Tıbbi Biyokimyada Yapay Zeka Uygulamaları

Giriş

Biyokimya canlının yapısını, organizasyonunu ve fonksiyonunu molekül düzeyinde inceleyen bir bilimdir. Biyokimya başlıca karbonhidratlar, lipidler, proteinler ve nükleik asitler olmak üzere hücresel bileşenlerin yapı ve işlevleri ile bunların dönüşümlerini inceler (1). Tıbbi biyokimya ise insanlarda sağlığın değerlendirilmesi, hastalıkların önlenmesi, tanısı, takibi, prognoz öngörüsü, hastalık için risk faktörlerinin belirlenmesi ve tedavinin izlenmesi amacıyla insana ait biyolojik örneklerin incelenmesi, testlerin seçimi, analizi, laboratuvar test sonuçlarının yorumlanması, tıbbi konsültasyon ve laboratuvar tanıyı da içeren tıbba ve kliniğe özgün bir laboratuvar bilimi ve tıbbi laboratuvar uzmanlık alanıdır (2).

Yapay zeka bilgisayar ve makinelerin düşünme, öğrenme, anlama, problem çözme, karar verme ve yaratıcılık gibi insan yeteneklerini taklit etmesini sağlayan teknolojiye denir. Yapay zeka makinelerin veri setlerinden öğrenmesini ve bu öğrenmeye dayanarak kararlar almasını sağlayan algoritma ve modeller geliştirilerek oluşturulur (3). Yapay zeka karmaşık veri setlerinin analizini, laboratuvar süreçlerinin standardizasyonunu, moleküler etkileşimlerin tahminini ve yeni biyobelirteçlerin keşfinin hızlanmasını sağlayarak hızlı karar verme süreçlerinin kritik öneme sahip olabileceği tıbbi biyokimyada güçlü bir araç olmaya başlamıştır. Yapay zekada her geçen gün meydana gelen gelişmeler nedeniyle tıbbi biyokimya alanındaki hem teorik hem de uygulamalı işlemlerde kullanım sıklığının daha da artması beklenmektedir.

Tıbbi biyokimyada yüksek hacimli çok değişkenli verilerin doğru ve hızlı bir şekilde değerlendirilip kararlar verilmesinin zorluğu, preanalitik hatalar nedeniyle yanlış tanı konması ya da tanı gecikmesi durumları, tıbbi biyokimya laboratuvarındaki artan preanalitik, analitik ve postanalitik süreçlerde karşılaşılan anlık durumlarda yapılan insan kaynaklı hatalar günümüzde çözüm beklemektedir. Bu problemlerin çözümüne katkıda bulunması için yapay zekanın tıbbi biyokimya alanında özellikle veri analizi, tıbbi biyokimya laboratuvar süreçlerinin yönetimi, metabolik yolaklar ve protein yapılarının tahmini üzerinde etkili olacağı görülmektedir (4). Buradaki önemli yapay zeka teknikleri makine öğrenmesi, derin öğrenme, doğal dil işleme ve moleküler modelleme olup yapay zekanın tıbbi biyokimyadaki başlıca uygulamaları şöyle açıklanabilir.

1. Tıbbi Biyokimya Veri Setlerinden Oluşturulan Tanısal Algoritmalar

Tıbbi biyokimya veri setlerinden oluşturulan yapay zeka destekli tanısal algoritmalar tıbbi biyokimya test sonuçları ve elektronik tıbbi kayıtlardan elde edilen çok sayıda biyokimyasal veriyi analiz ederek manuel yorumlamayla kolayca tespit edilemeyecek biyokimyasal anormallikleri saptayabilir, tıbbi biyokimya test sonuçlarının yorumlanmasını hızlandırarak tanı gecikmelerini azaltabilir ve biyokimyasal süreçlerdeki patolojik durumlar üzerinden hastalık risklerini, hastalığın başlama ve ilerlemesini tahmin edebilir. Örneğin makine öğrenmesi algoritmaları ile diyabet ve diğer metabolik bozuklukları tahmin etmek için karbonhidrat, lipid ve amino asit metabolizması ile enzim aktiviteleri değerlendirilir. Hastaya özgü biyokimyasal verileri analiz ederek kişiselleştirilmiş tedavilerin planlarını kolaylaştırır. Bu modeller metabolik biyobelirteçleri baz alarak kişiye özel ilaç dozlarını da önerebilir (3 ve 4).

