Cognitive Computing ve Sağlık: Bilgi Yoğun Kararlarda Yapay Zekânın Rolü

Bir radyolog günde ortalama kaç görüntü değerlendiriyor? Büyük üniversite hastanelerinde bu sayı yüzlerle ifade ediliyor. Her görüntü, yıllar içinde birikmiş klinik bilginin anlık olarak devreye girmesini gerektiriyor. İşte tam bu noktada bilişsel bilişim sistemleri — cognitive computing — klinik pratiğe girmeye başlıyor. Sağlık sektörü, yapay zekâ destekli karar sistemlerinin en somut biçimde test edildiği alanlardan biri haline geliyor; çünkü buradaki kararların hem bilgi yoğunluğu hem de hata maliyeti son derece yüksek.

Bilişsel bilişim, klasik kural tabanlı yazılımlardan farklı bir paradigmayı temsil ediyor. Geleneksel karar destek sistemleri önceden tanımlanmış kurallara göre çalışıyor: ‘Eğer A ise B yap.’ Bilişsel sistemler ise yapılandırılmamış veriyi — klinik notlar, tıbbi literatür, görüntü verileri — işleyerek olasılıksal çıkarımlar üretiyor. IBM Watson Health bu alanda en çok tartışılan uygulama olarak öne çıkıyor; onkoloji kliniklerinde tedavi protokolü önerileri üretmek amacıyla kullanılıyor. Sistem, binlerce vaka kaydını ve tıbbi yayını tarayarak klinisyene alternatif tedavi seçeneklerini gerekçeleriyle sunuyor. Türkiye’deki büyük özel hastane grupları bu tür sistemleri yakından izliyor; pilot uygulamalar henüz sınırlı olsa da teknolojinin klinik iş akışına entegrasyonu ciddi bir gündem maddesi.

Bu sistemlerin çalışma mantığını anlamak için ‘karar katmanları’ çerçevesini kullanmak yararlı. Klinik bir karar genellikle üç katmanda şekilleniyor: veri toplama, örüntü tanıma ve bağlamsal yorum. Bilişsel sistemler özellikle ilk iki katmanda güçlü. Radyoloji görüntülerinde anormallik tespiti, patoloji slaytlarında hücre sınıflandırması, hasta geçmişinden risk faktörü çıkarımı — bunların hepsinde makine öğrenmesi modelleri insan gözünün kaçırabileceği örüntüleri yakalamaya başlıyor. Üçüncü katman, yani bağlamsal yorum ve nihai karar, hâlâ klinisyenin sorumluluğunda kalıyor. Bu iş bölümü tesadüf değil; hem etik hem de pratik bir zorunluluktan kaynaklanıyor.

Sağlık sektörünün bu dönüşümden çıkarılacak en kritik dersi, insan-makine iş bölümünün nasıl kurulduğudur. Bilişsel sistemler klinisyenin yerini almıyor; klinisyenin dikkat kapasitesini ve bilgi erişimini genişletiyor. Bir onkolog tek başına her yıl yayımlanan binlerce tıbbi makaleyi takip edemez. Sistem bu literatürü tarayıp ilgili vakaya uyguladığında, doktorun karar kalitesi artıyor — karar hızı da. Süreç optimizasyonu açısından bakıldığında, bu tür sistemlerin en somut katkısı gereksiz tekrar tetkikleri azaltmak ve yüksek riskli hastaları erken tespit etmek. Her iki çıktı da hem klinik hem finansal sonuçları doğrudan etkiliyor; hastane yöneticileri için bu, yatırımın geri dönüşünü hesaplamayı kolaylaştırıyor.

Bilgi yoğun sektörlerdeki bu insan-makine iş bölümü ilkesi sağlıkla sınırlı değil. Hukuk, finans, mühendislik — yapılandırılmamış büyük veri kütlelerinden anlık çıkarım yapılmasını gerektiren her alanda benzer bir dönüşüm gündemdeki yerini koruyor. Türkiye’deki kurumsal yazılım ekosistemi açısından değerlendirildiğinde, bu trend iki somut fırsat yaratıyor: birincisi, sektöre özgü bilgi tabanlarının oluşturulması; ikincisi, mevcut iş süreçleriyle bilişsel araçların entegrasyonunu sağlayacak ara katman yazılımlarının geliştirilmesi. Yerel sağlık bilişimi firmalarının bu boşluğu görmesi ve ürün yol haritalarını buna göre şekillendirmesi gerekiyor.

Ancak bu tablonun önemli kısıtları var. Bilişsel sistemlerin eğitim verisi kalitesine olan bağımlılığı, klinik ortamlarda ciddi bir engel oluşturuyor. Türkiye’deki hastane veri altyapıları henüz standart değil; farklı sistemler arasında veri tutarlılığı sağlamak başlı başına bir proje. Bunun yanı sıra tıbbi yapay zekâ uygulamaları için net bir düzenleyici çerçeve henüz oluşmamış durumda. Bir sistemin FDA veya CE onayı alması ile Türkiye’deki klinik uygulamaya girmesi arasındaki yol uzun ve belirsiz. Klinisyenlerin bu sistemlere güven geliştirmesi de zaman alıyor; ‘kara kutu’ olarak algılanan bir öneri mekanizması, pratisyenin direnciyle karşılaşıyor. Toplam sahip olma maliyeti hesabında bu adaptasyon sürecinin yarattığı operasyonel yük göz ardı edilmemeli.

Sağlık kurumlarındaki karar vericiler için şu değerlendirme kriteri belirleyici olacak: Bilişsel sistem, klinisyenin mevcut iş akışına entegre olabiliyor mu, yoksa paralel bir sistem olarak ayrı bir yük mü yaratıyor? Entegrasyon derinliği ne kadar yüksekse, sisteme güven o kadar hızlı oluşuyor ve kullanım oranı artıyor. Pilot uygulamalarda bunu ölçmek için doğru metrik, sistemin kaç öneri ürettiği değil, klinisyenin bu önerilerden kaçını gerekçeli biçimde değerlendirip klinik karara dahil ettiği. Teknoloji değerlendirmesini bu soruyla başlatan kurumlar, yatırım kararlarını çok daha sağlam bir zemine oturtmuş oluyor.


tahmin modelleri yalnızca verimlilik gündemiyle ele alınırsa eksik kalır. Müşteri deneyimi, çalışan davranışı, finansal etki ve operasyonel dayanıklılık birlikte değerlendirilmelidir. Çünkü kurumsal teknoloji, tek bir departmanın değil, işletmenin tamamının çalışma biçimini değiştirir.


Gökhan Mercanoğlu
Yapay Zekâ ve Makine Öğrenmesi