Küresel Sağlıkta Yapay Zeka Uygulamaları

Özet

Yapay zekanın (YZ) küresel sağlık sistemleriyle buluşması; düşük ve orta gelirli ülkelerde (DOGY) kronik sağlık iş gücü açıklarını, tanısal kapasite yetersizliklerini ve sağlık sistemi parçalanmasını gidermek açısından önemli bir fırsat olarak değerlendirilmektedir. Bu bölüm, dört temel uygulama alanında —tanısal ve tarama araçları, klinik risk sınıflandırması, salgın tahminlemesi ve sağlık sistemi planlaması— kanıtların anlatısal bir sentezini sunmaktadır. Göçmen ve mülteci popülasyonlarının sağlığında YZ kullanımı, tüberküloz tarama programları ve YZ destekli anne sağlığı müdahalelerinden elde edilen kanıtlar aracılığıyla özel bir alt başlık olarak ele alınmaktadır. Derin öğrenme tabanlı görüntü analizi, algoritmik önyargı ve federatif öğrenme alanlarındaki temel çalışmalar eleştirel bir perspektifle değerlendirilmektedir. Kanıt kalitesi, seçim yanlılığı ve dış doğrulama eksikliği gibi sınırlılıklar tartışılmakta; veri egemenliği, mahremiyet ve adil fayda paylaşımını kapsayan yönetişim sorunları analiz edilmektedir. Sürdürülebilir katkının yalnızca algoritmik karmaşıklığa değil, bağlamsal uyarlamaya, şeffaf yönetişime ve sağlık sistemlerine yapısal entegrasyona bağlı olduğu sonucuna varılmaktadır.

1. Giriş

Yapay zekanın küresel sağlık sistemleriyle bütünleşmesi, başta sağlık profesyoneli açığı, parçalanmış veri altyapıları ve yetersiz tanısal kapasite gibi kalıcı güçlüklerle boğuşan DOGY'ler için dönüştürücü bir gelişme olarak öne çıkmaktadır. Güncel küresel sağlık söylemi; sağlık hizmetlerinin geleceğinin, ekolojik bozulmalar, geniş ölçekli insan göçü ve YZ teknolojilerinin hızlı yaygınlaşması eksenlerinin kesişiminde biçimleneceğine işaret etmektedir.

YZ'nin küresel sağlıkta benimsenmesi yalnızca teknolojik bir ilerleme olarak çerçevelenmemelidir. Algoritmik araçlar iş gücü açıklarını kapatabilir ve klinik karar desteği sağlayabilirken; önyargılı veri setleri, yetersiz yönetişim mekanizmaları ve zayıf hesap verebilirlik yapıları aracılığıyla eşitsizlikleri de derinleştirebilir. Görünürde yüksek performanslı algoritmaların, popülasyon alt gruplarında sağlık gereksinimlerini yanlış temsil eden vekil değişkenler kullandığında sistematik olarak haksız sonuçlar ürettiği belgelenmiştir.^1 Bu nedenle küresel sağlıkta YZ'nin değerlendirilmesi; algoritmik doğruluğun ötesine geçerek veri temsil yeterliliğini, bağlamsal entegrasyonu, insan gözetimini ve sağlık eşitliğinin korunmasını kapsayan daha geniş bir çerçeveyi gerektirmektedir.

Bu bölüm, küresel sağlıktaki temel YZ uygulamalarının anlatısal bir sentezini sunmakta, klinik ve saha ortamlarından elde edilen ampirik kanıtları özetlemekte ve etik, operasyonel ile yönetişim kaynaklı riskleri tartışmaktadır. Ayrıntılı teknik uygulamalar, donanım mimarisi ve ülkeye özgü hukuki analizler bu incelemenin kapsamı dışında tutulmuştur. Değerlendirilen literatür, ağırlıklı olarak PubMed dizinli kaynaklardan ve Dünya Sağlık Örgütü'nün (DSÖ) gri literatüründen derlenerek 2016–2025 yılları arasındaki çalışmaları kapsamaktadır.

