Yapay Zekâ Cerrahi Kararları Nasıl Destekleyebilir?

Cerrahi kararlar çoğu zaman tek bir veriye dayanmaz. Hastanın yaşı, mevcut hastalıkları, laboratuvar sonuçları, görüntüleme bulguları, önceki sağlık bilgileri ve planlanan işlemin özellikleri gibi çok sayıda veri aynı anda değerlendirilir. Yapay zekâ tabanlı karar destek sistemlerinin cerrahide dikkat çekmesinin temel nedenlerinden biri de tam olarak burada ortaya çıkar: çok sayıda değişken arasındaki örüntüleri hızlı biçimde analiz edebilme potansiyeli.

Bu sistemler, geçmiş veriler üzerinden eğitilen modeller aracılığıyla belirli sonuçlarla ilişkili örüntüleri tanıyabilir ve eldeki yeni verilerin bu örüntülerle ne ölçüde benzerlik gösterdiğini hesaplayabilir. Cerrahi alandaki araştırmalarda yapay zekâ modellerinin ameliyat öncesi veya ameliyat sırasında elde edilen verilerden yararlanarak komplikasyon riskleri gibi sonuçlara ilişkin tahminler üretmesi üzerine çalışmalar bulunmaktadır. Ancak mevcut bilimsel literatür, birçok modelin hâlâ dış doğrulama ve gerçek klinik ortamda değerlendirme açısından önemli sınırlılıklara sahip olduğunu da göstermektedir.

Cerrahi Karar Vermek Neden Çok Boyutlu Bir Süreçtir?

Cerrahi değerlendirme, yalnızca “ameliyat gerekli mi?” sorusundan ibaret değildir. Hastanın genel durumu, olası riskler, beklenen yarar, mevcut seçenekler ve klinik koşullar bir arada değerlendirilir. Aynı hastalık tanısına sahip iki kişinin yaşları, ek hastalıkları veya anatomik özellikleri farklı olduğunda aynı değerlendirme sonucuna ulaşılması gerekmeyebilir.

Bu nedenle klinik karar verme, farklı kaynaklardan gelen bilgilerin bir araya getirildiği çok değişkenli bir değerlendirme sürecidir. İnsan zihni klinik deneyim ve bilimsel bilgi sayesinde bu verileri anlamlandırabilir; ancak veri miktarı büyüdükçe değişkenler arasındaki karmaşık ilişkilerin fark edilmesi zorlaşabilir.

Yapay zekâ burada cerrahın yerine karar veren bir yapıdan çok, mevcut bilgilerin farklı bir yöntemle analiz edilmesine yardımcı olabilecek bir araç olarak düşünülebilir.

Yapay Zekâ Veri Örüntülerini Nasıl Kullanır?

Yapay zekâ sistemlerinin önemli özelliklerinden biri, büyük veri kümeleri içerisindeki ilişkileri ve tekrar eden örüntüleri belirleyebilmesidir. Örneğin geçmiş cerrahi vakalara ait birçok değişken ile belirli sonuçlar arasındaki ilişkiler bir model tarafından analiz edilebilir.

Model daha sonra yeni bir vakadaki verileri öğrendiği örüntülerle karşılaştırarak belirli bir sonucun olasılığına ilişkin tahmin üretebilir. Burada ortaya çıkan sonuç bir “kesin gelecek bilgisi” değildir.

Yapay zekâ tahmini, verilerden hesaplanan bir olasılık veya sınıflandırmadır; klinik gerçekliğin kendisi değildir.

Bu ayrım oldukça önemlidir. Çünkü bir algoritmanın belirli bir örüntüyü yüksek riskle ilişkilendirmesi, o hastada söz konusu sonucun mutlaka ortaya çıkacağı anlamına gelmez.

Risk Sınıflandırması Ne Sağlayabilir?

Cerrahi karar desteğinde araştırılan kullanım alanlarından biri risk sınıflandırmasıdır. Çok sayıda hasta özelliğinin birlikte değerlendirilmesiyle, belirli komplikasyonlar açısından farklı risk gruplarının tanımlanması hedeflenebilir.

Böyle bir sistem teorik olarak hekimin dikkatini belirli değişkenlere yöneltebilir, çok sayıda verinin gözden geçirilmesini kolaylaştırabilir veya mevcut klinik değerlendirmeye ek bir bakış açısı sağlayabilir. Cerrahi karar desteğine yönelik araştırmalar, yapay zekânın özellikle komplikasyon tahmini ve risk değerlendirmesi gibi alanlarda kullanılma potansiyelini incelemektedir.

Ancak risk sınıflandırması tanı koymakla veya cerrahi kararı otomatik olarak belirlemekle aynı şey değildir. Risk hesaplaması, klinik değerlendirmede kullanılabilecek bilgilerden yalnızca biridir.

Bir Algoritmanın Başarılı Görünmesi Neden Yeterli Değildir?

Yapay zekâ sistemleri kullanıldıkları verilerden öğrenir. Bu nedenle modelin geliştirildiği veri kümesinin büyüklüğü, çeşitliliği ve kalitesi sonuçların güvenilirliği açısından önem taşır.

