Sağlıkta Yapay Zeka | Kapsamlı Rehber

Yapay zeka, kısaca AI (Artificial Intelligence), makinelerin insanlar gibi karmaşık sorunlara çözüm üretmesini ve insanların düşünme şeklini taklit etmesini sağlayan bir teknolojidir. 0 ve 1 içeren kodlar, tıpkı sizin gibi düşünür, analiz eder ve kararlar verir. Başka bir deyişle, insan beynini taklit eden algoritmalar.

Yapay Zekanın kendisi aslında dört eşmerkezli çemberden oluşan bir serideki en büyük ve en dıştaki çemberdir. AI, aşağıda gösterildiği gibi Makine Öğrenimi (ML), Derin Öğrenme (DL), Sinir Ağları (NN) gibi birçok tekniği içinde barındırır.

“Yapay Sinir Ağları”, insan beyninin çalışma şeklinden esinlenen yaygın bir makine öğrenimi (ML) türüdür. Örnekleri göz önünde bulundurarak belirli bir görevdeki yeteneklerini aşamalı olarak geliştirirler. Yeterince büyük bir veri kümesi ve yeterince güçlü bir bilgisayarla, bu görevde daha iyi ve daha iyi olacaklar. Veriler içinde bağımsız olarak anlamlı bağlantılar bulabilirler.

AI, dijitalleşme, endüstri 4.0 ve otomasyon gibi süreçlerle sık sık iç içe kullanılsa da, AI, dijitalleşme ve otomasyona yardımcı olan araçlardan yalnızca biridir. Derin öğrenme, makine öğrenimi, pekiştirmeli öğrenme gibi yöntemler yapay zekanın bir parçası olsa da kural tabanlı sistemler ve otomasyon terimleri yapay zekadan farklıdır. Kural tabanlı algoritmalar, verilerden kendi başlarına öğrenme kapasitesine sahip değildir, manuel olarak her seferinde optimize edilmeleri gerekir.

AI uygulamalarının avantajları bize bir çok noktada avantajlar sağlar ve bu avantajlar sağlık endüstrisinde çok önemli etkiler yaratabilir. Biraz yakından inceleyelim:

7/24 açık

Bilgisayarlar sıkılmadan, dikkati dağılmadan ve hatta yorulmadan, insanlardaki gibi uykuya, sık molalara ve içeceklere ihtiyaç duymadan 7 gün 24 saat kesintisiz çalılabilir.

Multitasking 

AI destekli sistemler insanlardan çok daha hızlı düşünebilir ve en iyi sonuçları elde etmek için aynı anda bir çok görevi eş zamanlı gerçekleştirebilir

Yüksek Hafıza Kapasitesi

Yapay zeka hafızasında tuttuğu milyonlarca veriyi işleyebilir ve aralarındaki kalıpları keşfedebilir.

Daha Hızlı Kararlar

Yapay zekayı diğer teknolojilerle birlikte kullanarak, makinelerin karar vermesini ve eylemleri bir insandan daha hızlı gerçekleştirmesini sağlayabiliyoruz. İnsanlar bir karar verirken birçok faktörü hem duygusal hem de mantıksal olarak analiz eder, fakat yapay zeka destekli programlar sadece programlandığı şey üzerine odaklanarak çalışır ve sonuçları daha hızlı verir.

Yaratıcılığa Olanak 

AI, insanları rutin ve tekrarlayan görevlerden kurtararak yaratıcı işlevlere daha fazla zaman ayırmalarına olanak tanır.

Hassas Tahminler

AI tabanlı algoritmalar analizlerinde insanlardan daha yüksek doğruluk sağlayabilir. Örneğin Bilgisayarlı Tomografi (BT) görüntülerinin değerlendirilmesinde belirli durumlar için hekimlerden daha yüksek doğrulukta tahminler sağlayabilir.

Açıklanabilirlik (Explainability)

Makine öğrenimi algoritmaları genellikle “kara-kutu” olarak tanımlanır. Kararlar, ‘nöronlar’ arasındaki sayısız bağlantıya dayanır ve çoğunlukla sadece matematiksel hesaplamalardır. Bu nedenle, bir insanıın bir yapay zekanın sonuca nasıl ulaştığını anlaması zordur. Bu güvenilirliği, önyargıyı değerlendirmeyi veya kötü niyetli manipulasyonları tespit etmeyi zorlaştırır.