2. Temel Uygulama Alanları ve Ampirik Kanıtlar

Küresel sağlıkta YZ uygulamaları ağırlıklı olarak dört alanda kümelenmektedir: tanısal ve tarama araçları, hasta risk sınıflandırması, salgın tahminlemesi ve sağlık sistemi planlaması. Her alandaki kanıt tabanı, olgunluk düzeyi, metodolojik titizlik ve bağlamsal aktarılabilirlik açısından önemli farklılıklar sergilemektedir.

2.1 Tanısal Görüntüleme ve Tarama Araçları

Tanısal görüntüleme, küresel sağlıkta en olgun YZ uygulamalarından birini oluşturmaktadır. Tıbbi görüntülerden hiyerarşik görsel özellikler çıkarmaya yarayan evrişimli sinir ağları (CNN'ler), kaynak kısıtlı ortamlarda uzman düzeyinde performans sergilemiştir. Gulshan ve arkadaşları, 128.175 retinal görüntü üzerinde eğitilmiş bir derin öğrenme algoritmasının refere edilebilir diyabetik retinopatinin saptanmasında yüksek duyarlılık ve özgüllük gösterdiğini ortaya koymuştur (iç doğrulama setinde alıcı işletim karakteristiği eğrisi altındaki alan [AUC] 0,991); bu bulgu, oftalmologların kıt olduğu tarama programlarında algoritmik desteğin değerini vurgulamaktadır.^2 Rajpurkar ve arkadaşları ise CheXNeXt adlı evrişimli sinir ağını doğrulayarak bu modelin frontal akciğer grafilerindeki 14 patolojiden 11'inde radyolog düzeyinde performans sergilediğini, bununla birlikte kardiyomegali, amfizem ve hiatal herni gibi durumlarda radyologların gerisinde kaldığını göstermiş; bu da algoritmik performansın patolojiye özgü olduğunu ve evrensel üstünlük iddialarının temelsiz olduğunu ortaya koymuştur.^3

DOGY ortamlarında, göğüs röntgeni kullanan tüberküloz (TB) tarama sistemlerine yönelik bilgisayar destekli tespit (BDT) sistemleri, mikrobiyolojik referans standartlara göre doğrulandığında genellikle 0,85 ile 0,90 arasında AUC değerleri bildirmektedir. Güney Afrika ve Hindistan'daki saha uygulamalarında genişletilmiş tarama kapasitesi ve hızlandırılmış triyaj iş akışları raporlanmış; ancak performansın yerel hastalık prevalansına ve popülasyon özelliklerine göre değiştiği gözlemlenmiştir. Bu bulgular, dış doğrulama ve bağlama özgü kalibrasyon gereksinimini; yüksek gelirli ortamlarda eğitilen modellerin DOGY popülasyonlarına aktarıldığında performanslarının belirgin biçimde düşebileceğini bir kez daha gözler önüne sermektedir.

Olumsuz kanıtlar da iyi belgelenmiş durumdadır. Dış doğrulama çalışmaları, modellerin farklı görüntüleme cihazları, demografik yapılar veya hastalık spektrumlarıyla karşılaştığında duyarlılıklarının düştüğünü ve kalibrasyonlarının sürüklendiğini tutarlı biçimde raporlamıştır.^4 Bu durum aşırı genelleme risklerini açıkça ortaya koymakta ve sürekli performans izlemesinin zorunluluğunu vurgulamaktadır. DOGY'lerde kullanılan tescilli algoritmaların sınırlı şeffaflığı ise bağımsız doğrulamayı daha da güçleştirmektedir.

