Geriatride Yapay Zeka Uygulamaları

1. Giriş ve Genel Bakış

Geriatri, yaşlı bireylerin sağlığına odaklanan, yaşlılığa özgü hastalıkların teşhisi, önlenmesi, kişiselleştirilmiş tedavisi ve bu hastalıkların neden olduğu ağrıların giderilmesiyle ilgilenen bir tıp dalıdır. TÜİK verilerine göre 2023 yılında %10,2 olan yaşlı nüfus oranının, 2050 yılına kadar dünya nüfusunun yaklaşık %16,7'sini oluşturacağı öngörülmektedir (1, 2). Bu sayı yaklaşık 2,1 milyar kişiye tekabül etmektedir (1, 2). Yaşlanma süreci, biyolojik fonksiyonların progresif kaybı ile karakterizedir. Bu süreç beraberinde çoklu morbidite (multimorbidite) yükünü getirmektedir. Veriler, 85 yaş ve üzeri bireylerin %81,5'inin en az iki kronik hastalığa sahip olduğunu göstermektedir (1).

Geleneksel sağlık sistemleri, artan bu kompleks ihtiyaçları karşılamakta zorlanmaktadır (1, 3). Özellikle personel eksikliği nedeniyle sürdürülebilir bir hizmet sunumu aksamaktadır (1, 3). Bu durum, yaşlı sağlığı yönetiminde yeni yaklaşımları zorunlu kılmaktadır.

Yapay zeka (YZ), bu süreçte önemli bir teknolojik ekosistem olarak tanımlanmaktadır (1, 4). Bu sistem; elektronik sağlık kayıtları (EHR), genomik ve fizyolojik veriler gibi büyük veri setlerinden öğrenme kapasitesine sahiptir (1, 4). YZ, akıllı kararlar verme yetisiyle geriatrik tıpta teşhis doğruluğunu artırabilir. Ayrıca tedavi planlarını kişiselleştirme ve hasta yönetimini optimize etme potansiyeline sahiptir (1, 4).

2. Geriatrik Sağlık Verisi Modaliteleri ve YZ Yöntemleri

Geriatrik değerlendirmede yapay zeka (YZ) sistemlerinin etkinliği, çoklu-modal (multimodal) veri entegrasyonuna dayanmaktadır (4, 5). Özellikle yaşlı hastalarda bilişsel gerileme veya iletişim engelleri nedeniyle görsel analog ölçeği (VAS) veya sayısal derecelendirme ölçeği (NRS) gibi öz-bildirim araçları yetersiz kalabilmektedir. Bu gibi durumlarda objektif veri katmanları, süreci destekleyen tamamlayıcı bir rol oynamaktadır (5, 6).

Süreçteki önemli veri kaynaklarından biri olan fizyolojik ve kinetik veriler, akıllı saatler ile giyilebilir sensörler aracılığıyla toplanmaktadır (4, 7). Bu cihazlardan gelen ivmeölçer verileri; Uzun-Kısa Süreli Bellek (LSTM) ve Yinelemeli Sinir Ağları (RNN) mimarileri kullanılarak işlenmektedir (4, 7). Bu sayede yaşlı bireylerde yürüme analizi ve düşme tespiti gibi kritik takipler dijital olarak yapılabilmektedir. Davranışsal ve sosyal veriler de bu sürece entegre edilmektedir. Yüz ifadeleri ve ses paternleri; Konvolüsyonel Sinir Ağları (CNN) ile Doğal Dil İşleme (NLP) algoritmaları sayesinde analiz edilmektedir (4, 5, 8). Bu yöntemler, özellikle depresyonun ve bilişsel gerilemenin erken aşamada saptanmasında etkin olarak kullanılmaktadır (4, 5, 8).

Son olarak, klinik ve görüntüleme verileri kişiselleştirilmiş bir sağlık yönetimi sunmaktadır. Elektronik sağlık kayıtları (EHR) ile manyetik rezonans görüntüleme (MRI) ve bilgisayarlı tomografi (CT) çıktıları, makine öğrenmesi (ML) modelleriyle analiz edilmektedir (9, 10). Bu analizlerde özellikle Random Forest (RF) ve XGBoost ( Hataları her adımda düzelterek ilerleyen ve veriler üzerinden en doğru tahmini yapmayı amaçlayan gelişmiş bir yapay zeka hesaplama yöntemidir) gibi algoritmalar tercih edilerek hastaya özel risk skorlamaları oluşturulmaktadır (9, 10).

