Yapay Zeka ve Yeni İlaç Geliştirme: Klinik Çalışmalar

Giriş

Bir önceki bölümde belirttiğimiz gibi yeni bir ilaç geliştirme çok uzun süren, çok pahalı ve çok emek isteyen bir süreçtir. Bir ilacın ruhsat alıp piyasaya çıkması için harcanan para; başarısızlıkların masrafı da dahil 1 milyar USD civarındadır (1). Bu masrafın önemli bir kısmı klinik çalışmalara özellikle Faz III çalışmalara gitmektedir (2). Bu nedenle ilaç geliştirmede başarısızlık ciddi bir sorundur. Klinik çalışmaların başarısız olmasının çeşitli nedenleri olabilir (3):

• Çalışılan ilaç adayının başarısız bulunması
• Güvenlik ile ilgili sorunlar
• Gönüllü alımı ile ilgili sorunlar
• Gönüllülerin çalışmadan ayrılması
• Çalışma tasarımı, sonlanım noktalarının belirlenmesindeki sorunlar klinik çalışma sırasında görülen nedenlerdendir.

Bunların bir kısmı çalışma başlamadan önce doğru bir yöntem ve tasarım seçimi, sonlanım noktalarının doğru belirlenmesi gibi yaklaşımlarla çözülebilirken, çalışmaya gönüllü alımı, gönüllülerin çalışmada tutulması, güvenlik izlemede duyarlı davranılması, klinik çalışmaların dokümantasyonu gibi sorunlar çalışma sürecinde çözümlenebilecek sorunlardır.

Yapay Zeka bu sorunların önlenmesinde günümüzde önemli bir rol oynarken, gönüllülerin çalışma sırasında izlenmesi, doğru çalışma ilacı kullanımı, uygun veri iletimi gibi sorunlu alanlarda özellikle yapay zeka destekli akıllı araçlarla çok yardımcı olabilmektedir. Bu bölümün amacı klinik çalışmalarda yapay zeka uygulamalarının hangi aşamalarda nasıl katma değer sağladığını göstermektir. Bunun için yapay zekanın klinik çalışma protokolünü belirlemede, klinik çalışmaya gönüllü bulmada, gönüllü izlemede, çalışma ilacı yönetiminde ve veri yönetiminde etkisi sunulacaktır.

Klinik Çalışma Protokolü Geliştirmek

Bir klinik çalışma kararı verirken çalışmanın yöntemini, tasarımını ve süreçlerini belirleyecek ve çalışma izni için Etik Kurul ve SB Türkiye İlaç ve Tıbbi Cihaz Kurumuna sunulacak bir protokole gereksinim vardır. Bu protokol çalışma süresince yol gösteren bir kılavuz olacağından baştan doğru tasarlanması gerekir. Protokol hazırlarken geçerli mevzuata uygunluğu da onay başvuru aşamasında önemlidir. Genelde protokol için kullanılan yapay zeka araçları makine öğrenmesi (ML) ve Doğal Dil İşleme (NLP) ile uygun literatür tarayarak benzeri protokolleri bulur ve elinizdeki bir hazır protokoldeki uyumsuzlukları saptar, tutarlılık sağlar, alım ve dışlama kriterlerinin uygunluğuna bakar (4), kullanılabilir sonlanım noktalarını belirler, örneklem büyüklüğü öngörüsü yapar, uygun istatistiki analiz yöntemini belirler ve geçerli düzenlemelere uygun Bilgilendirilmiş Onay Formu (BOF) (5), vizit çizelgeleri ve temel yazışmaları hazırlar. Bu amaçla kullanılan AuroraPrime gibi çeşitli ticari yapay zeka araçları vardır ( https://alphalifesci.com/products/auroraprime-platform ).