Yüksek Miktarda Veri Gereksinimi

Sinir ağlarının büyük miktarlarda doğru ve güvenilir veri üzerine eğitilmesi gerekir. Yanlış veya yanıltıcı veriler, kötü performanslı ve hatalı çalışan sistemlere sebep olabilir. Günümüzde sahadaki sağlık verileri genellikle heterojen, karmaşık ve maalesef kötü kodlanmış, hatalı etiketlenmiştir.

Genellenebilirlik

Algoritmalar, eğitim aldıkları belirli veriler için iyi bir şekilde optimize edilmiş olabilir, ancak daha önce görmedikleri veriler hakkında çok farklı ve beklenmedik analizler verebilir.

Duygudan yoksun

Verimli çalışma söz konusu olduğunda algoritmaların çok daha iyi olduğuna şüphe yok, ancak insan iletişimini taklit emekte oldukça başarısızlardır. Örnek olarak bir yapay zeka algoritması kişinin klinik verilerinden kanser olduğunu tespit edebilir fakat bu tanıyı empati yaparak, en uygun ve en az yıpratıcı şekilde hastaya aktarabilmek yapay zekanın henüz sınıfta kaldığı görevlerdendir. 

Limitlerin Dışına Çıkmak

Makineler yalnızca tasarlandıkları veya programlandıkları görevleri en uygun şekilde yerine getirebilir. Başka herhangi bir görevde veriyle ilgisiz, hatalı çıktılar verebilir.

Patern Tanıma

Patern parmak izi görüntüsü, dermatolojik görüntü, radyolojik görüntü, el yazısı, insan yüzü, konuşma sinyali, DNA dizisi gibi unique olarak tanımlanabilen verileri içerir. Patern tanıma, bilgisayarların kalıpları nasıl ayırt edebildiğini ve model kategorileri hakkında bazı kararlar verebildiğini inceleyen bir yöntemdir.

Sınıflandırma

Sınıflandırma yöntemi özellikle iki veya daha fazla grubu birbirinden ayırmayı ve yeni gösterilen verinin bu sınıflardan hangisine en çok benzediğini bulmayı amaçlamaktadır. Klasik resimden kedi köpek ayrımı örnek olarak verilebileceği gibi, sağlıkta bir hastalığın varlığı veya yokluğu, bir grup hastalıktan en benzeyeni tespit etme, hastalığın ciddiyetini sınıflandırma gibi uygulama örnekleri de verilebilir. 

Doğal Dil İşleme (NLP)

NLP, elektronik sağlık kayıtlarını (EHR) sesli anlatımlarla kolayca dijitale aktarmak ve böylece çalışmalarını hızlandırmak için özellikle yoğun geçen muayene süreçlerinde hekimlerin işlerini kolaylaştıracak yapay zeka tekniklerinden birisidir.

Yapay zekanın, özellikle görüntü işleme kısmının sağlık alanında çok yaygın bir etki alanı bulması ile birlikte, günlük pratikte görüntülerin önemli olduğu alanlarda çok hızlı bir atılım yaşandı. Son yıllarda patoloji, radyoloji, cerrahi, kardiyoloji, göz hastalıkları, nöroloji ve gastroenteroloji alanlarında birçok bilimsel yayın ve yeni ürün ortaya çıktı. Görüntü işlemeye ek olarak, doğal dil işleme ve sayısal veri analizi gibi yöntemler psikiyatri ve onkolojide büyük kullanım buldu.

Sağlıkta yapay zeka konusunda en çok yayınlanan uzmanlık alanlarını 2010 yılından günümüze Bertalan Mesko ve ark.’nın hazırladığı grafikten inceleyebilirsiniz.

Yapay zekanın sağlıkta pratikte kullanımını artık görmeye başlıyoruz. Peki bu adaptasyon süreci hangi aşamalarla yaygınlaşacak? Birlikte bir göz atalım:

Aşama 1

Çözümlerin, doktorların ve hemşirelerin önemli ölçüde zamanını alan rutin, tekrarlayan ve büyük ölçüde idari görevleri ele alması, sağlık hizmeti operasyonlarını optimize etmesi ve benimsemeyi artırması ilk aşamada en muhtemel senaryo. Bu ilk aşamaya, şu anda radyoloji, patoloji ve oftalmoloji gibi uzmanlık alanlarında kullanılmaya başlanan görüntüleme tabanlı AI uygulamalarını da dahil edebiliriz.