Bir sistem belirli bir hastane veya hasta grubuna ait veriler üzerinde başarılı sonuçlar verebilirken farklı bir sağlık merkezinde veya farklı özelliklere sahip hastalarda aynı performansı göstermeyebilir. Cerrahi karar desteği üzerine yayımlanan bir kapsam incelemesinde değerlendirilen çalışmaların büyük bölümünün yalnızca kendi veri kümeleri içerisinde doğrulama yaptığı, dış doğrulamanın ve gerçek zamanlı klinik doğrulamanın ise çok daha sınırlı olduğu bildirilmiştir.

Bu nedenle bir algoritmanın doğruluk oranının yüksek görünmesi, tek başına gerçek klinik kullanım için yeterli kanıt oluşturmaz. Modelin farklı hasta gruplarında, farklı merkezlerde ve gerçek klinik koşullarda nasıl performans gösterdiğinin de değerlendirilmesi gerekir.

Verideki Eksiklikler Yapay Zekâyı Nasıl Etkileyebilir?

Yapay zekâ modellerinin sonuçları, eğitildikleri verilerin özelliklerinden bağımsız değildir. Eğer eğitim verileri belirli hasta gruplarını yeterince temsil etmiyorsa modelin bu gruplardaki performansı farklılaşabilir.

Aynı şekilde kayıt hataları, eksik bilgiler veya belirli klinik özelliklerin veri tabanında yeterince temsil edilmemesi de sonuçları etkileyebilir. Bu durum yapay zekâ kullanımında veri kalitesi, şeffaflık ve eşitlik konularının neden önemli olduğunu açıklar.

Dünya Sağlık Örgütü, sağlıkta yapay zekâ kullanımında etik ilkelerin, insan haklarının, yönetişimin ve insan gözetiminin sistemlerin geliştirilmesi ve uygulanmasının merkezinde bulunması gerektiğini vurgulamaktadır.

Yapay Zekâ Neden Klinik Değerlendirmenin Yerine Geçmez?

Bir yapay zekâ sistemi kendisine sunulan veriler üzerinden analiz yapar. Buna karşılık klinik değerlendirme yalnızca sayısal verilerden oluşmaz.

Hastanın öyküsü, fizik muayene bulguları, önceki tedavileri, beklentileri, anatomik özellikleri ve o anda ortaya çıkan klinik durum hekimin değerlendirmesinin parçalarıdır. Bazı bilgiler veri sistemlerinde bulunmayabilir veya algoritmanın analiz ettiği değişkenlere dönüştürülemeyebilir.

Ayrıca cerrahi karar yalnızca risk hesaplaması değildir. Farklı seçeneklerin yararlarının ve olası sonuçlarının değerlendirilmesi, hasta ile iletişim kurulması ve kararın kişisel klinik bağlama yerleştirilmesi gerekir.

Bu nedenle yapay zekânın en anlamlı rolü, hekimin kararını devralmak değil; değerlendirme sırasında kullanılabilecek ek bilgiler üretmek olabilir. Dünya Sağlık Örgütü de sağlıkta yapay zekâ kullanımında insanların sağlık sistemleri ve tıbbi kararlar üzerindeki kontrolünün korunmasını temel ilkelerden biri olarak ele almaktadır.

Karar Destek ile Karar Vermek Arasındaki Fark

“Karar destek sistemi” ifadesindeki en önemli kelime aslında “destek”tir. Bir algoritmanın sunduğu risk puanı, sınıflandırma veya tahmin; klinik kararın kendisi değildir.

Bir cerrah bu bilgiyi muayene, görüntüleme, laboratuvar sonuçları, bilimsel kanıtlar ve kendi klinik değerlendirmesiyle birlikte ele alabilir. Yapay zekâ tarafından üretilen sonuçların da sorgulanması, klinik bağlamla karşılaştırılması ve gerektiğinde dikkate alınmaması mümkündür.

Sağlık alanındaki güncel yapay zekâ yönetişimi yaklaşımlarında da teknoloji, insan muhakemesini güçlendiren fakat onun yerini otomatik olarak almayan bir araç olarak ele alınmaktadır.

Cerrah ile Teknoloji Arasındaki Yeni İş Birliği

Yapay zekânın cerrahideki geleceği yalnızca daha güçlü algoritmalar geliştirmekle şekillenmeyecektir. Modellerin hangi verilerle eğitildiği, farklı hasta gruplarında doğrulanıp doğrulanmadığı, sonuçlarının nasıl açıklandığı ve klinik ortamda gerçekten fayda sağlayıp sağlamadığı en az algoritmanın teknik performansı kadar önemlidir.

Cerrahi karar destek sistemleri, büyük veri kümeleri içerisinde insan gözünün kolayca fark edemeyeceği örüntüleri ortaya çıkarma ve risk değerlendirmesine ek bir bilgi katmanı sunma potansiyeline sahiptir. Buna karşılık cerrahi kararın merkezinde hastanın bütüncül klinik değerlendirmesi ve hekim muhakemesi bulunmaya devam eder.

Yapay zekânın değeri, “cerrahın yerine karar vermesinde” değil; doğru şekilde geliştirildiğinde ve doğrulandığında, cerrahın değerlendirebileceği bilgi alanını genişletebilmesinde yatmaktadır.