Tıbbi biyokimya laboratuvarındaki yapay zeka uygulamaları sayesinde birbirine yakın hastalık veya klinik tabloların ayrımında invazif olmayan yeni tanı panelleri geliştirilmiştir. Hastaların demografik ve tıbbi biyokimya test sonuçlarının makine öğrenmesi tabanlı oluşturulan algoritmaları sonucu hastalıkların daha kısa sürede doğru teşhisleri gerçekleştirilebilmiştir. Örneğin böbrek yetmezliği, kalp yetmezliği, kardiyak amiloidoz, diyabet, diyabet komplikasyonları, kolorektal kanser ve mesane kanserinin tahmini ile prostat kanseri, benign prostat hipertrofisi ve sağlıklı kişilerin ayrımı için yapay zeka tabanlı algoritmalar oluşturulmuştur. Tıbbi biyokimya test sonuçları referans aralıklar, hastanın klinik bulguları ve elektronik tıbbi kayıtları baz alınarak yorumlanır, ancak çok sayıda parametreden oluşan test panellerinin yorumlanması zor olduğu için derin klinik ve teknik uzmanlık bilgisi gerektirir. Ayrıca analitik tekniklerin sürekli gelişmesi nedeniyle karmaşık çok değişkenli tanısal süreçlerde tıbbi biyokimya konsültasyonuna daha fazla ihtiyaç olması beklenir. Bu sistemler tıbbi biyokimya alanında serum protein elektroforez modellerinin sınıflandırılması, idrar steroid metabolitlerinin yorumlanmasıyla adrenal tümörlerdeki malignitenin tespiti, kalp yetmezliği, akut böbrek yetmezliği, yoğun bakım hastasının ölümü, demir eksikliği anemisi ve talasemi hastasının ayrımı gibi çok farklı klinik durumların tahmini için kullanılmıştır (5-9). Çoklu regresyon tabanlı modellerde laboratuvar test sonuçları ve klinik bulgular birleştirilerek prostat kanseri gelişme riskinin tahmini yapılarak bazı hastalarda gereksiz prostat biyopsisi yapılması önlenmiştir (10). İnvazif olmayan risk tahmin modelleri metabolik disfonksiyonla ilişkili steatohepatit için de yapılarak gereksiz karaciğer biyopsisi yapılması önlenmiştir (11). Yenidoğan metabolik hastalık taramasının amacı etkilenen yenidoğanların yüksek hassasiyetle belirlenmesi olduğu için yanlış pozitiflik oranı yüksektir. Taramada pozitif çıkan hastalık tanılarının ilave biyokimya ve DNA testleri yapılarak doğrulanması maliyetli olup tanının gecikmesi ve hastalar arasında endişe yaratıcı olabilir. Peng ve arkadaşları tarafından geliştirilen rastgele orman algoritmasında 39 metabolit kullanılarak yalancı pozitif ve doğru pozitiflik oranlarının iyileştirilmesi sağlanmıştır. Örneğin ornitin transkarbamoilaz enzim eksikliği için %98, glutarik asidüri tip 1 için %89, metilmalonik asidüri için %45, çok uzun zincirli açil KoA dehidrojenaz enzim eksikliği için ise %2 oranında yalancı pozitiflik oranı azalmıştır (12).