Yapay Zeka özellikle sonlanım noktalarının doğru belirlenmesi konusunda önemli katkılarda bulunmaktadır. Çeşitli kaynaklarda belirli alan çalışmalarında kullanılacak sonlanım noktaları konusunda kaynaklar vardır. Sonlanım noktalarını tanımlamak için COMET Girişimi (https://www.comet- initiative.org) ve Nöromüsküler hastalıklarda sonlanım noktalarını gösteren TREAT-NMD (https://www.treat-nmd.org/resources-and-support/sop-library/cell-lines/clinical-outcome- measures/?highlight=outcome) bunlara örnek gösterilebilir. Generatif Yapay Zeka kullanılarak benzeri çalışmalarda kullanılan sonlanım noktalarının saptanması ve bunların geçerliliğinin sizin kullanmayı planladığınız sonlanım noktası ile karşılaştırmakta ilerde karşılaşılabilecek sorunları önlemde değerli bir yaklaşımdır. Yapay zeka ile sonlanım noktası olarak kullanılabilecek bir skorlama da geliştirilebilir. COVID pandemisi döneminde COVID-19 pnömonisi ile yatan, O₂ desteği alan ancak ciddi solunum yetmezliği geliştirmemiş hastalarda yeni bir sonlanım noktası olabilecek bir skoru yapay zeka ile geliştirmek mümkün olmuştur (6). Bir klinik çalışmada sonlanım noktası değerlendirmesi yapay zeka tarafından yapılabilir. Lancet Oncology’de yayınlanan MASAI çalışmasında yapay zekanın mamografide kanseri konvansiyonel yöntemlere göre %29 daha fazla saptadığı gösterilmiştir (7). Önümüzdeki yıllarda yapay zeka ve sonlanım noktası ilişkisi daha da gelişecek gibi gözükmektedir.

KLİNİK ÇALIŞMAYA GÖNÜLLÜ BULMAK ve GÖNÜLLÜ İZLEMİ

Klinik çalışmaların başarısızlık nedenleri arasında gönüllü bulma sorunları ön planda gelmektedir. Gönüllü bulamama çalışma süresinin uzamasına, istatistik analiz için yeterli gönüllü olmamasına yol açabilir. Gönüllülerle ilgili önemli bir sorun da çalışmada gönüllüyü tutabilmektir. Çok uzun ve çok zahmetli çalışmalar; çalışma sırasında gönüllü kayıplarına yol açmaktadır (3). Yapay zeka ile belirli konularda yapılan çalışmalarda çalışmadan ayrılma (drop-out) oranları görülebilir. Solunum hastalıklarını ilgilendiren, 20 yıl sürede yapılan ve 1 milyondan fazla hastayı kapsayan ClinicalTrials.gov kökenli bir çalışma buna örnektir (8).

Gönüllü Bulmak

Klinik çalışmaya başlarken alınacak gönüllü sayısının doğru hesabı çok önemlidir. Aşırı küçük örneklem büyüklüğü kullanıldığı zaman çalışma sonucunun anlamsız çıkması, ancak aslında klinik anlamlılık var olması riski taşır. Çok büyük bir gönüllü sayısı, çok az bir farklı istatistik olarak anlamlı gösterebilir ama klinik olarak bunun bir önemi yoktur. Bu da gereksiz masraf ve emek yapıldığını gösterir. Yapay Zeka ile benzer çalışmalarda daha doğru bir gönüllü sayısı tahmini yapılabilir (9).

Bundan sonraki en önemli sorun ise çalışmaya gönüllü bulmaktır. Özellikle Türkiye’de bir hastalığı nedeniyle klinik çalışma bulmak için yeterli kaynak yoktur. Yürütülen çalışmaları bulmak için genellikle ClinicalTrials.gov kullanılmaktadır ancak bu veri tabanını doğru kullanabilmek için tıbbi terminolojiye yakın olmak gerekir. Yurt dışında ise bu amaçla gerçekleştirilmiş açık erişimli ve yapay zeka destekli veri tabanları vardır. Gerek sağlıkçılar için geliştirilen gönüllü ve çalışma veri tabanları (Xpert Dox-XpertMatch) ( https://www.xpertdox.com ), Duke Üniversitesi ve FDA işbirliği ile destekleyici ve hasta grupları için kurulan CCTI Prioritization Tool ( https://prioritizationtool.ctti-clinicaltrials.org ) iyi örneklerdir.

