Yapay zeka (Al), sağlık sektöründe büyük değişimlere öncülük etmektedir. Hastalıkların erken teşhisinden kişiselleştirilmiş tedavi yöntemlerine kadar birçok alanda kullanılmaktadır. Klinik veriler, laboratuvar sonuçları, tıbbi görüntüleme ve hasta geçmişi gibi geniş veri kaynakları, Yapay Zeka algoritmalarıyla analiz edilerek sağlık alanında daha hızlı ve doğru teşhisler konulmasını sağlamaktadır.
Sağlıkta Yapay Zeka Kullanım Alanları
Tanı ve tedavi için gerekli veriler, klinik notlar, laboratuvar testleri, eczane verileri, tıbbi görüntüleme ve genomik bilgiler dahil olmak üzere birçok kaynaktan gelir. Yapay zeka, görüntü analizini (örneğin radyoloji, oftalmoloji, dermatoloji ve patoloji) ve sinyal işlemeyi otomatikleştirme gibi görevlerde önemli bir rol oynayacaktır. Test ve görüntü yorumlamadaki uygulamasına ek olarak, yapay zeka klinik iş akışlarını kolaylaştırmak için sonuçları diğer klinik verilerle entegre etmek ve dizmek için kullanılabilir (Topol vd., 2019). Yapay zeka araçlarının uygulandığı klinik ortamlarda birçok etkileyici örnek vardır ve bunların bir kısmı aşağıda açıklanmıştır.
Radyoloji ve Görüntülemede Yapay Zeka Kullanımı
Radyoloji, son yıllarda önemli AI gelişmeleri görülen tıbbi uzmanlık alanlarındandır. Görüntüleme AI teknolojileri, radyologlara tıbbi görüntü niceleme çalışmalarında yardımcı olmada umut veriyor. Bu yapay zeka araçları ayrıca erken dikkat gerektiren bulguları önceliklendirebilir ve izleyebilir ve radyologların anormal olma olasılığı en yüksek olan görüntülere konsantre olmasını sağlar (Lee ve ark., 2018; Peng ve Wang, 2021). Tıbbi görüntü segmentasyonu için AI araçlarına iyi bir örnek, Kanadalı şirket Circle CVI tarafından ticarileştirilen ve 40’tan fazla ülkede benimsenen bir kardiyovasküler görüntüleme platformu olan ‘cvi42’dir (Zange ve ark., 2019).
Acil Tıp ve Hasta Önceliklendirmede Yapay Zeka Kullanımı
Sağlıkta Yapay zeka , acil servislerde hasta triyaj sürecini optimize ederek, acil müdahale gerektiren vakaları daha hızlı belirleyebilir. Klinik geçmişi analiz ederek hastaların risk seviyelerini belirler ve kaynak kullanımını daha verimli hale getirebilir. Ancak, hasta güvenliği ve algoritmaların doğruluğu konusundaki endişeler devam etmektedir.
Hastalık Risk Tahmini ve Kişiselleştirilmiş Tıp ve Yapay Zeka
Makine öğrenimi algoritmaları, hastalık risklerini geleneksel yöntemlere kıyasla daha isabetli tahmin edebilir. Kardiyovasküler hastalıklar gibi kronik rahatsızlıkların gelişme riskini belirlemek için YZ destekli modeller kullanılmaktadır. Bu sayede, kişiye özel tedavi planları oluşturulabilir.kardiyovasküler hastalık risk değerlendirmelerinde tahmini AI tabanlı modeller, istatistiksel olarak türetilen tahmini risk modellerine kıyasla daha iyi performans göstermiştir (Jamthikar ve diğerleri, 2019)
İlaç Geliştirme ve Farmakoloji Alanında Yapay Zeka
Sağlıkta yapay zeka kullanımı yeni ilaçların keşfi ve geliştirilme süreçlerini hızlandırmaktadır. Derin öğrenme modelleri, milyonlarca molekülü tarayarak potansiyel ilaç adaylarını belirleyebilir. Özellikle antibiyotik direnci gibi küresel sağlık sorunlarına yönelik çözümler sunmaktadır.
Ayrıca Uyarlanabilir müdahaleler, aynı zamanda ‘tam zamanında uyarlanabilir müdahaleler’ olarak da tanımlanır, bir bireyin değişen içsel ve bağlamsal durumlarına sürekli olarak uyum sağlayarak doğru türde ve düzeyde destek sağlamayı amaçlayan müdahale tasarımlarıdır (Almirall vd., 2014). Özellikle, bu, bakım süreci boyunca farklı zaman noktalarında ilaçların sıklığını, süresini ve dozajını ayarlamayı sağlar.