Yapay zeka tabanlı karar destek sistemleri tıbbi biyokimya uzmanlarına doğru tanı ve tedavi için karmaşık biyokimyasal verilerin yorumlanması konusunda yardımcı olabilir. Yapay zeka destekli laboratuvar bilgi sistemleri kapsamlı klinik bilgiler sağlamak için tıbbi biyokimya test sonuçlarını hasta elektronik verileri ile entegre edebilir. Yapay zeka tabanlı sohbet robotları ve sanal asistanlar laboratuvar test sonuçlarının yorumlanıp raporlanmasına yardımcı olabilir. Günümüz yapay zekası belirli çerçeveler dahilinde patern tanıma ve optimizasyonda çok iyidir, ancak eğitim örneklerinden yoksun yeni durumlarda zorlanmaktadır. Yapay zeka uygulamaları standardize edilmiş rutin prosedürlerde çok iyidir, ancak uzman bilgi ve becerisinin gerekli olduğu incelikli ve anlık düzeltme gereken durumlarda yetersizdir. Biyolojik sistemler kompleks olup küçük ve görünmeyen değişkenlere karşı hassastır. Oluşabilecek çelişkili sonuçları yorumlayıp hangi beklenmedik yolu izleyeceğimize karar vermek mevcut yapay zekanın muhakeme yeteneği ile çok doğru değildir. Bu nedenlerle günümüz yapay zekasının tıbbi biyokimya uzmanlarının yerine geçmesi şimdilik beklenmemekte olup tıbbi biyokimya laboratuvarlarında yapay zeka uygulamalarını uygulayabilen tıbbi biyokimya uzmanlarına ihtiyaç vardır (13).

2. Tıbbi Biyokimya Laboratuvar Süreçlerinde Yapay Zeka

Yapay zeka tıbbi biyokimya laboratuvarındaki rutin işlemlerin otomatize olmasını sağlayıp numune hazırlık süreçlerini kolaylaştırmış, manuel hataları azaltmış, hastalıkların tanısal doğruluğunu artırarak ve bireysel tıbbı geliştirerek tıbbi biyokimya alanında önemli dönüşümlere yol açmıştır. Yapay zeka tıbbi biyokimya test analizlerinin doğruluğunu, verimliliğini ve hızını artırarak tıbbi biyokimya alanında önemli ilerlemeler sağlamıştır. İnsan kaynaklı hataları azaltmak için kullanılan yapay zeka tabanlı sistemler kalite kontrol uygulamaları ve hastaların tıbbi biyokimya test sonuçlarının değerlendirilip raporlanmasında tıbbi biyokimya uzmanlarına destek olmaktadır. Yapay zeka uygulamaları iç kalite kontrollerin değerlendirilmesinde kullanılan Westgard kurallarının ihlal edilip edilmediğini kontrol ederek tıbbi biyokimya uzmanlarına yardımcı olabilmektedir. Tıbbi biyokimya laboratuvar test sonuçlarının tıbbi biyokimya uzmanı tarafından yorumlandıktan sonra manuel olarak onaylanması tıbbi biyokimya laboratuvar pratiğindeki önemli işlemlerden birisidir. Test sonuçlarının tıbbi biyokimya uzmanları tarafından manuel olarak onaylanması hem zahmetli ve zaman alıcı hem de insan hatasına açıktır. Makine öğrenmesi ve derin öğrenme tabanlı yapay zeka uygulamaları sayesinde onay destek sistemleri geliştirilerek manuel olarak yapılan uzman onaylarının oranında azalma gerçekleşmiş ve bu sayede tıbbi biyokimya uzmanları belirledikleri kurallar çerçevesinde onay destek sistemlerini kullanarak detaylı inceleme ya da reflektif test yapılması gereken hasta sonuçlarının raporlanmasına daha çok vakit ayırabilmişlerdir (4 ve 14). Sonuçta yapay zeka uygulamalarındaki bu ilerlemeler tıbbi biyokimya laboratuvar test süreçlerinin hızlanması ve mevcut kaynakların daha etkin kullanılmasına olanak sağlamıştır.