2.2 Risk Tahmini ve Klinik Karar Desteği

Makine öğrenimi tabanlı risk sınıflandırma araçları, klinik kötüleşme, hastaneye yeniden yatış ve mortaliteyi öngörmek amacıyla giderek yaygınlaşmaktadır. Rastgele Orman ve XGBoost gibi ağaç tabanlı yaklaşımlar ile lojistik regresyon; tablo biçimindeki klinik verilerle uyumlu yapıları ve görece yorumlanabilir yapıları nedeniyle yaygın kullanımını sürdürmektedir.

YZ destekli uzaktan izleme sistemlerini değerlendiren klinik ve uygulama çalışmaları, hasta düzeyinde ölçülebilir iyileşmeler bildirmektedir. YZ destekli telemonitöring ve triyaj müdahaleleri; azalmış acil servis başvuruları, daha erken klinik girişimler ve kronik hastalık yönetiminin iyileşmesiyle ilişkilendirilmiştir.5,6 Makine öğrenimine dayalı erken uyarı sistemleri, yüksek riskli hastaları önceliklendirerek klinisyen iş yükünü azalttığını da göstermiştir; ancak etki büyüklükleri klinik ortama ve iş akışı entegrasyonuna göre önemli ölçüde farklılık göstermektedir.

Uygulama çalışmalarında bildirilen operasyonel yararlar arasında hasta başına düşen daha kısa tarama süreleri, iyileştirilmiş sevk verimliliği ve kısıtlı klinik kaynakların daha etkin tahsisi yer almaktadır. Bununla birlikte yanlış pozitif uyarılar ve uyarı yorgunluğu kalıcı endişe konusu olmaya devam etmektedir. IBM Watson for Oncology'nin, güvenli olmayan tedavi önerileri gerekçesiyle başlıca kanser merkezlerinde kullanımdan kaldırılması gibi örnekler; kontrollü ortamlarda yüksek performansın güvenli klinik dağıtımı garanti etmediğini açıkça ortaya koymaktadır.^7

2.3 Salgın Tahminlemesi ve Çevre Sağlığı

İklim değişikliği ve değişen ekolojik örüntüler, tahminsel epidemiyolojik modellemeye olan talebi artırmıştır. Uzun Kısa Süreli Bellek (LSTM) ağlarını kullanan zaman serisi yaklaşımları ile Rastgele Orman ve gradyan artırma modelleri, geleneksel istatistiksel yöntemlere kıyasla geliştirilmiş tahmin performansı sergilemiştir.

Güneydoğu Asya ve Batı Afrika'da dang humması insidansını öngörmeye yönelik pilot çalışmalar, YZ modellerinin bulaş riskindeki artışları birkaç hafta öncesinden tespit edebildiğini ve proaktif müdahale planlamasına olanak tanıdığını göstermektedir. Ancak bu kazanımlar; yerel veri kalitesine, çevresel ve sosyoekonomik değişkenlerin kullanılabilirliğine ve sürekli yeniden kalibrasyona büyük ölçüde bağlıdır.^8 Küresel veya yerel olmayan veri setleri üzerinde eğitilen modeller, yerel bağlam faktörleri dahil edilmediğinde sıklıkla yetersiz performans sergilemektedir. Farklı epidemiyolojik ortamlarda ileriye dönük doğrulamanın yetersizliği, mevcut kanıt tabanının ciddi bir sınırlılığını oluşturmaktadır.

2.4 Mülteci ve Göçmen Sağlığında Yapay Zeka

Zorla yerinden edilme ve geniş ölçekli insan göçü; bakım sürekliliğinin kesintiye uğraması, dil engelleri, yüksek bulaşıcı hastalık riskleri ve ulusal sınırlar ötesine yayılmış parçalı sağlık kayıtları gibi özgün sağlık sistemi sorunlarını beraberinde getirmektedir. Bu koşullar; göçmen popülasyonlarında standardize taramayı, bakım sürekliliğini ve erken risk tespitini destekleyen YZ araçlarına yönelik ilgiyi giderek artırmaktadır.