Teknoloji Kategorisi	Örnek Platformlar / Cihazlar	Kullanılan YZ Yöntemleri	Uygulama ve Klinik Alanlar
Sosyal Robotlar	PARO, Pepper, NAO	Doğal Dil İşleme (NLP), Duygu Analizi, Bilgisayarlı Görü	Demans yönetimi, sosyal izolasyonun azaltılması, ağrı yönetimi
Giyilebilir Cihazlar	Akıllı Saatler, Giyilebilir Sensörler	Yinelemeli Sinir Ağları (RNN), LSTM, Sinyal İşleme	Objektif düşme tespiti, aktivite izlemi, vital bulgu takibi
Akıllı Ev Sistemleri	Çevresel Sensörler, eNightLog	Anomali Tespiti, Hareket Analizi Algoritmaları	Bağımsız yaşam desteği, güvenli çevre izleme, acil durum uyarıları
Dış İskelet (Exoskeleton)	Lokomat, HAL Suit	Pekiştirmeli Öğrenme (RL), Adaptif Kontrol	İnme ve Parkinson rehabilitasyonu, mobilite desteği
Bilişsel Destek YZ	Chatbotlar, LLM Uygulamaları	Transformer Mimarisi, Tahminleme Modelleri	Erken evre demans taraması, ilaç yönetimi, bilişsel eğitim

LLM: Büyük Dil Modelleri. ENightLog: geriatrik bakımda özellikle gece saatlerinde hastaların güvenliğini sağlamak için geliştirilmiş bir denetleyici sistemidir.

4. YZ Teknolojilerinin Geriatrideki Fonksiyonel Rolleri

Yapay zeka (YZ) teknolojileri, geriatrik bakımda artan kompleks ihtiyaçları karşılamak ve yetersiz sağlık kaynaklarını telafi etmek amacıyla devrim niteliğinde fonksiyonel roller üstlenmektedir. Literatürde bu teknolojilerin üstlendiği roller temel olarak beş ana kategoride sınıflandırılmaktadır(1,11):

• Rehabilitasyon Terapisti Rolü: YZ destekli dış iskelet (egzoskeleton) ve robotik yardımcılar, özellikle inme veya Parkinson hastası yaşlıların motor fonksiyonlarını geri kazanmalarında aktif rol oynar. Bu cihazlar, hareket parametreleri hakkında gerçek zamanlı geri bildirim sağlayarak rehabilitasyon etkinliğini, dengeyi ve yürüme hızını artırırken düşme riskini azaltır (1, 9).
• Duygusal Destekçi Rolü: Sosyal robotlar ve YZ platformları, yaşlılarda yalnızlığı azaltıp morali yükseltmek için tasarlanmıştır. Özellikle PARO gibi robotların; demans hastalarında ajitasyon, anksiyete ve depresyonu hafifleterek yaşam kalitesini iyileştirdiği saptanmıştır. Bu sistemler, etkileşimli senaryolarla kullanıcıya duygusal eşlikçilik eder (1, 11).
• Sosyal Kolaylaştırıcı Rolü: Bu teknolojiler yaşlılar ile aileleri ve sağlık profesyonelleri arasındaki bağı güçlendirir. Sosyal robotlar grup etkinliklerinde iletişimi teşvik ederken, telebulunma araçları sosyal izolasyonu hafifleterek bireyin toplumla bağını sürdürmesini sağlar (1).
• Denetleyici (Supervisor) Rolü: Akıllı ev sistemleri ve giyilebilir sensörler; hayati bulguları, uykuyu ve ilaç uyumunu sürekli izler. Düşme gibi acilleri saptamanın yanı sıra hareket değişimlerini analiz ederek hastalıkların erken belirtilerini (prodromal dönem) belirleyebilir. Ayrıca akıllı sistemler, polifarmasi kaynaklı yanlış dozaj ve etkileşim risklerini minimize eder (1, 2, 4).
• Bilişsel Teşvik Edici Rolü: Chatbotlar ve sanal asistanlar; bellek egzersizleri ve zihinsel uyanıklığı destekleyen oyunlar aracılığıyla bilişsel teşvik sunar. Bu uygulamalar; dikkat, hafıza ve yargılama gibi alanlarda iyileşme sağlayarak yaşlı bireyin fonksiyonel kapasitesini korumayı hedefler (1, 12).