Aşama 2

Hastalar tanı ve tedavilerinin yönetiminde giderek daha fazla söz sahibi oldukça uzaktan izleme, yapay zeka destekli uyarı sistemleri veya sanal asistanlar gibi hastane tabanlı hizmetten evde bakıma geçişi destekleyen daha fazla yapay zeka çözümünün pratiğe geçmesini bekliyoruz. 

Aşama 3

Klinik karar destek (CDS) araçlarına giderek artan bir ilgi ve odak ile klinik uygulamada daha fazla AI çözümünü görmeyi bekliyoruz. Nihayetinde bu çözümleri kullanan sağlık profesyonelleri zamanla, nasıl kullanacağı, nasıl araştırmalar yürütebileceği ve sürdürülebilir kılabileceğini deneyimledikçe, yapay zekayı sağlık sistemi değer zincirinin ayrılmaz bir parçası olarak görmeye başlayacaktır. Yapay zekanın sağlık hizmetlerinde tam potansiyelini sunması için önemli ön koşullardan biri de, kurumlar arasında daha büyük veri kümelerinin entegrasyonu, veri kalitesini sürekli iyileştirmek için güçlü yönetişim ve yapay zeka sistemlerindeki kuruluşlar, uygulayıcılar ve hasta tarafında güçlenecek güven duygusu olacaktır.

Klinik olarak anlamsız veri üzerinde eğitim

Yapay zeka, doğru ve güvenilir öğrenme için iyi şekillendirilmiş kaliteli bir veri setine ihtiyaç duyar. Ancak kliniklerdeki yoğun çalışma temposu, dokümantasyon ve geri ödeme sistemlerinin  gereksinimleri gibi nedenlerle üretilen veriler sağlık sistemi için anlamlı olurken yapay zeka gelişimi için kafa karıştırıcı olabilir.

Verilerin tam anlamıyla kör ve güvenilir olmaması

Sağlık hizmetlerinde herhangi bir önyargı içermeyen, kişiden kişiye yorumu değişmeyen, uzmanlık ve bilgi seviyesinden dolayı farklılık göstermeyen veri elde etmek maalesef oldukça zordur.

Sınırlı uygulamaların genele yayılmasının zorluğu

Belirli amaçlar için yapılan AI modelleri (örneğin, röntgen görüntülerinden kemik kırığı tespiti), sağlık uzmanları tarafından rutin uygulamada kullanılabilecek düzeye gelmesi, sağlık profesyonellerinin klinik pratiklerinde benimseyebilmeleri için daha fazla işlev, tatmin edici düzeyde durum ve hastalığı kapsaması gerekmektedir.

Sinir ağlarının sahip olduğu gizem, black-box (kara kutu), kompleks matematiksel hesaplamalara dayanan yöntemleri sebebiyle bir algoritmanın taraflı olup olmadığını, doğruluğunu değerlendirmeyi zorlaştıran en önemli problemlerdendir. Daha da kötüsü, algoritmanın, isimler ve adres bilgilerinden etnik köken ve sosyoekonomik grubu tahmin ederek, taraflı olarak bu bilgileri analizde kullanması ve kara kutu sebebiyle bu sorunun farkedilememesidir. Bu sorunlar nedeniyle, bir algoritmanın önerilen karara nasıl ulaştığına ilişkin sürecin şeffaf olmaması, klinisyen için tanı ve önerinin doğru olup olmadığını değerlendirmede büyük bir sorun teşkil etmektedir.

Yapay zeka, kendi kişisel deneyimlerimiz ve önyargılarımızla sınırlı eğitimler ile insanlardan daha adil ve objektif kararlar alabilir mi? Yoksa karar mekanizmasına katıldığı sağlık sisteminde insandan öğrendikleriyle insan önyargılarını toplayacak ve hatta artıracaklar mı? Eğitim verileri temsili değilse veya hedefler yanlış seçilmişse, ortaya çıkan AI aracı son derece adaletsiz olabilir. Sağlık hizmetleri dışında kullanılan makine öğrenimi algoritmaları ırk, cinsiyet, yaş, adres ve din temelinde ayrımcılık yaptığı için eleştirilirken bu ayrımcılığın sağlık sistemlerinde gerçekleşmesi daha büyük sonuçlara yol açabilir. Yapay zeka, yanlış değerleri ‘öğrenebilir’ ve hatta kendi kendini gerçekleştirebilir – başka bir önrek örnek, işe alma kararlarına yardımcı olacak bir algoritma, geçmiş işe alım verilerindekilerle aynı geçmişe sahip kişileri ödüllendirebilir ve her kararda önyargıyı güçlendirebilir.