Göçmen TB taraması alanında Lee ve arkadaşları, ABD'ye bağlı göçmen ve mültecilere ait dijitalleştirilmiş akciğer grafilerini (152.012 eğitim görüntüsü) kullanarak bir derin öğrenme modelini geliştirmiş ve dışarıda doğrulamıştır. Model, iç doğrulama setinde tüberküloza ilişkin radyografik anormallikler için güçlü bir ayrım kapasitesi sergilemiştir (AUC 0,97; %95 GA 0,95–0,98).^9 Modelin tanısal onayın yerini almak yerine kalite güvencesini desteklemek amacıyla tasarlandığının özellikle vurgulanması, YZ dağıtımında operasyonel kapsam netliğinin önemine dikkat çekmektedir.

YZ destekli dijital sağlık müdahaleleri, mülteci nüfuslarını barındıran kırılgan sağlık sistemlerinde de uygulanmıştır. Lübnan'da beş il genelindeki 19 birinci basamak sağlık kuruluşunda yürütülen toplum müdahale çalışması, YZ tabanlı oyunlaştırılmış bir anne sağlığı müdahalesini (GAIN MHI) değerlendirmiş; müdahalenin doğum öncesi bakım uyumunda ve neonatal sonuçlarda belirgin iyileşmeyle ilişkili olduğu saptanmıştır (OR 1,569; %95 GA 1,329–1,852).^10 Bununla birlikte çalışmanın tarihsel kontroller kullanması ve uyumu öz-bildirime dayandırması; karıştırıcı faktörlerin ve gözetim yanlılığının söz konusu olabileceğini düşündürmektedir.

Mülteci ve göçmen ortamları etik riskleri yoğunlaştırmaktadır. YZ destekli çeviri, triyaj veya tahminsel analizler; yönetişim güvenceleri yetersiz kaldığında farkında olmaksızın gözetim uygulamalarına, ayrımcılığa veya sağlık hizmetlerinden kaçınmaya zemin hazırlayabilir. Bu nedenle amaç sınırlılığı, orantılılık ve hakka dayalı tasarım, yerinden edilme bağlamlarında gerçekleştirilecek her türlü YZ uygulamasının temel bileşenleri olmalıdır.

2.5 Sağlık Sistemi Planlaması ve İş Gücü Optimizasyonu

Sistem düzeyinde YZ, kaynak tahsisini, iş gücü çizelgelemesini ve acil müdahale planlamasını optimize etmek amacıyla uygulanmaktadır. Sahra Altı Afrika'da makine öğrenimi kullanılarak gerçekleştirilen sağlık çalışanı tahsisi pilot projeleri, hizmet verimliliğinde artış bildirmiştir. 2014–2016 Batı Afrika Ebola salgını sırasında Sierra Leone'de, anonimleştirilmiş mobil telefon arama kayıtlarının YZ destekli analizleri, seyahat kısıtlamalarının ardından nüfus hareketliliğinde kayda değer düşüşler olduğunu ortaya koymuş ve gerçek zamanlıya yakın halk sağlığı karar almayı desteklemiştir.

Bu tür yaklaşımlar nüfus düzeyinde analitiğin değerini kanıtlarken; özellikle acil durumlarda gözetim, mahremiyet ve aydınlatılmış onam konusundaki etik kaygıları da beraberinde getirmektedir. Sağlık yararı ile bireysel haklar arasındaki bu gerilim, yönetişim çerçeveleri tarafından henüz tam anlamıyla çözüme kavuşturulamamıştır.

