Geçen ay yazdığım yazıda hastanelerde oluşan randevu yoğunluğunu nasıl azaltabileceğimize yönelik birtakım önerilerde bulunmuştum şimdi önerilerime kaldığım yerden devam ediyorum:
Yapay zeka, sağlık alanında giderek daha önemli bir rol oynuyor ve özellikle makine öğrenmesi, hastalıkların erken teşhisinde devrim yaratıyor. Büyük veri setlerinden anlamlı desenler çıkarabilen bu teknoloji, doktorların daha hızlı ve doğru teşhis koymasına yardımcı olurken, sağlık hizmetlerinin kalitesini de artırıyor. Radyoloji görüntülerinden kan testlerine, hatta hasta geçmişine kadar geniş bir veri yelpazesi üzerinde çalışan yapay zeka modelleri, insan gözünün kaçırabileceği ince detayları bile yakalayabiliyor.
Makine öğrenmesi, bilgisayarların verilerden öğrenmesini ve insan müdahalesine gerek kalmadan kararlar almasını sağlayan bir yapay zeka dalıdır. Geleneksel programlamada, bir bilgisayara belirli kurallar öğretilirken, makine öğrenmesinde sistem, büyük miktarda veriyi analiz ederek kendi kurallarını oluşturur. Bu sayede kalıpları tanıyabilir, tahminler yapabilir ve zamanla kendini geliştirebilir. Burada dikkatinizi çekmek istediğim konu “büyük veriler” kavramı. Herhangi bir hastalığın teşhis edilmesinde hekimler birden fazla faktörü incelemek durumundadırlar; hastanın geçmişi, hastanın kan değerleri, çeşitli radyolojik görüntülemeler, vb. gibi veriler bahsedilen “büyük veri”yi oluşturmaktadır. Makine öğrenmesi sayesinde ilgilendiğiniz hastalığa sahip hastaların verilerini makine öğrenmesine entegre edebilirsiniz. Sadece burada dikkat etmeniz gereken husus spesifik bir hastalıkta makine öğrenmesini kullanmaktır. Makine öğrenmesi büyük veriler ile çalışır evet ama insan beyni kadar karmaşık modellemeye sahip değildir. En nihayetinde 1 ve 0 çıktılarından elde edeceği kazanımları yorumlayan bir yapay zeka aracı olduğu için birden fazla hastalığın tespiti hatalı çıkarımlara yol açabilmektedir.
Makine öğrenmesinin spesifik bir hastalığın teşhisinde kullanılması çeşitli verileri analiz ederek çıkarımlar yapmasına ve daha önce değerlendirdiği veri setleriyle alacağı yeni seti kıyaslayarak doğru teşhisi yapmasına dayalıdır. Bu süreç genellikle şöyle işler:
Diyelim ki diyabet teşhisi üzerine bir makine öğrenmesi kurgulamak istiyorsunuz. İhtiyacınız olan veriler kan şekeri seviyesi (glukoz), insülin seviyesi, vücut kitle indeksi, yaş, tansiyon, genetik faktörler (ailede diyabet hastalığı olan var mı?), fiziksel aktivite seviyesi. Bu veri setleri aslında hekimlerimizin de diyabetin olup olmadığını şayet varsa tip1 (genetik faktörlere bağlı olan diyabet) mi yoksa tip2 (genetiğe ve dış faktörlere bağlı olan diyabet) mi olduğunu analiz ederken kullandığı verilerdir. Sonrasında izlenmesi gereken adım veri ön işleme adımıdır. Bu adımda eksik veya hatalı bilgiler düzletilerek ya da standardizasyona tabii tutularak modelin daha doğru çıkarımlar yapmasına yardımcı olunur. Bunun haricinde anlamlı veri setlerinin incelenip incelenmediğine de bu aşamada bakılır. Diyabet hastalığını teşhis etmek için uğraşıyorsanız hastanın geçmiş bilgilerindeki radyolojik görüntüleri modelin eğitimine tabii tutmamanız modelin doğru çalışabilmesi için gereklidir. Spesifik bir hastalık için oluşturacağınız veri havuzunda hastalıklı ve sağlıklı bireylerin ilgilendiğiniz, o hastalığın tespiti için anlamlı olan verileri sayesinde makine öğrenmesi özellik çıkarımı yapabilecektir. Bundan sonrasında denetimli öğrenme teknikleri kullanılarak, etiketlenmiş verilerle model eğitilir. Örneğin, binlerce sağlıklı ve hasta bireyin verileri modele gösterilerek hangi faktörlerin hastalığı gösterdiği öğretilir. Denetimli öğrenme modelleri arasında yapay sinir ağları, lojistik regresyon, karar ağaçları, destek vektör makineleri, random forest gibi modeller mevcuttur. Lojistik regresyon yöntemi diyabet teşhisinde en yaygın kullanılan modeldir. Bu modeli basitçe açıklamak gerekirse binary sistem ile çalışan ve hastalığı tahmin eden bir model olarak açıklamam yanlış olmayacaktır. Örneğin diyabet veri setinizde, sayısal veriler yani kan değerleri vücut kitle indeksi gibi değerler haricinde, diyabeti etkileyecek faktöre “1”, diyabeti