5. Klinik Uygulamalar: Düşme, Demans ve Polifarmasi

Yapay zeka (YZ) uygulamaları, geriatrik sendromların proaktif yönetiminde kanıta dayalı somut katkılar sunmaktadır. Bu kapsamda öne çıkan düşme riski ve izleme sistemleri üzerine yapılan sistematik derlemeler, YZ tabanlı modellerin düşme riskini %70'in üzerinde bir doğrulukla tahmin edebildiğini göstermiştir (2, 13). Özellikle Apple Watch gibi ticari cihazlara entegre edilen düşme algılama sistemleri, acil müdahale sürelerini önemli ölçüde kısaltarak yaşlı güvenliğini artırmaktadır (2, 4).

Bilişsel sağlık alanında ise demans ve bilişsel tarama süreçleri YZ ile yeni bir boyut kazanmıştır. Sensör tabanlı yürüme analizleri, bilişsel gerilemeyi tespit etmede 0,961 gibi oldukça yüksek bir duyarlılık sergilemektedir (5, 13). Bunun yanı sıra doğal dil işleme (NLP) modelleri, hastanın konuşma paternlerindeki ince değişimleri analiz ederek erken evre Alzheimer teşhisi koyabilme yeteneğine sahiptir (5, 8).

Son olarak polifarmasi ve ilaç yönetimi süreçlerinde YZ algoritmaları, yaşlı hastalar için kritik bir denetleyici görevi üstlenmektedir. Bu algoritmalar; hastanın böbrek (renal) fonksiyonlarını, genetik profilini ve mevcut tüm ilaç rejimini eş zamanlı analiz ederek olası ilaç etkileşimlerini izleyebilmekte ve dozaj önerilerini her hasta için optimize edebilmektedir (2, 4, 14).

Elde edilen olumlu sonuçlara rağmen, mevcut verilerin çoğu kısıtlı katılımcı sayısı, kısa izlem süreleri ve keşifsel nitelikteki tasarımlar nedeniyle genellenememektedir. Nitekim bazı randomize kontrollü çalışmalarda, robotik rehabilitasyon uygulamalarının geleneksel fizyoterapi yöntemlerine göre anlamlı bir üstünlük sergilemediği ($p > 0,05$) saptanmıştır (3, 9).

6. Etkinlik, Kanıt Düzeyi ve Kritik Analiz

Sosyal robotlar (özellikle fok görünümlü PARO) üzerine yapılan pilot randomize kontrollü çalışmalarda (RCT, n=43), demans hastalarında gözlemlenen ağrı düzeylerinde anlamlı bir azalma saptanmıştır (etki büyüklüğü: −0,514; p < 0,001) (11). Benzer şekilde, kapsamlı derlemelerde YZ tabanlı duygusal destek ve sosyal etkileşim teknolojilerinin yalnızlık ve ajitasyon düzeylerinde iyileşme sağlayabildiği bildirilmektedir (1, 11).

Bununla birlikte, bu olumlu bulguların büyük bölümü kısa süreli takip, küçük örneklem büyüklükleri ve keşifsel çalışma tasarımları ile sınırlıdır (1, 13). Imran ve Khan’ın (2025) 31 çalışmayı kapsayan kritik analizine göre, mevcut çalışmaların önemli bir bölümü “düşük güçte” (underpowered) tasarlanmış olup, yüksek yanlılık (bias) riski taşımaktadır (3). Bazı RCT’lerde, robotik rehabilitasyonun geleneksel fizyoterapiye üstünlük sağlamadığı (p > 0,05) raporlanmıştır (3, 9).