Yapay Zeka’nın klinik çalışma gönüllüleri ile ilgili en önemli katkısı Sayısal (Dijital) İkizler olmuştur. Yapay Zeka özellikle plasebo karşılaştırmalı çalışmalarda plasebo alan karşılaştırma kolunu oluşturma zorluğunun önüne geçebilmek için, bu kola gerçek yaşamı simüle eden zaman içerisinde değişen verilere sahip sanal bireyler oluşturmaktadır ( https://youtu.be/xvgXRtRyXdE?si=3XTF5Kxzgc7MQqOJ ). Bu dijital ikizlerin klinik çalışmalarda kullanımı sağlık otoritelerince onaylanmaktadır (10,11)

Gönüllü İzlemi

Nesnelerin İnterneti (IoT) ve özellikle yapay zeka destekli araçların sağlık alanına girmesi klinik çalışma yürütülürken gönüllünün ilaç kullanımına uyumu ve gönüllü verilerinin aktarılması konusunda önemli bir gelişme olmuştur. Bu araçlar gönüllü verilerini toplamakta, onları serverlara göndermekte ve bu veriler yapay zeka ile işlenebilmektedir. FDA tarafından onaylanan ve İlacın içerisine konulan bir sensörün midede aktif olarak sinyal göndermesi ( https://www.otsuka-us.com/discover/articles-1075 ) ya da buruna sıkılan bir inhalerin her sıkışta bluetooth sinyali ile ilacın kullanıldığını bildirmesi, özellikle ayaktan ilaç kullanan çalışma gönüllülerinin ilaca uyumunu izlemede çok değerlidir ( https://pharmaphorum.com/news/smart-sensor-cleared-use-az-asthma-copd-inhalers ). İlaca uyumun sıkıntılı olabileceği şizofreni hastalarında kullanılan bir cep telefonu uygulaması ilaç kullanan hastaların yüz hareketlerini izleyerek ilacın alınıp alınmadığını anlayabilmektedir (12,13).

Klinik Çalışmada Veri Yönetimi

Yalnız ilaca uyum değil, çalışma gönüllüsü ile ilgili çok sayıda parametre artık akıllı cihazlar tarafından izlenmekte ve veriler doğrudan ana serverlara gönderilebilmektedir; akıllı kan basıcı cihazları, spirometreler, oksimetreler, kan şekeri ölçen cihazlar, akıllı tartılar, aktivite monitörleri gibi yapay zeka destekli cihazlar veri iletimi ve yönetimini daha kolay ve daha az hatalı hale getirmiştir. 2025 yılında FDA 903 yapay zeka veya makine öğrenmesi kullanan tıbbi cihaza onay vermiştir. Bunlar arasında ilk sırayı radyolojik görüntüleme cihazları almaktadır (14).

Klinik çalışma süresince gönüllülere verilen akıllı tabletler, laboratuvar sonuçlarının dijital sistemlerden buluta yüklenmesi, hasta ile araştırmacının tele-tıp teknolojileri ile iletişimi kurması klinik çalışmaların çalışma merkezinden bağımsız olarak uzaktan yürütülebilmesine yani Desantralize Klinik Çalışmaların gelişmesine yol açmıştır (15)(16)(17).

Toplanan bu verilerin hızla işlenmesi, veri temizlenmesinin hızla yapılabilmesi ve verilerin yapay zeka tarafından analiz edilebilmesi özellikle gerçek yaşam verileri ile yapılan çalışmalarda Google Colab ( https://colab.research.google.com ) ya da Claude ( claude.ai ) gibi, büyük veri tabanlarına entegre olabilen yapay zeka araçları ile çok hızlı ve kolay hale gelmektedir. Veri temizliği için çok sayıda yapay zeka uygulaması kullanılabilmektedir (18).

Görüldüğü gibi yapay zeka ilaç geliştirmede kullanılan klinik çalışmalarda radikal bir dönüşüme yol açmıştır ve bu dönüşümün hızla daha da genişlemesi beklenmelidir.

BİLGİ NOTU: Bu yazı hazırlanırken ZOTERO (https://www.zotero.org – 1 Şubat 2026) kullanılmıştır. Yazarın metinde bahsi geçen Yapay Zeka aracı ve firmaları ile hiçbir ticari bağlantısı yoktur.