3. Temel Çalışmalar ve Metodolojik Çerçeveler

Birkaç kilometre taşı niteliğindeki çalışma ve raporlama çerçevesi, günümüz YZ-sağlık alanını tanımlamaktadır. Teknik ilerlemelerin ötesinde, eleştirel analizler her türlü uygulamada mutlaka ele alınması gereken yapısal riskleri gün yüzüne çıkarmıştır. Obermeyer ve arkadaşları, yaygın kullanılan bir nüfus sağlığı algoritmasında ırka dayalı önyargının varlığını ortaya koymuş; sağlık harcamasının vekil değişken olarak kullanılmasının, Siyah hastaların hastalık yükünü Beyaz hastalarla aynı öngörülen risk skoru düzeyinde sistematik biçimde hafife aldığını göstermiştir.^1 Yazarlar, bu önyargının düzeltilmesinin ek bakıma yönlendirilen Siyah hastaların oranını %17,7'den %46,5'e yükselteceğini tahmin etmiş ve böylece yetersiz problem formülasyonunun eşitsizliği yapısal olarak nasıl pekiştirebildiğini çarpıcı biçimde ortaya koymuştur.

Raporlama kalitesini ve yeniden üretilebilirliği artırmak amacıyla YZ klinik araştırmalarına özgü uluslararası standartlar geliştirilmiştir. CONSORT-AI ve SPIRIT-AI, köklü klinik çalışma raporlama kılavuzlarına yapay zekaya özgü ek gereksinimler —model açıklamaları, eğitim prosedürleri ve performans ölçütleri dahil— tanımlayan uzantılar sunmaktadır.11,12 DSÖ dijital sağlık kılavuzları, özellikle DOGY uygulamaları açısından güvenlik, etkinlik, bağlamsal uygunluk ve eşitlik değerlendirmelerini ön plana almaktadır.^13

McMahan ve arkadaşlarının federatif öğrenmeyi geliştirmesi, sınır ötesi veri paylaşımının kısıtlandığı senaryolar için teknik açıdan önemli bir çerçeve sunmaktadır.^14 Yerel olarak tutulan veriler üzerinde model eğitimine izin verirken yalnızca toplu parametre güncellemelerini paylaşan federatif yaklaşımlar, merkezi veri depolamayla ilişkili riskleri azaltabilir. Ancak federatif öğrenme tek başına bir çözüm değildir: toplum katılımı, şeffaf yönetişim ve adil fayda paylaşımı düzenlemeleri olmaksızın teknolojik güvenceler, veri ilişkilerindeki yapısal güç dengesizliklerini gidermek için yetersiz kalmaktadır.

4. Klinik Entegrasyon ve İnsan-YZ Etkileşimi

Pilot uygulamalardan elde edilen kanıtlar; sürdürülebilir katkının, tek başına algoritmik performansa değil, klinik iş akışlarıyla entegrasyona bağlı olduğunu tutarlı biçimde ortaya koymaktadır. İnsan denetimini esas alan tasarımlar, otomasyon yanlılığını azaltmak ve klinisyen hesap verebilirliğini korumak açısından vazgeçilmez olmayı sürdürmektedir.^15

Çalışmalar genelinde YZ araçları, özerk karar vericiler olarak değil destekleyici karar yardımcıları olarak konumlandırıldığında en yüksek yararı sağlamaktadır. Literatürde saptanan temel operasyonel gereksinimler şunlardır: modelin güçlü ve zayıf yönlerini erişilebilir bir dille açıklayan klinisyen eğitim modülleri; klinisyen inisiyatifini koruyan açık geçersiz kılma ve eskalasyon yolları; belirsizlik tahminlerini ve güven aralıklarını önerilerle birlikte sunan arayüz tasarımları ile kullanım örüntülerini, geçersiz kılma oranlarını ve zamanla oluşan performans kaymasını izleyen sürekli izleme mekanizmaları.

İş akışı entegrasyon başarısızlıkları, uygulama çalışmalarında sıklıkla yetersiz raporlanan bir başarısızlık kaynağını oluşturmaktadır. Geniş çaplı doğrulanmış algoritmalar bile yeterli ortak tasarım, değişim yönetimi veya süregelen teknik destek olmaksızın klinik iş akışlarına entegre edildiğinde anlamlı bir yarar üretemeyebilir. Sağlık bilgi sistemlerinin parçalı olduğu, birlikte çalışabilirlik standartlarının tutarsız uygulandığı ve bakım kapasitesinin sınırlı olduğu DOGY ortamlarında bu sorun daha da belirginleşmektedir.

