Sağlık Hizmetlerinde Yapay Zekâ ile Dönüşüm

Yapay zekâyı (AI veya YZ) genel olarak, normalde insan zekâsı gerektiren işlevler yerine getirecek bilgisayar sistemlerinin oluşturulması şeklinde tanımlayabiliriz. İnsan zekâsının temel işlevleri arasında ilk akla gelenler de deneyimlerden öğrenme, örüntüleri fark edip tanıma ve bilgiye dayalı kararlar verme. Yapay zekâ ise aynı işlevleri yerine getirebilmek için makine öğrenmesi ve derin öğrenme gibi farklı teknikler kullanıyor.

Yapay zekânın ana bileşenlerinden biri olan makine öğrenmesi (MÖ), bilgisayarların verilerden öğrenmesini ve her bir işlev için ayrıca programlanmaya gerek duymadan, salt bu verilere dayalı tahminler veya kararlar üretebilmesini sağlıyor. Sistemin “öğrenme” şekli, tahminlerindeki hataları en aza indirmek için parametrelerini ayarlamak ve daha fazla veri ortaya çıktıkça ya da gereksinimler değiştikçe yaklaşımını da sürekli olarak geliştirmek. Bu teknoloji, Netflix ve Amazon gibi hizmetlerdeki önerilerden tutun, görüntü tanıma ve otonom araçlara kadar geniş bir yelpazede halihazırda kullanılıyor.

Derin öğrenme (DL) ise makine öğrenmesinin gelişmiş bir formu ve kalabalık veri kümelerinde otomatik olarak örüntüleri tespit ederek anlamak için çok katmanlı karmaşık sinirsel ağlar kullanıyor. Makine öğrenmesi daha basit modellerle geniş bir işlev yelpazesini yönetebilirken, derin öğrenme de verileri birkaç soyutlama katmanı aracılığıyla işleyerek görüntü ve konuşma örüntülerini tanımada ondan daha üstün.

Bu “yetenekleri” sayesinde YZ, sağlık hizmetlerinde verimlilik, hatasızlık ve kişiselleştirme konularını önemli ölçüde ilerletmiş durumda. Nihai hedef, hastalarda alınan sonuçları iyileştirmek ve maliyetleri azaltmak. Geleneksel sağlık teknolojilerinden ayırt edici özelliği, daha geniş ve çeşitliliği yüksek veri kümelerini işleyebilme yeteneği. Bu sayede de kullanıcılara kesin ve uygulanabilir tavsiyeler sunabiliyor. Gelin, yapay zekânın tıptaki çeşitli uygulamalarına birlikte göz atalım.

Tanı ve Teşhis
Hastalıkların daha hızlı, daha doğru ve çoğu zaman daha erken tespit edilmesini sağlayan YZ, tıbbi tanı ve teşhis sürecine yeni bir boyut katıyor. Bunun esas nedeni, YZ algoritmalarının görüntüleme, tarama, kan testleri ve genetik bilgiler gibi karmaşık tıbbi verilerden oluşan devasa veri kümelerini analiz konusunda insan yeteneklerini aşan bir doğruluk oranına sahip olması. Örneğin, radyolojide X-ışını, MRG ve BT taramalarında anormallikleri belirleyerek kırıklar, kanser ve nörolojik bozukluklar gibi durumları kayda değer bir doğruluk payıyla tespit edebiliyor. Negatif radyolojik incelemeleri de hızla tanımlayabiliyor, ki bu da iş yükü ağır ama insan kaynağı sınırlı olan hastaneler için çok değerli.

YZ, doku örneklerinde insan gözünden kaçabilecek hastalık markörlerini tespit etme konusunda da çok iyi olması nedeniyle patolojide hayati rol oynayabiliyor. Kardiyolojide ise derin öğrenme algoritmaları, kalp krizlerini artık kardiyologlarla eş kesinlikte teşhis ediyor. Benzer şekilde, klinik görüntülerle eğitilen YZ ağları, dermatolojide cilt lezyonlarını hatasız şekilde sınıflandırarak önemli ölçüde yardım sağlıyor.