Önemli bir kavramsal nokta, YZ uygulamalarının otonom karar verici sistemler olarak değil, daha çok klinik karar destek araçları olarak etkili görünmesidir (2, 3, 15). Düşme riski ve demans taraması gibi alanlarda YZ modelleri, klinisyenin dikkatini yüksek riskli bireylere yönlendirmede faydalı olmakla birlikte, nihai klinik kararın insan denetiminde verilmesi önerilmektedir. Bu bağlamda, hekim-sistem etkileşimini optimize etmek için sistem çıktılarında belirsizlik/güven skorlarının gösterilmesi ve önerilerin açıklanabilir gerekçelerle (XAI) sunulması kritik önem taşır. Klinik iş akışında, klinisyenin zorunlu onayı veya override (geçersiz kılma) yetkisinin bulunması, yanlış otomasyon algısını azaltarak güvenli bir insan- araç etkileşimi sağlar(2, 3).

6.1 Tablo 2. Geriatrik YZ Uygulamalarında Kritik Değerlendirme Matrixi

Kategori	Sınırlılıklar ve Bariyerler	Klinik Fırsatlar ve Çıktılar
Metodoloji	Dar örneklem grupları ve kısa süreli takip verileri.	Yüksek hassasiyetli (>%90) erken teşhis kapasitesi.
Etik & Sosyal	Dijital okuryazarlık bariyeri ve veri gizliliği riskleri.	Azalan sosyal izolasyon ve artan kullanıcı motivasyonu.
Operasyonel	Altyapı maliyeti ve teknik destek gereksinimi.	Personel iş yükünde azalma ve kaynak verimliliği.
Klinik Güvenlik	Yanlış alarm yorgunluğu ve güven bariyeri.	Kişiselleştirilmiş tedavi ve hassas ilaç yönetimi.

7. Güvenlik, Etik Engeller ve Sınırlılıklar

Yapay zekanın (YZ) geriatri alanına entegrasyonu, teknolojik fırsatların yanı sıra ciddi etik kaygıları da beraberinde getirmektedir. Bu noktada karşılaşılan temel sorunlardan biri, eğitim veri setlerinde yaşlı popülasyonun yeterince temsil edilmemesinden kaynaklanan algoritmik önyargılardır. Bu yetersiz temsil, YZ modellerinde "yaş ayrımcılığı" (ageist bias) riskini doğurarak tanı ve tedavi süreçlerinde hatalı sonuçlara yol açabilmektedir (2, 3). Bir diğer kritik engel ise "kara kutu" (black box) sorunu olarak tanımlanan modellerin karar verme süreçlerindeki şeffaflık eksikliğidir. Algoritmaların belirli bir klinik karara nasıl ulaştığının net olmaması, klinisyenlerin bu sistemlere duyduğu güveni azaltmakta; bu durum ise açıklanabilir yapay zeka (XAI) yaklaşımlarının kullanımını zorunlu hale getirmektedir (9, 10, 14).

Teknolojinin teknik boyutunun ötesinde, yaşlı bireyler üzerindeki psikososyal etkileri de önemli etik riskler barındırmaktadır. Özellikle sosyal robotların kullanımı sırasında yaşlı bireylerin "bebekleştirilmesi" (infantilization) ve bu cihazlara duyulan aşırı bağlılık sonucu gelişebilecek "ayrılık anksiyetesi", üzerinde durulması gereken hassas konular olarak tanımlanmıştır (3, 5).

Yapılan araştırmaların çoğu gelişmiş ülkelere odaklandığı için kırsal bölgelerde yaşayanlar dışlanmakta ve bu durum sağlık hizmetlerindeki adaletsizliği artırmaktadır (17). Ayrıca çalışmalarda kadınlara ve farklı etnik kökenlere yeterince yer verilmemesi, yapay zekanın hatalı veya yanlı kararlar vermesine neden olmaktadır (17). Dolayısıyla, geriatrik bakımda YZ uygulamalarının yaygınlaşması için hem algoritmik şeffaflığın sağlanması hem de yaşlı bireyin onurunu koruyan etik standartların gözetilmesi büyük önem taşımaktadır.

8. Sonuç ve Gelecek Vizyonu

Yapay zeka (YZ), yaşlıların sağlık ihtiyaçlarını karşılamak için aslında devrim niteliğinde bir fırsat sunuyor. Gelecekte bu teknolojilerin, sadece sorun çıktığında müdahale eden sistemlerden çıkıp "Uzaktan Proaktif Bakım" (RPC) dediğimiz bir modele dönüşmesi bekleniyor (16). Giyilebilir sensörlerden ve genetik verilerden gelen bilgilerin birleştirilmesiyle, kişiye özel yaşlanma takibi ve erken teşhis yapılması hedefleniyor. Ancak bu sistemlerin standart bir hale gelmesi için daha çok iyi tasarlanmış, uzun süreli ve çok merkezli çalışmalara ihtiyaç var (1, 15, 16).

