Veri İşlemede Yapay Zekâ Kullanımı: Sağlık Hizmetlerinde Bilginin Niteliği ve Mesleki Yetkinlikler

Sağlık hizmetlerinin dijitalleşmesi, verilerin doğru, güvenilir ve kullanılabilir biçimde işlenmesini giderek daha önemli hâle getirmektedir. Hasta kayıtları, laboratuvar sonuçları, tıbbi raporlar ve hizmet kullanım bilgileri, sağlık kuruluşlarında farklı biçimlerde üretilen veri kaynaklarıdır. Bu verilerin anlamlı bilgiye dönüştürülmesi; hizmetlerin planlanması, kurumsal işleyişin değerlendirilmesi ve karar süreçlerinin desteklenmesi açısından önem taşımaktadır. Yapay zekâ, veri işleme süreçlerine yeni olanaklar sunarken veri kalitesi, insan denetimi ve etik sorumluluk konularını da gündeme getirmektedir.

Veri işleme; verilerin toplanması, düzenlenmesi, temizlenmesi, sınıflandırılması, analiz edilmesi ve raporlanmasını kapsayan bir süreçtir. Yapay zekânın bu süreçteki işlevi, özellikle makine öğrenmesi ve doğal dil işleme yöntemleri aracılığıyla verilerdeki örüntülerin belirlenmesine dayanmaktadır. Makine öğrenmesi, örneklerden öğrenerek sınıflandırma ve tahmin yapılmasına olanak sağlarken doğal dil işleme, serbest metin biçimindeki kayıtların analiz edilmesini desteklemektedir. Elektronik sağlık kayıtlarına ilişkin çalışmalar, bu yöntemlerin farklı veri türlerinden bilgi çıkarılması ve öngörü modellerinin geliştirilmesi bakımından önemli bir potansiyel taşıdığını göstermektedir (Shickel ve ark., 2018).

Veri kalitesinin geliştirilmesi ve bilgiye erişim

Sağlık verilerinin işlenmesinde temel gerekliliklerden biri, kayıtların doğruluğunun ve tutarlılığının sağlanmasıdır. Eksik bilgiler, yinelenen kayıtlar, farklı ölçüm birimleri ve standart olmayan ifadeler, analiz sonuçlarının güvenilirliğini etkileyebilir. Yapay zekâ destekli yöntemler, olağan dışı kayıtların belirlenmesine ve inceleme gerektiren verilerin önceliklendirilmesine yardımcı olabilir. Bununla birlikte, istatistiksel açıdan sıra dışı bir değerin mutlaka kayıt hatası anlamına gelmediği unutulmamalıdır. Sağlık verilerinde bu tür değerler, hastanın gerçek durumunu yansıtabilir. Bu nedenle otomatik değerlendirmelerin alan bilgisi ve uzman denetimiyle birlikte yürütülmesi gerekir.

Doğal dil işleme yöntemleri ise rapor ve notlarda bulunan bilgilerin yapılandırılmış alanlara aktarılmasını destekleyebilir. Böylece büyük miktardaki metinsel verinin taranması ve belirli bilgilere erişilmesi kolaylaşabilir. Ancak kullanılan terimlerin bağlama göre değişmesi, kısaltmalar ve anlatım farklılıkları, sonuçların doğrulanmasını gerekli kılar. Yapay zekânın sağlık kurumlarının işleyişine entegrasyonunda veri standardizasyonu, sistemler arası birlikte çalışabilirlik, mahremiyet ve hasta güvenliği temel konular arasında yer almaktadır (He ve ark., 2019).

Karar desteği ve güvenilirlik

İşlenmiş sağlık verileri, hizmet talebinin değerlendirilmesi, kaynak kullanımının izlenmesi ve risklerin belirlenmesi gibi amaçlarla kullanılabilir. Yapay zekâ modelleri, geçmiş verilerden hareketle bu süreçleri destekleyen tahminler üretebilir. Bununla birlikte, bir modelin belirli bir veri kümesinde başarılı olması, farklı kurumlarda veya hasta gruplarında aynı başarıyı göstereceği anlamına gelmez. Uygulama öncesinde modelin kullanılacağı koşullarda değerlendirilmesi ve kullanım sırasında performansının izlenmesi önemlidir.

Etik sorumluluk ve insan denetimi

Sağlık verileriyle çalışmak, teknik yeterliliğin yanında güçlü bir etik sorumluluk gerektirir. Verilerin belirlenmiş amaçlar doğrultusunda kullanılması, erişimin yetkilendirilmesi ve mahremiyetin korunması, yapay zekâ uygulamalarının tasarımından itibaren gözetilmelidir. Dünya Sağlık Örgütü (2021), sağlık alanında yapay zekâ kullanımının insan özerkliği, güvenlik, şeffaflık, hesap verebilirlik ve kapsayıcılık ilkeleriyle uyumlu biçimde yürütülmesini önermektedir. Yapay zekâ çıktılarının denetlenebilir olması ve sorumlulukların açıkça belirlenmesi, kurumsal güven açısından temel bir gerekliliktir.

Veri İşleme Programı açısından eğitimsel önemi

Sağlık Hizmetleri Meslek Yüksekokulu bünyesindeki Veri İşleme Programı açısından bu gelişmeler, mesleki eğitimin kapsamına ilişkin önemli bir değerlendirme alanı oluşturmaktadır. Öğrencilerin veri tabanı kullanımı ve raporlama becerilerinin yanında veri kalitesi, temel istatistik, yapay zekâ okuryazarlığı ve bilgi güvenliği konularında yetkinlik kazanması yararlı olacaktır. Eğitim uygulamalarında sentetik veya uygun biçimde anonimleştirilmiş veri kümeleri üzerinden kayıt tutarlılığı, veri temizleme ve çıktı doğrulama çalışmaları yapılması önerilebilir.

Sonuç olarak yapay zekâ, sağlık hizmetlerinde veri işleme süreçlerini geliştirebilecek önemli bir araçtır. Bu potansiyelin yararlı sonuçlara dönüşmesi; kaliteli veri, uygun değerlendirme yöntemleri, etik yönetim ve insan denetiminin birlikte sağlanmasına bağlıdır. Veri İşleme Programı öğrencilerinin bu bütüncül yaklaşımla yetiştirilmesi, sağlık kurumlarında güvenilir bilgi üretimini destekleyen mesleki birikimin güçlenmesine katkı sunabilir.
 

 Öğr. Gör. Sibel SEKMAN

 Tıbbi Veri İşleme Teknikerliği Program Başkanı

Kaynakça

Arora, A., ve ark. (2023). The value of standards for health datasets in artificial intelligence-based applications. Nature Medicine, 29, 2929–2938. https://doi.org/10.1038/s41591-023-02608-w

He, J., Baxter, S. L., Xu, J., Xu, J., Zhou, X., & Zhang, K. (2019). The practical implementation of artificial intelligence technologies in medicine. Nature Medicine, 25, 30–36. https://doi.org/10.1038/s41591-018-0307-0

Shickel, B., Tighe, P. J., Bihorac, A., & Rashidi, P. (2018). Deep EHR: A survey of recent advances in deep learning techniques for electronic health record (EHR) analysis. IEEE Journal of Biomedical and Health Informatics, 22(5), 1589–1604. https://doi.org/10.1109/JBHI.2017.2767063

World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance. World Health Organization. https://www.who.int/publications/i/item/9789240029200