Geliştir ya da Değiş

Yapay zeka sistemleri, doktorlar için önemli kavramsal zorluklar ortaya çıkarmaktadır. Bunlarla ilgili en büyük tartışmalardan biri de “AI ile değiştirilen” veya “AI ile gelişen” doktorlar arasındaki tartışmadır.

Klinik uygulamalara yönelik mevcut sistemler genellikle “dar yapay zeka” olarak kabul edilebilir, yani kısıtlı görevlerde başarılı olabilirler ve sıkıcı, tekrarlayan faaliyetlerde doktorlara yardımcı olmada yararlı olabilir (örn. Görüntülemelerde bölümlere ayırarak organları veya örüntülü yapıları bulma). Belirtildiği gibi, görüntülerin görsel analiziyle ilgilenen tıp uzmanları, bu tür teknikler yoluyla rutin pratiklerindeki önemli değişimleri denemeye çoktan başladılar.

Sonuç olarak, bilgisayarlı sistemler, herhangi bir insan operatörünün yorgunluk ve zaman kısıtlamaları olmadan ve uygun şekilde eğitilmişse daha yüksek doğrulukta sonuçlar ile, çok daha fazla görüntüyü eş zamanlı işleyebilir. Yapay zeka sistemleri, doğal dili ve yazılı metinleri tanımada da çok iyi performans gösteriyor; bu da özellikle yapılandırılmış ama yararlı bir şekilde kullanılamayan kaynaklardan (örneğin klinik kayıtlar) analizler yapabilmenin yolunu açıyor.

Ancak genel olarak, sağlıkta AI sistemleri, bağlamı yorumlama ve en ayırt edici insan özelliklerini (yaratıcılık, duygular) üretme yeteneğinden yoksundur ve (henüz) “güçlü” veya “genel” AI olarak kabul edilemez. Pek çok soru işaretini içermesine rağmen, AI sistemleri doktorların görevlerini birçok yönden iyileştirebilir. Bu önemli katkı ve işlevler bu teknolojileri kullanmamayı seçen profesyonellerin modasının geçmesine sebep olacak ve değişime zorlayacaktır.

Hastalar hakkında bu kadar çok farklı türde bilgi içeren muazzam miktarda verinin mevcudiyeti, teşhis ve tedavi için en yararlı bilgileri keşfetmek için yeni profesyonel uzmanlık alanları gerektirir. Yeni veri kaynaklarının eklenmesi – öngörülebilir “genişletilmiş kişiselleştirilmiş tıp” paradigmasında – doktorlar ve hastalar için özel tavsiyeler için muhtemelen başka “tıbbi veri bilimcisi” profillerini gerektirecektir.

AI, doktorların daha fazla insan olmalarına olanak sağlayacak

Sağlık profesyonellerindeki tükenmişliğin ve personel eksikliğinin yaygın olduğu bir dönemde, AI bize iş yükünün bir kısmını otomatikleştirme ve rutin görevlerin yükünü azaltma potansiyelini sağlar. Bu da, doktorlara daha ilginç ve zorlu işlerle meşgul olma ve daha esnek çalışma fırsatlarına sahip olmaya imkan sağlayabilir. Bazı uzmanlar, uzun vadede bazı doktorların işsizliğe yol açabilecek, yapay zeka ile “değiştirilebileceğinden” korkuyorlardı, ancak iyi haber bir doktorun hekimlik için gerekli olan beceri ve özelliklerin çeşitliliği kolayca kopyalanamayacak düzeyde değil. Klinik karar vermeyi destekleyen yapay zeka araçları, mevcut bilgi havuzundan desteğe “ihtiyaç duyulduğunda” erişim sağlayarak klinisyenlerin daha geniş bir alanda güvenle çalışmasını sağlayabilir.

Gelecekte, sofistike yapay zekalar, hastalarla konuşma, bilgiyi işleme ve karar verme konusunda baskın bir rol oynarsa, doğrudan hasta etkileşimindeki bu azalma ve profesyonel rollerdeki değişiklik, sağlık profesyonelinin sağlık sistemindeki yerini çok daha güçlü bir şekilde arttırabilir.