Kronik Hastalık Yönetimi ve Yaşlı Bakımı ve Yapay Zeka
Sağlıkta yapay zeka destekli sistemler, diyabet, hipertansiyon gibi kronik hastalıkları olan bireylerin sağlık durumlarını sürekli takip edebilir. Akıllı cihazlar ve mobil uygulamalar, hastaların sağlık verilerini analiz ederek doktorlara anlık bilgi sağlayabilir. Yaşlı bireyler için YZ tabanlı bakım robotları, bağımsız yaşamlarını desteklemeye yardımcı olmaktadır.AI kronik hastalıkların ve yaşlıları etkileyen rahatsızlıkların kendi kendine yönetiminde önemli bir rol oynayabilir. Kendi kendine yönetim görevleri, ilaç almaktan hastanın diyetini ayarlamaya ve sağlık cihazlarını yönetmeye kadar uzanır. Evde izleme, fiziksel alanı ve düşmeleri takip ederek bağımsızlığı artırma ve evde yaşlanmayı iyileştirme potansiyeline sahiptir. Özellikle araçlar, yazılımlar, akıllı telefonlar ve mobil uygulamalar, hastaların kendi sağlık hizmetlerinin büyük bir bölümünü yönetmelerini ve sağlık sistemiyle etkileşimlerini kolaylaştırmalarını sağlayabilir (Sapci ve diğerleri, 2019).
Ruh Sağlığı ve Dijital Terapi’de Yapay Zeka
Sağlıkta Yapay Zeka , depresyon, anksiyete gibi psikolojik rahatsızlıkların tespitinde ve takibinde kullanılabilir ve bu alanda geliştirmeler ve deneyler devam etmektedir. Bu alanda Konuşma analizi, yüz tanıma ve sohbet robotları gibi teknolojilerle hastaların ruh hallerinin değerlendirilmesi yer almaktadır. Böylece, erken müdahale sağlanarak tedavi süreçleri daha etkili hale getirilebilir. Ayrıca Yapay zeka, örtüşen klinik sunumlara sahip ancak farklı tedavi seçenekleri olan tanılar arasında ayrım yapmaya yardımcı olabilir (Dwyer vd., 2018). Örnekler arasında bipolar ve unipolar depresyonun tanımlanması (Redlich vd., 2014) veya demans türleri arasındaki ayrım (Lee vd., 2021) yer alır.
Hepatoloji Alanında Yapay Zeka
ML modelleri, çoğu yaşamı tehdit eden çok sayıda karaciğer hastalığının teşhisini kolaylaştırmak için yaygın olarak kullanılmıştır. İlgi, çoğunlukla karaciğer sirozu gelişene kadar hastaların çoğunun asemptomatik kalması nedeniyle alkolsüz yağlı karaciğer hastalığının (NAFLD) otomatik olarak tespit edilmesine odaklanmıştır. Yakın zamanda geliştirilen bir yapay zeka sinir ağı, NAFLD’yi teşhis etmede %97,2 doğruluk göstermektedir (Okanoue vd., 2021).
Hasta Randevu Planlamasında Yapay Zeka
Planlama, AI’nın idari sürece değer katabileceği bir başka örnektir. Tarihsel verilerle beslenen algoritmalar, hangi hastaların randevularına katılmayabileceğini tahmin edebilir ve uygulayıcıların durumu yönetmek için proaktif eylemde bulunmalarına olanak tanır. Genel veya hatta hedefli hatırlatmaların ötesinde, AI bir hastanın ihtiyaçlarını ve sorularını ele alabilir (OECD, 2020).
Sağlıkta Fiyat Araştırması için Yapay Zeka
Algoritmalar ayrıca sağlık hizmetlerindeki hileli faaliyetleri aramayı da öğrenebilir, yani gerçekleştirilenden daha pahalı bir tıbbi hizmet için bir kod kullanmak (OECD, 2020)
Yapay Zekanın Sağlıkta Yarattığı Riskler ve Zorluklar
Yapay zekanın sağlık sektöründe sunduğu avantajların yanı sıra, belirli riskleri de bulunmaktadır. Bu riskleri minimize etmek için gerekli önlemler alınmalıdır.
1. Yapay Zeka Hatalarından Kaynaklanan Hasta Zararı
Yapay zeka tabanlı sistemler, yanlış negatif veya yanlış pozitif sonuçlara yol açabilir. Bu hatalar, ciddi hastalıkların gözden kaçmasına veya gereksiz tedavilere neden olabilir. Örneğin, tıbbi görüntüleme alanında yaşanan algoritma hataları, kritik hastalıkların teşhisinde sorunlara yol açabilir. Ayrıca Yapay zeka algoritmaları, kullanıldıkları ortam ve bağlam değiştiğinde beklenmedik hatalar yapabilir. Harvard Tıp Fakültesi’nden araştırmacılar, tıbbi görüntüleme alanında bu durumu açıklayan bir örnek sundular. Akciğer kanseri gibi ciddi hastalıkları tespit etmek için eğitilen bir yapay zeka modeli, bazı durumlarda yanlış öngörülerde bulunabilir. Örneğin, bir röntgen teknisyeni EKG konektörlerini hastanın göğsünde unuttuğunda veya hasta alyansını çıkaramayıp elini göğsüne koyduğunda, yapay zeka bu yabancı nesneleri lezyon olarak algılayarak yanlış pozitif sonuç verebilir. Bu tür hatalar, yapay zekanın beklenmedik değişikliklere uyum sağlamakta zorlanabileceğini göstermektedir.