Tıbbi biyokimya alanında makine öğrenmesi, derin öğrenme ve büyük veri analitiği gibi yapay zeka destekli uygulamalar kullanılmaktadır. Tıbbi biyokimyada yapay zekanın entegrasyonu hastalıkların erken tanı ve yönetimine yardımcı olan tahmin modellemelerinin oluşturulmasına, akıllı karar-destek sistemleri ve otoanalizörlerin gelişmesine yol açmıştır. Yapay zeka destekli algoritmalar çok fazla sayıdaki biyokimyasal veriyi geleneksel yöntemlere göre daha hızlı ve daha yüksek kesinlikle analiz ederek insan kaynaklı hataları azaltıp verimliliği artırmıştır. Yapay zekanın tıbbi biyokimya laboratuvarında kullanımı sayesinde laboratuvar iş akışı optimize edilip işlem süreleri kısaltılmış ve test sonuçlarının güvenilirliği artırılmıştır. Yapay zeka destekli laboratuvar bilgi sistemleri ve kalite kontrol işlemlerinin otomatize edilmesi manuel müdahale ihtiyacını en aza indirip kalite kontrol süreçlerinin iyileştirilmesine de katkıda bulunmuştur. Yapay zeka tabanlı kalite kontrol sistemleri standardizasyon ve doğruluğun artırılmasını sağlamıştır (4 ve 14).

Tıbbi biyokimya laboratuvarındaki kalite kontrol uygulamalarında en az iki seviye sıvı kalite kontrol materyalleri kullanılır. Her çalışma öncesinde analizi yapılan iç kalite kontrol materyallerinin sonuçları tıbbi biyokimya uzmanları tarafından her bir test için daha önceden bilinen aralık değerleri ile karşılaştırılarak belirli kurallar zinciri içinde değerlendirilir. İç kalite kontrol uygulaması her çalışma günü en az bir kere yapılırken, acil laboratuvar testlerinde bu sıklık artırılır. Sıvı kalite kontrol materyalleri ile yapılan bu uygulamada testlerin o anki performansları değerlendirilir, günün ilerleyen saatleri ve bir sonraki kalite kontrol uygulamasına kadar geçen süredeki ölçüm performansları konusunda sınırlı öngörü sahibi olunur. Bu nedenle de yapay zeka destekli hasta bazlı gerçek zamanlı kalite kontrol uygulamaları geliştirilmiştir. Bu sistemde hasta sonuçları sürekli kalite kontrol materyali gibi değerlendirilerek anlık iç kalite kontrol yapıldığı için ölçüm performansları belirlen süreler içinde gerçek zamanlı bir şekilde değerlendirilebilir. Bu sistemin basit modellerinde genellikle son 20 hastanın sonuçları üzerinden iç kalite kontrol uygulaması yapılır ve belirlenen kontrol sınırları aşıldığında tıbbi biyokimya uzmanlarına uyarı mesajı gelir. Kompleks modellerinde ise veri dönüştürmeleri yapılır ya da ağırlıklandırılmış algoritmalar kullanılır. Ancak, makine öğrenmesi modellerinin iç kalite kontrol uygulamalarında kullanımı henüz yeteri kadar güvenilir olmayıp geliştirilmesi gerekir. Daha ileriki süreçlerde yapay zeka destekli bu araçların gerçek zamanlı veri yorumlamasına olanak sağlayıp tıbbi biyokimya uzmanlarının daha hızlı ve doğru klinik kararlar almasına yardımcı olabileceği düşünülmektedir (4).