Tanı ve teşhis performansında hem doğruluk hem de hız açısından yapay zekânın insan uzmanlara eş, hatta onlardan üstün olabildiğini gösteren çalışmalar da var. Örneğin, polikistik böbrek hastalığında (PKBH), böbrek boyutunun (toplam böbrek hacmi) ileride böbrek fonksiyonlarının ne kadar hızlı düşeceğini belirlemede rol oynadığı artık biliniyor. Normalde bu verilerin değerlendirilmesi düzinelerce böbrek görüntüsünün analizini gerektiriyor ve bu işlem her bir hasta başına yaklaşık 45 dakika sürebiliyor. YZ ise bu süreci otomatikleştirerek saniyeler içinde sonuçları verebiliyor.

Yapay zekânın bir diğer özelleşmiş alanı olan ve bilgisayarlar ile insanlar arasındaki etkileşime odaklanan doğal dil işleme (NLP) ise insan dilini anlama, tercüme etme ve yazma yetenekleri sayesinde tıbbi belgeleme süreçlerinde yardımcı oluyor. Böylece, hasta bilgilerinin kaydedilmesi için daha verimli ve hatasız bir yol sunuyor.

Klinik Kararlar ve Kişiselleştirilmiş İlaçlar
YZ, tedaviye karar verme sürecinde gittikçe daha önemli hale geliyor. Çünkü hasta kayıtları, araştırmalar ve klinik yönergeler gibi geniş kapsamlı tıbbi verileri analiz edebiliyor. Bu sayede de insan hatalarını azaltarak ve karar alma süreçlerini iyileştirerek daha hızlı ve daha doğru tıbbi kararlar verilmesini sağlıyor.

Her hastanın kendine özgü tıbbi geçmişini, genetik profilini ve yaşam tarzı verilerini bir arada değerlendirebilen YZ, tedavileri kişiselleştirmeyi de mümkün hale getirerek bakım etkinliğini artırıyor. Hastaların farklı ilaç veya tedavilere nasıl yanıt verebileceğini tahmin ederek, yan etki riskini en aza indiriyor ve optimum tedavi sağlıyor. Ayrıca, belirli hastalıklarla ilişkili genetik markörlerin tanımlanmasına da yardımcı oluyor ve erken teşhis ile hedefe yönelik müdahalelere olanak tanıyor. Hasta verilerinde ilk bakışta fark edilemeyen örüntü ve korelasyonları yakalayabilmesi sayesinde, sağlık personelinin daha bilinçli kararlar almasına ve süreci daha verimli yönetebilmesine de yardım ediyor. Bu sistemler, tedavi planları için kanıta dayalı öneriler sunuyor, tedavi sonuçlarını tahmin edebiliyor ve hatta alternatif tedaviler öne sürebiliyor.

Yapay zekâ algoritmaları, aciliyet durumuna göre hastaların triyajında da yardımcı olarak, yüksek riskli vakalara öncelik tanınması, bekleme sürelerinin azaltılması ve hasta akışının iyileştirilmesini sağlıyor. Belirti değerlendirme araçları, hastalığın diğer olası nedenlerini eleyerek acil servislerde yaşanabilen gereksiz yığılmaları önlüyor ve hastaların düzgün hizmet alabilmesini sağlıyor.

İlaçların klinik denemelerinde de YZ algoritmaları işe yarıyor. Aranan belirli kriterlere göre potansiyel adayları hızla tespit edip seçerek, vakit ve nakitten tasarruf sağlıyor. Hastaların tedavilere verebilecekleri yanıtları tahmin ederek, daha hedefe yönelik denemeler tasarlamaya ve protokolleri iyileştirmeye yardımcı oluyor. Yeni verileri kesintisiz olarak analiz etme yeteneği sayesinde YZ, gerçek zamanlı ayarlamalar yapmaya izin veriyor ve bu denemelerin başarısı oranını artırıyor.

Hasta Takibi

Giyilebilir sensörler ve akıllı saatler gibi yapay zekâ destekli cihazlar, gerçek zamanlı kesintisiz sağlık takibini mümkün hale getirdi. Bu cihazlar, kalp atım hızı, kan basıncı, glikoz düzeyleri ve oksijen doygunluğu gibi hayati belirtileri izleyerek anında analiz edilebilecek değerli veriler oluşturuyor. Hastanın durumundaki küçük değişiklikleri bile tespit etme yeteneği bulunan bu sistemler kalıpları tanımlayarak, potansiyel sağlık sorunlarını kritik hale gelmeden önce tahmin etmeye yarıyor.