5. Mahremiyet, Veri Egemenliği ve Yönetişim

Mahremiyet koruma, YZ destekli küresel sağlık uygulamalarında hem etik bir yükümlülük hem de operasyonel bir zorunluluktur. YZ dağıtımları; aydınlatılmış onam süreçlerini, veri minimizasyon stratejilerini, kimlik anonimleştirme prosedürlerini ve bağımsız etik denetimi kapsamalıdır. Bu gereksinimler, veri koruma mevzuatının bulunmadığı ya da uygulanamadığı ve araştırmacı ilişkilere yönelik tarihsel toplum kuşkusunun haklı gerekçelere dayandığı DOGY ortamlarında özellikle kritik bir önem taşımaktadır.

Diferansiyel mahremiyet, şifreleme ve güvenli çok taraflı hesaplama ile birleştirilen federatif öğrenme ve ilgili mahremiyet koruyucu yaklaşımlar, merkezi veri depolamayla ilişkili riskleri azaltabilir.^14 Bununla birlikte teknolojik güvenceler tek başına yetersiz kalmaktadır. DOGY veya yerinden edilmiş popülasyonlardan elde edilen verilerin, eşdeğer yerel fayda, kapasite geliştirme veya karar alma yetkisi olmaksızın başka yerlerde değer yaratan tescilli algoritmalar eğitmek amacıyla kullanıldığı durumlarda 'veri sömürgeciliği' kaygıları özellikle geçerlidir.

Etkin yönetişim çerçeveleri en azından şu boyutları kapsamalıdır: klinik bağlama uygun açıklanabilirlik gereksinimlerini içeren algoritmik karar alma şeffaflığı; YZ destekli kararlar zarar verdiğinde sorumluluğu dağıtan hesap verebilirlik mekanizmaları; dağıtım öncesinde ve sonrasında demografik alt gruplar genelinde model performansını değerlendiren eşitlik denetimleri; yerel popülasyonları etkileyen YZ sistemlerinin tasarım ve denetiminde toplum katılımı; ve kaynak topluluklara verilerinin nasıl kullanıldığı üzerinde anlamlı denetim hakkı tanıyan veri egemenliği mekanizmaları.

6. Gelecek Yönelimler: Etik ve Kapsayıcı Yapay Zekaya Doğru

Tek Dijital Sağlık (One Digital Health) gibi gelişmekte olan çerçeveler; insan, hayvan ve çevre veri akışlarını birlikte işleyen birlikte çalışabilir ve federatif altyapılar aracılığıyla insan-hayvan-çevre arayüzündeki sağlık tehditlerinin erken tespitini desteklemeyi hedeflemektedir. FAIRER veri ilkelerinin (Bulunabilir, Erişilebilir, Birlikte Çalışabilir, Yeniden Kullanılabilir, Eşitlikçi ve Hak Temelli) benimsenmesi ve rutin algoritmik eşitlik denetimleri; teknik açıdan doğru ancak toplumsal açıdan adaletsiz sistemlerin sahaya sürülmesinin önüne geçmek için zorunludur.

Gelecekteki araştırmalar şu alanlara öncelik vermelidir: çeşitli DOGY ortamlarında YZ araçlarının dış doğrulanması; mevcut literatürde sistematik biçimde az temsil edilen olumsuz ve boş bulguların şeffaf raporlanması; engellenen özürlülükle düzeltilmiş yaşam yılı (DALY) gibi küresel sağlık için anlamlı çıktıları kullanan maliyet-etkinlik analizleri ve özellikle yerinden edilme ya da marjinalleşme bağlamlarında toplulukların YZ araçlarına ilişkin algılarını inceleyen nitel çalışmalar.