Elbette AI, sağlık hizmetleri için her derde deva değil fakat yazının son bölümünde sağlık hizmetlerinde yapay zekanın kalitesini ve yayılımını iyileştirebilecek bazı stratejileri sunmak isterim:

Kaliteli AI çözümleri için işbirliği

Multidisipliner işbirliği eksikliği; sağlık profesyonellerinin erken katılımını ve çözümleri geniş ölçekte benimsemesinin önündeki ana engeller arasındadır. Yapay zeka çözümlerinin karşılaştığı sorunlardan biri, kalite ve etkililiğin klinik kanıtlarını oluşturmaktır. Yeni geliştirilmeye başlanan çözümler hızlı bir şekilde ölçeklendirmekle ilgilenirken, hekimler herhangi bir yeni ürünün hastaya ulaşmadan önce “zarar vermeyeceğine” dair emin olmak ister. Teknolojiyi kullanacak olan sağlık profesyonelleri,  ayrıca ürünlerin nasıl çalıştığını, temel verilerin nereden geldiğini ve algoritmalara hangi önyargıların yerleşmiş olabileceğini anlamak istiyor. Teknolojinin üreticileri ve uygulayıcıları arasındaki şeffaflık ve işbirliği, sağlık hizmetlerinde yapay zekayı ölçeklendirmenin anahtarı olacak. 

Eğitim ve yetenekleri tekrar gözden geçirme

Dijital becerilerin önemine daha önce değinmiştik. Sağlık hizmetlerinde yapay zeka, hem biyomedikal hem de veri biliminde deneyimli yetenekler gerektirecektir. Tıp, biyoloji ve bilişimin ortak derecelerle buluştuğu ama daha genel olarak, temel dijital okuryazarlık, genomik temelleri, yapay zeka ve makine öğrenimi gibi beceriler, eleştirel düşünme becerileri ve sürekli öğrenme zihniyetinin geliştirilmesi ile desteklenen becerilerin geliştirilmesi önem kazanacaktır. Klinik eğitimi yükseltmenin yanı sıra, sağlık hizmetleri sistemlerinin mevcut işgücü hakkında düşünmesi ve sürekli öğrenmeyi sağlaması gerekir.

Güçlü data kalitesi ve güvenliği

Veri erişimi, kalitesi ve kullanılabilirliği, sağlık hizmetlerinde yapay zeka kullanımının önündeki potansiyel engellerdir. Veri sorunu, veri oluşturmak için sağlığı dijitalleştirme, veri toplama ve veri yönetimi etrafında yönetişim kurma olarak ikiye ayrılır. Yapay zekanın pratik uygulamalarının yaygınlaşmasından önce sistemlerin ve verilerin temel standartlarda dijitalleşmesini sağlamak çok önemlidir. Sistemlerin daha fazla veriyle beslenebilmeleri için sağlık kurumları güvenli ve uygun veri paylaşım politikalarına sahip olmalıdır. Veriyle ilgili bekleyen son sorun da, veri setlerinin birbiriyle konuşmasıdır. İlgili kurumların verileri anonimleştirme çalışmalarını desteklemesi ve makul olduğu durumlarda paydaşlar tarafından uygun önlemlerle erişilebilen veritabanları oluşturması gerekir.

Yeni yetenek ve roller

Sağlık kuruluşlarının, veri bilimcileri veya veri mühendisleri gibi yapay zekanın başarılı bir şekilde tanıtılması ve benimsenmesi için kritik olacak yeni rolleri nasıl bünyelerine katacakları ve işe alacaklarını düşünmeleri gerekir. Veri bilimi üzerine bir çok genç dijital sağlık ve yapay zekanın potansiyeli konusunda heyecanlanıyor ve bu alanda çalışmalar gerçekleştiriyor. Bu tür yetenekleri çekmek ve elde tutmak için esnek, çevik modeller geliştirmek, sağlık kuruluşlarının gelecekte insan stratejisinin önemli bir parçası olacaktır.

Finansman-Geri Ödeme

Bir ilacın veya cihazın geri ödenmesine ilişkin yetki her ülkeye bağlı değişmekle birlikte genellikle devlete bağlı kurumlara aittir ve bu karar genellikle neyin ödeneceği ve hangi fiyata geri ödeneceğini içerir. Yapay zeka uygulamalarının potansiyel geri ödemesi için net kriterlerin varlığı, geniş çapta benimsenme ve faydaların kuruluşlar arasında paylaşılmasına izin veren yaratıcı finansman modelleri için çok önemli olacaktır.