Yapay zekâ sayesinde sağlık personeli uzaktan hasta bakımı da yapabiliyor. Bu sayede zamanında ve kişiye özel bakım sağlanarak hastalarda daha iyi sonuçlar alınabiliyor, hastaneye yeniden yatış oranları azalıyor ve sağlık sistemlerinde verimlilik artışı sağlanıyor.

Hasta Etkileşimi
Yapay zekâ destekli araçlar, sohbet robotları (chatbot) ve sanal sağlık asistanları, sağlık hizmetlerini daha etkileşimli ve erişilebilir bir sürece dönüştürüyor. Bu araçlar, tıbbi sorulara anında yanıtlar sunarak, belirtiler, ilaç uygulamaları ve yaşam tarzı değişiklikleri konusunda rehberlik sağlıyor. Böylece hastalar kendi bakımları konusunda daha yetkin hale geliyor.

Hasta verilerini analiz ederek kişiselleştirilmiş iletişim sağlayabilen YZ, kişiye özel sağlık tavsiyeleri, ilaç hatırlatmaları ve tedavi sonrası bakım talimatları sunuyor. Bu yaklaşım, tedavi planlarına uyumu artırarak daha sağlıklı davranışları teşvik ediyor. Yapay zekâ destekli platformlar uzaktan danışma (teletıp) imkânı da sunarak, evde sağlık hizmeti alabilmeyi de mümkün hale getiriyor –ki bunun birçok koşulda büyük faydası var. YZ destekli chatbot ve sanal asistanlar, önleyici tıbbi tavsiyeler verme, randevu planlama ve hatırlatma gibi rutin görevlerle de hasta deneyimini iyileştiriyor.

Robotik Cerrahi
Yapay zekâ ile entegre edilen cerrahi robotlar, ameliyat sırasında sensörler aracılığıyla elde edilen verileri ve görüntüleri kullanır. Bu, cerrahların ameliyat sırasında dokunma hassasiyeti ve dokunun cerrahi sınırları gibi ölçümleri daha iyi yapmasını, hatta cerrahi prosedürlerin belirli adımlarının tamamen otomatikleştirilmesini sağlar. Bu faydalar üç kategoride sınıflandırılabilir: cerrahi iyileştirme, cerrahi değerlendirme/geri bildirim ve robotik özerklik. Üçünün de hedefi hem veri odaklı cerrahi kararlar vermeyi sağlayarak güvenli bir ortam oluşturmak hem de cerrahi eğitimi geliştirmektir.

Makine öğrenimi ile cerrahi iyileştirme, ameliyat sırasında gerçek zamanlı kamera görüntülerinde parazitlenmeyi önleyip bulanıklığı gidererek ve renk düzeltmesi yaparak cerrahlara çok daha net bir görüş alanı sağlar. Bu da cerrahlar için daha iyi bir çalışma ortamı yaratır ve ameliyatın daha hassas yapılabilmesini sağlar. YZ dokuları tanımayı da öğrenebilir ve gevşek bağ dokusu liflerini otomatik olarak ayırarak güvenli kesi düzlemleri belirleyebilir.

Çoğu ameliyat fiziksel ve zihinsel olarak yorucudur. Dikiş atma gibi belirli cerrahi işlemlerin otomatikleştirilmesi, cerrahların üzerindeki iş yükünü hafifleterek, ameliyatları daha hızlı ve daha güvenli hale getirebilir. Çoktan geliştirilmiş ve kullanıma sokulmuş olan bazı makine öğrenimi modellerine ek olarak, her gün yeni modeller geliştiriliyor. Sıfır insan müdahalesiyle yapılan laparoskopik bağırsak ameliyatlarında olduğu gibi.

Yapay zekâ, eğitim amaçlı özelleşmiş cerrahi geri bildirimlerin üretilmesi ve sunulması konusunda da umut vadediyor. Yüksek hassasiyet ve verimlilikle çalışan el hareketi tanıma sistemleri sayesinde, cerrahların eğitiminde becerilerinin değerlendirilmesini de sağlıyor.