YZ tıbbi cihaz düzenleyici çerçeveleri, DOGY'lerin büyük çoğunluğunda henüz yeterince olgunlaşmamıştır. Piyasaya öncesi değerlendirme standartlarının, piyasaya sonrası gözetim gereksinimlerinin ve sorumluluk çerçevelerinin uluslararası alanda uyumlaştırılması; YZ destekli sağlık araçlarının küresel ölçekte yaygınlaşmasının, bu araçların güvenliğini ve eşitliğini güvence altına alma kapasitesinin önüne geçmemesini sağlamak bakımından elzem olacaktır.

7. Sonuç

Yapay zekanın küresel sağlıkta sürdürülebilir ve adil fayda üretmesi, yalnızca teknolojik karmaşıklığa değil, uygulandığı koşullara bağlıdır. YZ sistemleri açıkça tanımlanmış sağlık öncelikleriyle uyumlu olmalı ve hastalık yükünü biçimlendiren yapısal eşitsizliklere duyarlı bir şekilde tasarlanmalıdır. Teknik güvenilirliğin sağlanması için sağlam dış doğrulama, sistematik alt grup analizleri ve bağlama özgü kalibrasyon zorunludur.

Hesap verebilirliği ve güveni koruyan klinik entegre iş akışları aracılığıyla insan gözetiminin sürdürülmesi de aynı ölçüde önem taşımaktadır. Bu bölümde incelenen kanıtlar; küresel sağlıkta en etkili YZ uygulamalarının, özerk sistemler olarak değil klinisyenler ve sağlık çalışanları için karar destek araçları olarak tasarlandığını ortaya koymaktadır.

Ana Bulgular: (1) YZ uygulamalarının kanıt olgunluğu alanlar arası büyük farklılıklar göstermektedir; tanısal görüntüleme nispeten olgunken, salgın tahminlemesi ve sistem planlaması alanlarında prospektif doğrulama hâlâ yetersizdir. (2) Dış doğrulama ve bağlama özgü kalibrasyon eksikliği, DOGY ortamlarında algoritmik performans düşüşüne yol açan başlıca teknik risktir. (3) Algoritmik önyargı ve veri sömürgeciliği, eşitsizlikleri yapısal olarak pekiştirebilecek ciddi etik tehditlerdir. (4) Sürdürülebilir katkı, algoritmik karmaşıklıktan çok klinik iş akışı entegrasyonuna, insan gözetimine ve şeffaf yönetişime bağlıdır.

Öneriler: YZ araçları dağıtımdan önce hedef popülasyonlarda prospektif olarak doğrulanmalı ve demografik alt gruplarda performans eşitliği denetlenmelidir. Algoritmik karar almada şeffaflık, hesap verebilirlik ve açıklanabilirlik standartları zorunlu kılınmalı; özellikle savunmasız popülasyonlarda veri kullanımı için güçlü etik güvenceler ve toplum katılımı sağlanmalıdır.

Gelecek araştırmalar: DOGY ortamlarında maliyet-etkinlik analizlerine, negatif bulguların sistematik raporlanmasına, toplum algısı çalışmalarına ve post-market gözetim verilerinin paylaşılmasına öncelik vermelidir. Bu bölümün sınırlılıkları; sistematik olmayan literatür taraması, sınırlı gri literatür kapsamı ve ülke düzeyinde düzenleyici analizlerin kapsam dışı bırakılmasıdır.

Sonuç olarak: Veri egemenliğini, hasta haklarını ve adil fayda paylaşımını önceliklendiren yönetişim mekanizmalarının desteğiyle YZ, teknolojik bir yama olmaktan çıkarak esnek ve kapsayıcı küresel sağlık sistemlerinin —göçmenler, mülteciler ve diğer savunmasız popülasyonları da kapsayacak şekilde— anlamlı bir tamamlayıcısına dönüşebilir.