etkilemeyecek diğer faktörlere de “0” şeklinde etiketler koyuyormuşsunuz gibi düşünebilirsiniz. “1” etiketinin fazlalığı makine öğrenmesinin tahminini diyabet hastalığı teşhisine götürürken “0” etiketinin fazlalığı diyabet teşhisini önler niteliktedir. Diğer sayısal verileri değerlendirirken de hasta ve sağlıklı bireylerin veri setlerini destek vektör modelleri sayesinde yorumlayabilmektedir. Örneğin diyabet teşhisi yaparken, bir hastanın kan şekeri seviyesi ve vücut kitle indeksi üzerinden diyabetli olup olmadığını tahmin ettiğimizi düşünelim. Destek vektör modeli, diyabetli (1) ve sağlıklı (0) hastaları en iyi ayıran doğruyu çizer. Bu doğruya en yakın veri noktalarına “destek vektörleri” denir. Destek vektörleri, karar sınırını belirlemede kritik rol oynar. Bu karar sınırını hekimlerin sizin kan değerlerinizi referans aralığına göre değerlendirmesi gibi düşünebilirsiniz. Model büyük miktarda hasta ve sağlıklı bireylerden elde ettiği sayısal veri havuzunu genelleştirerek bir referans değeri oluşturmakta ve bu referans değerinin aşağısında ve yukarısında kalanlara teşhis yapmaktadır. Seçtiğiniz modelin çeşitli veriler ile eğitiminden sonra artık modeliniz yeni gelen veriler üzerinden test edilir ve doğruluğu ölçülerek çeşitli iyileştirmeler yapılabilir.
Sağlıkta makine öğrenmesinin tüm sürecine şöyle bir baktığımızda insan beyninin nasıl çalıştığını taklit eden bir mekanizma geliştirdiğimizi anlayabiliriz. Bir hekim hastası geldiğinde ne şikayetiniz vardı sorusuna cevap alarak çeşitli verileri elde eder. Daha öncesinde öğrendiği sinir yolaklarını kullanarak aldığı verileri değerlendirmeye tabii tutar. Örneğin solunum yetmezliği şikayeti ile geliyorsa hastanın geçmiş öyküsü verisine, radyolojik görüntüleme verilerine hastalığı tespit etmek için ihtiyacı olacaktır. Bu verileri geçmişte standartlaştırılan veriler ışığında yorumlar ve en nihayetinde belki de bu verilerin alınması ve işlenmesi ışığında akciğer yetmezliği teşhisi koyabilir. Makine öğrenmesi de, bahsettiğim gibi, aynı insan beyninin spesifik bir hastalığı tespit etmesi gibi çalışır.
Bu teknolojinin hastanelere entegre edilmesi ise hızlı teşhis, kişiselleştirilmiş tedavi planlarının gelişmesini ve nihayetinde sağlık personellerinin iş yükünün azalmasını sağlayacaktır. Kanser gibi ölümcül ve tehlikeli hastalıkların erken teşhisteki rolü oldukça önemli. Makine öğrenmesi modelleri sayesinde hastalarda spesifik kanser teşhisleri gerçekleşerek erken tanı konulabilir ve bu vesileyle kanserden mustarip çok hastanın erken teşhisi ile sağlığına kavuşması sağlanabilir. Kişiselleştirilmiş tedavi planlarında onkoloji hastalarında makine öğrenmesi, hastanın genetik yapısına ve tümörün özelliklerine göre en etkili kemoterapi türünü seçebilir. Böylece yan etkileri azaltan daha etkili tedavi planlarının oluşturulmasında hekimlere destek sağlanabilir. Öte yandan bu sistemin hastanelere entegre edilmesiyle çeşitli modeller hasta verilerini analiz ederek olası riskleri doktorlara otomatik olarak bildirir. Bu da hastanelerde oluşan bazı yoğunlukların azalması demek olduğu için doktorlar, şüpheli vakalara öncelik vererek daha fazla hayat kurtarabilir. Örneğin bir hastaya de eğiteceğiniz modelin değerlendireceği hastalık nihayetinde yoğun bakım ünitesinde yatış verilip verilmeyeceği kontrol edilebilir. Bu vesileyle hastanelerde daha verimli bir sistem oluşur, gereksiz kaynak israfı önlenir.
Makine öğrenmesi modelinde oluşması beklenen riskler ise çeşitli büyük verilerin gizlilikle depolanabilmesi, yanlış teşhis konulması olabilir. Büyük verilerin gizlilikle depolanabilmesi için güçlü şifreleme yöntemleri ve sağlıkta veri gizliliği düzenlemeleri yapılmalıdır. Modelin yanlış teşhisi ise kaçınılmaz bir konudur. Sıfırdan çeşitli verilere maruz kalan modelinizi test aşamasında uzun tutmanız sağlıklı sonuçlar almanıza yol açar. Eğittiğiniz modelin doğru teşhis yapıp yapmadığını, ya da anlamlı veri setlerinde çalışıp çalışmadığını mutlaka ilgilendiğiniz hastalıkla ilgilenen hekimlere danışarak saptamanız daha doğru sonuçlar almanız demektir. Modelin saptamalarını test aşamasında sürekli kontrol etmek bunun için oldukça önemlidir.