Sistemlere güven duyulması ve önyargıların aşılması için "Açıklanabilir YZ" (XAI) modellerinin kullanılması şart görünüyor (6). Ayrıca gelecekte beyin-bilgisayar arayüzü gibi teknolojilerin hayata geçirilmesi ve disiplinler arası bir iş birliği yapılması çok önemli. Bu sayede hem yaşlıların bağımsızlığını hem de onurunu koruyan, güvenli ve insan odaklı bir dijital sağlık sistemi kurmak mümkün olacaktır (2, 12, 16).

Kaynakça

1. Ma B, Yang J, Wong FKY, Wong AKC, Ma T, Meng J, et al. Artificial intelligence in elderly healthcare: A scoping review. Ageing Res Rev. 2023;83:101808.
2. Abadir M, Dineen W, Myers D, Yu S, Phan P. Navigating the future of artificial intelligence technologies for improving the care of older adults. Innov Aging. 2025;9(S1):igaf092.
3. Imran R, Khan SS. A systematic review on the efficacy of artificial intelligence in geriatric healthcare: a critical analysis of current literature. BMC Geriatr. 2025;25:248.
4. Poodineh Moghadam M, Moghadam ZA, Chalak Qazani MR, Pławia P, Alizadehsani R. Impact of Artificial Intelligence in Nursing for Geriatric Clinical Care for Chronic Diseases: A Systematic Literature Review. IEEE Access. 2024;12:122557-87.
5. Renn BN, Schurr M, Zaslavsky O, Pratap A. Artificial Intelligence: An Interprofessional Perspective on Implications for Geriatric Mental Health Research and Care. Front Psychiatry. 2021;12:734909.
6. Garg R. Smart Aging: Harnessing Artificial Intelligence to Enhance Elderly Health Care and Independence. J Indian Acad Geriatr. 2025;21:143-6.
7. Hochreiter S, Schmidhuber J. Long short-term memory. Neural Comput. 1997;9(8):1735-80.
8. Sau A, Bhakta I. ANN model to predict depression among geriatric population. J Clin Diagn Res. 2017;11:VC01-4.
9. Stancu A, Rosca CM, Iovanovici EM. Applications of Machine Learning Algorithms in Geriatrics. Appl Sci. 2025;15(15):8699.
10. Lundberg SM, Lee SI. A unified approach to interpreting model predictions. NIPS. 2017.
11. Pu L, Moyle W, Jones C, Todorovic M. The effect of using PARO for people living with dementia and chronic pain: a pilot randomized controlled trial. J Am Med Dir Assoc. 2020;21(8):1079-85.
12. Tsoi KK, Jia P, Dowling NM, Titiner JR, Wagner M, Capuano AW, et al. Applications of artificial intelligence in dementia research. Camb Prism Precis Med. 2023;1:e9.
13. Zaman KT, Hasan WU, Li J, Xie B. Results of a Systematic Literature Review on AI in Aging: Evidence and Insights. Innov Aging. 2025;9(Suppl 2):2256.
14. Efendioglu EM, Türkbeyler İH. Artificial intelligence in geriatric medicine. Exp Appl Med Sci. 2024;5(2):44-5.
15. Wang J, Liang Y, Cao S, Cai P, Fan Y. Application of Artificial Intelligence in Geriatric Care: Bibliometric Analysis. J Med Internet Res. 2023;25:e46014.
16. Yeung DY, Lin G, Ho A. Strengthening retirement planning: a longitudinal examination of connectedness to the aged future-self. Innov Aging. 2024;8(Supplement_1):639. doi:10.1093/geroni/igae098.2090
17. Burnazovic L, Maheu-Cadotte MA, Al-Hajji R, Soroush A, Thomas J, Rahimi S. Application of Artificial intelligence in COVID-19-related geriatric care: A scoping review. Arch Gerontol Geriatr. 2024 Jan;116:105129. doi: 10.1016/j.archger.2023.105129