İlaç Geliştirme
Yeni ilaçlar keşfetmek çok yavaş ve pahalı bir süreç. Klinik öncesi aşamalar altı yıla kadar sürebiliyor ve milyarlarca dolara mal olabiliyor. Yapay zekâ sistemleri ve araçlarıysa yeni ilaç geliştirme aşamalarının neredeyse hepsini hızlandırarak bu endüstrinin tüm ekonomisini yeniden şekillendirebilecek güce sahip.
İnsan klinik denemelerine giren ilk yapay zekâ tasarımı ilaç molekülü 2020’de duyurulmuştu. 2021’de AlphaFold adlı bir yapay zekâ sistemi, insan genomundaki 20.000 protein de dâhil olmak üzere 330.000 proteinin yapısını tahmin edebildi. Şu anda bu sistem bilim dünyasının bildiği hemen tüm kataloglanmış proteinleri kapsayan 200 milyonun üzerinde proteini içeriyor. Mart 2022’deyse araştırmacılar, YZ odaklı yaklaşım kullanan biyoteknoloji şirketlerinin 150’nin üzerinde küçük moleküllü ilacı keşfetmekte olduğunu ve bunların 15’inden fazlasında klinik denemelere başlandığını duyurmuştu.

Yapay zekâ, hastalıkların biyolojik mekanizmalarını anlamak ve belirli hastalıkları hedeflemek için yeni proteinler ve/veya genler tespit etmek amacıyla büyük veri setleri üzerinde eğitilerek hedef belirlemede kullanılır. Moleküler düzeyde yüksek hassasiyetli bilgisayar simülasyonları kullanarak, ilaç adaylarını fiziksel olarak test etme ihtiyacını azaltır; böylece zaman alıcı ve yüksek maliyetli geleneksel kimya yöntemlerine gerek kalmaz. Geleneksel ilaç geliştirme sürecinde mevcut kütüphaneler incelenir, tanımlanır ve bilinen moleküllerden yeni kütüphaneler oluşturulur. Yapay zekâ ise sıfırdan ilaç molekülleri tasarlayabilir. Kısacası mesele, “baştan sona otomatik ilaç keşfi” fikrinin gerçeğe dönüşüp dönüşmeyeceği değil, ne zaman dönüşeceği.

Kestirimsel Analiz
Tahmine yönelik analizin temel uygulama alanı hastalıkların önlenmesi. Yapay zekâyı eğitmekte kullanılabilecek veri setleri elektronik tıbbi kayıtlar, genom verileri, giyilebilir cihazlar ve çevresel faktörler gibi şeyler içerebiliyor. Bu büyük veri setlerinin analiz edilmesiyle yapay zekâ salgınları, tedavi sonuçlarını, ilaç etkileşimlerini ve yan etkileri, hatta kronik hastalıkların ilerlemesini tahmin edebiliyor. Ancak, tahmin sonuçlarını yorumlayabilmek için sağlık çalışanlarının YZ algoritmasının bir tahmine nasıl ulaştığını açıklayabilmesi gerek. Tam da bu noktada, son dönemde ilgi görmeye başlayan açıklanabilir yapay zekâ (AYZ veya XAI) kavramı işin içine giriyor. Bu yapay zekâ tipi, kendisiyle etkileşime giren insanlara içsel kararları, davranışları ve eylemleri açıklayabilecek bir açıklama modeli içeriyor. Doktorlar da soruları yanıtlayarak ve vakaları, görselleri, verilerin görselleştirilmesini analiz ederek bu sistemlerle iletişim kurabiliyorlar.

Yapay zekâ, çevrimiçi ortamda hastalık önleyici bilgileri yaymada da işe yarayabiliyor. Kalabalık kitlelere hızlıca ulaşabiliyor ve hatta sosyal medyadaki metinleri analiz ederek salgınları tahmin edebiliyor. Hastaların durumunda kötüye gitme, hastaneye yeniden yatma ve ölüm gibi oranları, ayrıca belgelerin daha düzgün tutulmasını ve kronik bakım yönetimini takip etmeye de yardımcı oluyor.