Kaynakça

1. Mulcahy A, Rennane S, Schwam D, Dickerson R, Baker L, Shetty K. Use of Clinical Trial Characteristics to Estimate Costs of New Drug Development. JAMA Netw Open. 8(1):e2453275.
2. Okada N, Takahashi Y. Cost and Duration of Clinical Trials in Drug Development by Japanese Pharmaceutical Companies. Pharm Med. 2025 May;39(3):199–207.
3. Fogel DB. Factors associated with clinical trials that fail and opportunities for improving the likelihood of success: A review. Contemp Clin Trials Commun. 2018 Aug 7;11:156–64.
4. Liu R, Rizzo S, Whipple S, Pal N, Pineda AL, Lu M, Arnieri B, Lu Y, Capra W, Copping R, Zou J. Evaluating eligibility criteria of oncology trials using real-world data and AI. Nature. 2021 Apr;592(7855):629–33.
5. Hutson M. How AI is being used to accelerate clinical trials. Nature. 2024 Mar;S2–5.
6. Kyriazopoulou E, Poulakou G, Milionis H, Metallidis S, Adamis G, Tsiakos K, Fragkou A, Rapti A, Damoulari C, Fantoni M, Kalomenidis I, Chrysos G, Angheben A, Kainis I, Alexiou Z, Castelli F, Serino FS, Tsilika M, Bakakos P, Nicastri E, Tzavara V, et al. Early treatment of COVID-19 with anakinra guided by soluble urokinase plasminogen receptor plasma levels: a double-blind, randomized controlled phase 3 trial. Nat Med. 2021 Oct;27(10):1752–60.
7. Lång K, Josefsson V, Larsson AM, Larsson S, Högberg C, Sartor H, Hofvind S, Andersson I, Rosso A. Artificial intelligence-supported screen reading versus standard double reading in the Mammography Screening with Artificial Intelligence trial (MASAI): a clinical safety analysis of a randomised, controlled, non-inferiority, single-blinded, screening accuracy study. Lancet Oncol. 2023 Aug;24(8):936-944.
8. Hutchison E, Zhang Y, Nampally S, Neelufer IK, Malkov V, Weatherall J,et al. Modeling Clinical Trial Attrition Using Machine Intelligence: A driver analytics case study using 1,325 trials representing one million patients. medRxiv [Internet]. 2021; Available from: https://www.medrxiv.org/content/10.1101/2021.11.12.21266277v1.
9. Lin F, Liu H, Moon P, Weng C. A Sample Size Extractor for RCT Reports. Stud Health Technol Inf. 2022 Jun 6;290(617-621).
10. NSF, NIH and FDA support research in digital twin technology for biomedical applications [Internet]. U.S. National Science Foundation; 2024 Oct. Available from: https://www.nsf.gov/news/nsf-nih-fda-support-research-digital-twin-technology
11. EMA. European Medicines Agency Qualifies Unlearn’s AI-powered Method for Running Smaller, Faster Clinical Trials [Internet]. Business Wire. 2022. Available from: https://www.businesswire.com/news/home/20220928005391/en/European-Medicines-Agency- Qualifies-Unlearns-AI-powered-Method-for-Running-Smaller-Faster-Clinical-Trials
12. Bain EE, Shafner L, Walling DP, Othman AA, Chuang-Stein C, Hinkle J, Hanina A. Use of a Novel Artificial Intelligence Platform on Mobile Devices to Assess Dosing Compliance in a Phase 2 Clinical Trial in Subjects With Schizophrenia. JMIR Mhealth Uhealth. 2017 Feb 21;5(2):e18.
13. Li Y, Yan X, Zhang B, Wang Z, Su H, Jia Z. A Method for Detecting and Analyzing Facial Features of People with Drug Use Disorders. Diagn Basel. 2021 Aug 28;11(9):1562.
14. Windecker D, Baj G, Shiri I, Kazaj PM, Kaesmacher J, Gräni C, Siontis GCM. Generalizability of FDA-Approved AI-Enabled Medical Devices for Clinical Use. JAMA Netw Open. 2025 Apr 1;8(4).
15. Cussen A, Littler K. Trial characteristics, methods and reported challenges of decentralised clinical trials: a scoping review. BMJ Open. 2025 Nov 21;15(11):e106823.
16. EMA. Recommendation paper on decentralised elements in clinical trials [Internet]. 2025 Oct. Available from: https://health.ec.europa.eu/system/files/2023-03/mp_decentralised- elements_clinical-trials_rec_en.pdf
17. Conducting Clinical Trials With Decentralized Elements FDA Guidance for Industry, Investigators, and Other Interested Parties [Internet]. 2024 Sep. Available from: https://www.fda.gov/media/167696/download
18. Top 10 Data Cleaning AI Tools in 2025 [Internet]. 2024. Available from: https://numerous.ai/blog/data-cleaning-ai