2. Tıbbi Yapay Zeka Araçlarının Kötüye Kullanımı
Yapay zeka araçlarının yanlış kullanımı, hasta güvenliğini tehlikeye atabilir. Klinik karar alma süreçlerinde yanlış yönlendirme, gereksiz test ve tedavilere sebep olabilir. Bu nedenle, sağlık profesyonellerinin Yapay zeka kullanımında dikkatli olması gerekmektedir.
3. Yapay Zekada Önyargı Riski ve Eşitsizlikler
Yapay zeka algoritmaları, kullanılan veri setlerine bağlı olarak belirli hasta gruplarında önyargılı sonuçlar üretebilir. Farklı hastane veya popülasyonlardan gelen verilerle test edildiğinde, doğruluk oranlarında düşüş gözlemlenebilir. Bu durum, hastalar arasındaki eşitsizlikleri artırabilir.
4. Şeffaflık Eksikliği
Yapay zeka sistemlerinin karar alma mekanizmaları her zaman net değildir. Kara kutu olarak adlandırılan bu durum, sağlık profesyonellerinin algoritma çıktılarının doğruluğunu sorgulamasına yol açabilir. Şeffaf ve açıklanabilir modeller geliştirilmelidir.
5. Gizlilik ve Veri Güvenliği
Hastaların kişisel sağlık verilerinin korunması büyük önem taşımaktadır. Yapay zeka tabanlı sağlık sistemlerinin güvenliğini sağlamak için etkili şifreleme ve veri koruma yöntemleri uygulanmalıdır.
6. Yapay Zekada Hesap Verebilirlik Boşlukları
Yapay zeka sistemlerinin oluşturduğu hatalar karşısında sorumluluk belirleme konusu hala netleşmemiştir. Yanlış teşhis veya tedavi kararları sonucunda ortaya çıkabilecek tıbbi hataların kimin sorumluluğunda olduğu açık bir şekilde tanımlanmalıdır.
7. Gerçek Dünyadaki Sağlık Hizmetlerinde Uygulama Engelleri
Yapay zekanın sağlık sistemlerine entegrasyonu, altyapı eksiklikleri ve eğitim ihtiyaçları nedeniyle zaman alabilir. Klinik ortamda çalışanların Yapay zekanın teknolojilerini etkin kullanabilmesi için gerekli eğitimler sağlanmalıdır.
Sağlık Teknolojilerinde Eşitsizlik: Algoritmalar ve Ayrımcılık
2019’da Science dergisinde yayımlanan bir çalışmada, ABD’de hastaların sevk sürecine yardımcı olmak için kullanılan bir algoritmanın Siyah hastalar aleyhine ayrımcılık yaptığı gösterildi (Obermeyer vd., 2019). Çalışma, algoritmanın, Siyah hastaların aynı risk puanında Beyaz hastalardan daha ciddi sağlık sorunlarına sahip olduğunu göz ardı ettiğini ve bu durumun Siyah hastaların ek yardım alma oranını %17,7’den %46,5’e çıkarabileceğini belirtti.
2020’de Kanada’da yapılan başka bir çalışma ise, derin öğrenme algoritmalarının sağlık verilerini değerlendirirken adalet sorunlarını ele aldı (Seyyed-Kalantari vd., 2020). Çalışma, en yüksek yanlış tanı oranlarının genç kadınlarda (0-20 yaş), Siyah hastalarda ve düşük gelirli sigorta sahiplerinde olduğunu buldu. Özellikle kesişimsel kimliklere sahip hastalar (örneğin, düşük gelirli bir Hispanik kadın) daha yüksek yetersiz teşhis oranlarıyla karşılaştı. Yazarlar, büyük veriyle eğitilen modellerin otomatik olarak eşitlik sağlamadığını, aksine sağlık hizmetlerinde eşitsizliklere yol açabileceğini belirtti.
Meme Kanseri Taramasında Yapay Zeka
Google tarafından geliştirilen bir yapay zeka algoritması, meme kanseri taramalarında gösterdiği yüksek performansla büyük ilgi topladı (McKinney, 2020). Bu algoritmanın, tarama süreçlerini hızlandırdığı, sağlamlık sağladığı ve eğitildiği popülasyonların dışında başka ülkelerde de etkili olduğu, bazı durumlarda ise radyologlardan daha başarılı olduğu belirtildi.