Sağlık Yönetimi
Hastalar iptal, yeniden planlama, saatlerce bekleme gibi olumsuz deneyimler yaşamadıkları sürece genellikle sağlık yönetimi ve uygulama detaylarına dikkat etmiyorlar. Yüksek talep nedeniyle her zaman mükemmel hizmet sunmak zor, hatta imkânsız olabiliyor. Peki, bilgisayar sistemleri yapay zekâ tarafından yönetilseydi ve tüm idari sistem daha verimli hale gelseydi? Takvimlendirme, faturalandırma gibi idari görevleri basitleştirmek ve elektronik sağlık kayıtlarının yönetimini sağlamak için YZ pekâlâ kullanılabiliyor. Buna genel olarak idari görevlerin düzene sokulması deniyor ve bir kuruluş içindeki süreçlerin optimizasyonu anlamına geliyor. Bu da yapay zekâ tarafından yönlendirildiğinde çok daha verimli olabiliyor. Böylece doktorlar idari görevlerle uğraşmak zorunda kalmak yerine tıbbi konulara odaklanmak için çok daha fazla vakit bulabiliyorlar.

Endişeler ve Sonuç
Yapay zekânın sağlık sektöründe iş olanaklarını azaltacağına dair endişeler var. Ancak, makineler insan davranışlarını taklit edebilse de bazı kritik insan özelliklerini kopyalayamıyorlar. Örneğin eleştirel düşünme, iletişim becerileri, duygusal zekâ ve yaratıcılık. Yapay zekânın tıptaki uygulamalarına ilişkin bir diğer endişeyse veri gizliliği; çünkü yapay zekâ modelleri, çok fazla kurumla geniş ölçekte veri paylaşımını gerektiren devasa miktarda veriyle çalışmayı gerektiriyor. Elektronik sağlık kayıtlarının izin alınmadan kullanılması da toplanma, paylaşma ve satılma gibi riskler içeriyor.

Geliştirilen makine öğrenimi modellerinin şeffaf olmaması da cerrahi müdahalelerin güvenilirliği ve tekrar uygulanabilirliği konusunda sorun yaratabilir. Hem cerrahlar hem de hastalar arasında güven sorunlarına da yol açabilir. Yapay zekâ sistemlerinin önyargılardan uzak duracak şekilde, dikkatlice eğitilmesi şart. Çıktılarını adil ve doğru üretebilmeleri sağlanmalı.

Örneğin, yapay zekâ destekli sohbet robotları bazen yanıltıcı tıbbi tavsiyeler verebiliyorlar. Bu, sırf ilgili taraflara kâr ettirecek ilaç veya testlerin önerilmesiyle tıbbi sistemin kötüye kullanılıp kullanılmadığına dair sorular doğurabiliyor. Bu tür etik riskler ve sorunlardan kaçınmak için etkin bir düzenleme ve denetim mekanizmasına kesinlikle ve kritik olarak ihtiyaç var. Düzenleyiciler, veri bilimciler, tıbbi araştırmacılar ve doktorlar herkes için daha iyi sağlığı hedefleyerek, eşitliği ve etiği ön planda tutmalılar.

Yapay zekâ, sağlık profesyonellerine zaman kazandırma potansiyeli taşısa da, onların yerine geçmek üzere tasarlanmadı. Burada amaç verimliliği artırarak, süreçleri iyileştirerek ve daha kişiselleştirilmiş bakım sağlayarak doktorlara yardımcı olmak ve onları desteklemek.

Tıbbi bağlam ve şartların oluşturulması, yapay zekânın analiz etmesi için doğru verilerin sağlanması ve YZ bulgularının hastalara anlamlı şekilde aktarılabilmesi için insan uzmanlığı hâlâ çok önemli. Yapay zekâ ile sağlık çalışanları arasındaki ilişki, pilotlar ve otomatik uçuş sistemleri arasındaki ilişkiye benziyor -teknoloji performans artırsa da insan denetimi ve müdahalesi yine de şart. Acil durumlarda kontrolü ele almak ve gerekli ayarlamaları yapmak için insanlar hâlâ gerekli.