related conditions using heart rate variability. Speech analysis frameworks, leveraging large language models (LLMs), have improved the detection of cognitive impairments and psychiatric symptoms through nuanced linguistic feature extraction. Meanwhile, blood biomarker analyses have deepened our understanding of the molecular underpinnings of mental health disorders, and social media analytics have demonstrated the potential for real-time mental health surveillance. Despite these advancements, challenges such as data heterogeneity, interpretability, and ethical considerations remain barriers to widespread clinical adoption. Future research must prioritize the development of explainable AI models, regulatory compliance, and the integration of diverse datasets to maximize the impact of AI in psychiatric care.

Social media has become an essential platform for understanding human behavior, particularly in relation to mental health conditions such as depression and suicidal tendencies. Given the increasing reliance on digital communication, the ability to automatically detect individuals at risk through their social media activity holds significant potential for early intervention and mental health support. This study proposes a machine learning-based framework that integrates pre-trained language models and advanced feature selection techniques to improve the detection of depression and suicidal tendencies from social media data. We utilize six diverse datasets, collected from platforms such as Twitter and Reddit, ensuring a broad evaluation of model robustness. The proposed methodology incorporates Cumulative Weight-based Iterative Neighborhood Component Analysis (CWINCA) for feature selection and Support Vector Machines (SVMs) for classification. The results indicate that the model achieves high accuracy across multiple datasets, ranging from 80.74% to 99.96%, demonstrating its effectiveness in identifying risk factors associated with mental health issues. These findings highlight the potential of social media-based automated detection methods as complementary tools for mental health professionals. Future work will focus on real-time detection capabilities and multilingual adaptation to enhance the practical applicability of the proposed approach.

Amaç: Bu çalışmanın amacı; 24.01.2020 tarihinde merkez üssü Elazığ Sivrice ilçesi olan, toplamda 44 kişinin vefat ettiği ve 1500 üzerinde insanın yaralandığı deprem sonrası ortaya çıkan psikiyatrik semptomları ortaya koyabilmektir. Gereç ve Yöntem: Çalışma depremden 2,5 ay sonra yapılmıştır. Tüm katılımcılara; sosyodemografik veri formu, Beck Anksiyete Ölçeği (BAÖ), Beck Depresyon Ölçeği (BDÖ), Peritravmatik Disosiyasyon Ölçeği (PTDÖ), DSM-5 Travma Sonrası Stres Bozukluğu Kontrol Listesi (TSSBKL) uygulandı. Bulgular: Çalışmaya 360 kişi; 284 kişi deprem mağduru ve 76 kişi de kontrol grubu olarak alındı. Katılımcıların yaş ortalaması 30.9±9.9 olarak hesaplandı. Deprem mağdurlarından yakınını kaybeden 11 kişi (%3.87) olduğu saptandı. Katılımcıların BAÖ ve BDÖ skorları gruplar arasında farklılık göstermedi. PTDÖ ve TSSBKL için deprem mağdurlarının hesaplanan skorları çok daha yüksekti. Sonuç: Çalışmamızda deprem sonrası hayatta kalanların depresyon ve ansiyete düzeyleri artmasa da travma ve dissosiyasyon skorlarının artmış olduğu görüldü. Elde ettiğimiz sonuçlara dayanarak; deprem gibi felaketler sonrası hayatta kalanların psikiyatrik ve sosyal olarak iyi desteklenmeleri, hem kayıplarına alışabilmeleri hem de psikiyatrik olarak rahatsızlanmamaları açısından önemlidir.