Ancak, bu çalışma, algoritmanın nasıl geliştirildiği ve kullanılan teknikler hakkında neredeyse hiç bilgi sunulmadan paylaşıldığı için bazı eleştiriler aldı. Yapay zeka topluluğu ve medya, algoritmanın yararlılığı ve güvenliği konusunda endişelerini dile getirdi (Wiggers, 2020; iNews, 2020). Ayrıca, bir grup bilim insanı, tıbbi yapay zekada daha fazla şeffaflık çağrısında bulunarak bu algoritmayı örnek gösterdi (Haibe-Kains et al., 2020).
Sağlıkta Kullanılan Yapay Zekanın Güvenlik Sorunu
Ayrıca, araştırmalar AI tarafından kontrol edilen kişisel tıbbi cihazların da saldırılara karşı savunmasız olduğunu göstermiştir. Örneğin, araştırmacılar diyabet hastaları için AI destekli insülin pompalarının hacklenebileceğini ve farklı mesafelerden uzaktan kontrol edilebileceğini ve hatta hastanın vücudunu aşırı insülinle doldurmak için manipüle edilebileceğini keşfettiler (Wired, 2019). Bu hack gerçek dünyada hiç gerçekleştirilmemiş olsa da, araştırmacıların AI saldırısının geliştirilmesi AI sisteminin işlevselliğindeki ciddi güvenlik açıklarını ortaya çıkardı.
Sağlıkta Kullanılan Yapay Zeka uygulamaları ve Mobil Araçlar
Kişisel EKG. Kardia Mobile [58], FDA onaylı kişisel EKG kayıt cihazı üretti. Platform, 30 saniyelik bir pencerede EKG kaydetmek için bir parmak pedi ve bir akıllı telefon uygulaması kullanıyor. Cihaz herhangi bir kablo veya jel olmadan çalışıyor. Platform, atriyal fibrilasyonun AI destekli tespitini kullandığını iddia ediyor.
● Parkinson titremeleri. CloudUPDRS [59], Parkinson hastalığı semptomlarını değerlendirebilen bir akıllı telefon uygulamasıdır. Uygulama, birçok mobil cihazda bulunan jiroskobu kullanarak titremeleri, yürüyüş şekillerini ve bir “parmak vurma” testindeki performansı analiz ediyor ve ölçüyor. Bir AI algoritması, gerçek titremeler ile düşürülen bir telefon veya uygulamanın sorusuna verilen yanlış bir yanıt gibi “kötü veriler” arasında ayrım yapıyor. Bu araç, Parkinson hastalarının evde test yapmalarını sağlayarak, kişisel yaşam tarzı faktörlerinin ve ilaçlarının semptomlarını nasıl etkileyebileceği konusunda değerli ve nicel geri bildirim sağlıyor.
● Astım takibi ve kontrolü. AsthmaMD [60], ekshalasyon sırasında pik akışı değerlendirerek akciğer performansını ölçen elde taşınabilir bir akış ölçer sunar. Akış ölçer, astım ve diğer solunum yolu hastalıkları olan kişiler için verileri kaydeden bir uygulama ile eşleşir. Kullanıcılar ayrıca semptomları ve ilaçları kaydedebilir. Bu uygulamanın ilginç bir özelliği, kullanıcıların verilerinin araştırma amaçlı olarak bir araya getirilen bir Google veritabanına anonim olarak yüklendiği bir programa kaydolabilmesidir. AsthmaMD, “anonim, toplu verilerin astımı çevresel faktörler, tetikleyiciler ve iklim değişikliğiyle ilişkilendirmeye yardımcı olacağını” belirtir.
ticari mobil uygulamalar, birkaç şirket tarafından cilt kanseri tespiti için geliştirilmiştir ve bu uygulamaların amacı, kişilerin uygulama aracılığıyla ciltlerinin bir resmini çekip yüklemelerini ve ardından bu fotoğrafın doğrudan uygulamanın AI algoritması tarafından analiz edilip değerlendirilmesini sağlamaktır. Bu tür uygulamalara örnek olarak Skinvision, MelApp, skinScan ve SpotMole verilebilir.
Bu tür teknolojiler hastalar ve klinisyenler için açık ve hayati öneme sahip bilgileri toplayabilir, ancak her yeni veri akışının değerlendirilmesi, toplanması ve klinik ihtiyaçlar ve AI uygulamalarıyla tutarlı formatlarda düzenlenmesi gerektiğini tekrar vurgulamalıyız.
Kaynak : Artificial intelligence in healthcare Panel for the Future of Science and Technology
Ücretsiz Yapay Zeka Eğitimi, Nasıl Başvurulur ?
Yapay Zeka İle Fotoğraf Canlandırmada En İyi 10 Uygulama