Kaynakça

1. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019 Oct 25;366(6464):447–453. doi: 10.1126/science.aax2342.
2. Gulshan V, Peng L, Coram M, Stumpe MC, Wu D, Narayanaswamy A, et al. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016 Dec 13;316(22):2402–2410. doi: 10.1001/jama.2016.17216.
3. Rajpurkar P, Irvin J, Ball RL, Zhu K, Yang B, Mehta H, et al. Deep learning for chest radiograph diagnosis: a retrospective comparison of the CheXNeXt algorithm to practicing radiologists. PLoS Med. 2018 Nov 20;15(11):e1002686. doi: 10.1371/journal.pmed.1002686.
4. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44–56. doi: 10.1038/s41591-018-0300-7.
5. Stehlik J, Schmalfuss C, Bozkurt B, Nativi-Nicolau J, Wohlfahrt P, Wegerich S, et al. Continuous wearable monitoring analytics predict heart failure hospitalisation: the LINK-HF multicentre study. Circ Heart Fail. 2020 Mar;13(3):e006513. doi: 10.1161/CIRCHEARTFAILURE.119.006513.
6. Lindenfeld J, Zile MR, Desai AS, Bhatt K, Ducharme A, Maisel A, et al. Haemodynamic-guided management of heart failure (GUIDE-HF): a randomised controlled trial. Lancet. 2021 Sep 11;398(10304):991–1001. doi: 10.1016/S0140-6736(21)01754-2.
7. Topol EJ. Welcoming new medical imaging into the family. Cell. 2018 Mar 8;172(6):1223–1226. doi: 10.1016/j.cell.2018.02.028.
8. Chae S, Kwon S, Lee D. Predicting infectious disease using deep learning and big data. Int J Environ Res Public Health. 2018 Aug;15(8):1596. doi: 10.3390/ijerph15081596.
9. Lee SH, Fox S, Smith R, Skrobarcek KA, Keyserling H, Phares CR, et al. Development and validation of a deep learning model for detecting signs of tuberculosis on chest radiographs among US-bound immigrants and refugees. PLOS Digit Health. 2024 Sep 30;3(9):e0000612. doi: 10.1371/journal.pdig.0000612.
10. Saleh S, El Arnaout N, Sabra N, El Dakdouki A, Chamseddine Z, Hamadeh R, et al. The effectiveness of an artificial intelligence-based gamified intervention for improving maternal health outcomes among refugees and underserved women in Lebanon: community interventional trial. JMIR Mhealth Uhealth. 2025 Nov 4;13:e65599. doi: 10.2196/65599.
11. Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK; SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med. 2020 Sep;26(9):1364–1374. doi: 10.1038/s41591-020-1034-x.
12. Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ; SPIRIT-AI and CONSORT-AI Working Group. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med. 2020 Sep;26(9):1351–1363. doi: 10.1038/s41591-020-1037-7.
13. World Health Organization. WHO guideline: recommendations on digital interventions for health system strengthening. Geneva: WHO; 2019.
14. McMahan HB, Moore E, Ramage D, Hampson S, Agüera y Arcas B. Communication-efficient learning of deep networks from decentralized data. In: Proceedings of the 20th International Conference on Artificial Intelligence and Statistics (AISTATS); 2017; Fort Lauderdale, FL. PMLR; 2017. p. 1273– 1282.
15. Kwon JM, Lee Y, Lee YH, Lee K, Park J. An artificial intelligence algorithm that predicts mortality of patients with acute heart failure: a prospective study. PLOS ONE. 2019 Jul 1;14(7):e0219302. doi: 10.1371/journal.pone.0219302.

Çıkar Çatışması Beyanı

Yazarlar, bu bölümün içeriğiyle ilgili herhangi bir çıkar çatışması bulunmadığını beyan eder.

Finansman

Bu bölüm, kamu, ticari veya kâr amacı gütmeyen kuruluşlardan herhangi bir finansman desteği almamıştır.