Tıbbi biyokimya laboratuvar süreçleri pre-analitik, analitik ve post-analitik olmak üzere üç fazdan oluşur. En çok karşılaşılan tıbbi laboratuvar hataları yaklaşık %70’e varan oranda olmak üzere pre-analitik fazda olur. Preanalitik faz test isteminin yapılmasından testlerin analizine kadar olan süreyi kapsadığı için bu süreçteki hatalar çoğunlukla tıbbi biyokimya laboratuvarının dışındaki süreçlerde gerçekleşir ve tıbbi biyokimya uzmanlarının doğrudan kontrolü altında değildir (15). Preanalitik hatalar yanlış test raporu hazırlanmasına sebep olacağı için tıbbi laboratuvar kalite standartları gereği bu hataların hasta sonuçlarına yansımadan önce tespit edilip düzeltilmesi gerekir. Ancak, bu hataların hepsinin tespiti kolay değildir (14). Yapay zeka algoritmaları uygunsuz numunenin tespiti dahil bu laboratuvar hatalarının tespitine yardımcı olabilir. En sık karşılaşılan ve test sonuçlarını etkileyecek pre-analitik hatalardan birisi hemolizdir. Hemoliz derecesini belirlemek için kullanılan hemoliz indeksi hastadan kan alınınca hemen belirlenemeyip laboratuvardaki otoanalizörde serum numunesi analiz edileceği esnada belirlendiği için kullanılacak olan makine öğrenmesi algoritmaları tıbbi biyokimya laboratuvarında kullanılan mevcut hemoliz indeksine alternatif olabilir (16). Test sonuçlarını etkilediği için hemoliz ile birlikte ikter ve lipemi indeksi de tıbbi biyokimya otoanalizörlerinde aynı anda değerlendirilir (17). Test sonuçlarını etkileyecek sık karşılaşılan başka bir pre-analitik hata kaynağı olan yanlış tüpe kan alınmasını anlamak için kullanılabilecek makine öğrenmesi tabanlı çok analitli delta kontrolleri geleneksel tek analit delta kontrollerinden daha iyidir (18). Burada kullanılacak makine öğrenmesi modeli laboratuvar iş akışını yavaşlatmayacak oranda düşük yanlış alarm veren bir model olmalıdır, aksi takdirde laboratuvar çalışanları tarafından kullanılma sıklığı az olacaktır. Sık karşılaşılan başka bir preanalitik hata hastanın mayi giden damarından kan örneği alınmasıdır. Bu hastanın test sonuçlarının daha önceki raporları ile uyumsuz olması durumunda preanalitik bir hatadan şüphelenilir. Örneğin dekstroz mayisi giden damardan alınan kan örneğinde hastanın referans aralık içinde beklenilen serum glukoz sonucu referans aralığın çok üzerinde olabilir (19).

Tam idrar analizi tıbbi biyokimya laboratuvarında makine öğrenmesi modeli kullanılan bir diğer analizdir. Tam idrar analizinin kimyasal incelemesinde kullanılan stripler manuel olarak değerlendirildiğinde kişilerden kaynaklı yorumlama farklılıkları olabileceği için tekrarlanabilirliği idrar analizörünün yaptığı değerlendirmeden daha iyi değildir. İdrar analizörlerindeki görüntü tanıma algoritmaları sayesinde idrarın kimyasal değerlendirmesi için kullanılan striplerin analizlerindeki analitik hassasiyet daha yüksektir (20 ve 21). Tam idrar analizinin özellikle sediment analizi kısmında makine öğrenmesi modelleri kullanılarak hücrelerin doğru tespit edilmesi sağlanmaktadır. İdrar sediment analizi manuel yapıldığında hem çok zahmetli hem de zaman alıcı olduğu için yapay zeka tabanlı algoritmalar aracılığıyla bu analizlerin yapılması hem hızlı olur hem de personel kaynaklı olabilecek manuel hata kaynaklarının azalmasını sağlayabilir (22 ve 23).

Serum protein elektroforezi multipl myelom tanısı ve serum proteinlerinin patolojilerinde çok önemlidir. Bu testin yorumlanması yoğun bir eğitim, iyi gören bir göz ve tüm olası varyasyonları eşleştirebilmeyi gerektirdiği için makine öğrenmesi algoritmaları serum protein elektroforezinin yorumlanmasını kolaylaştırabilir (24). Monoklonal gamapati veya lenfoproliferatif bozuklukların tanısında sıklıkla kullanılan jel elektroforezin manuel olarak yorumlanması zor ve zaman alıcı bir süreç olup birey içi ve bireyler arası bias'a açıktır. Dijital olarak taranmış elektroforez jelleri kullanılarak yapılan makine öğrenmesi tabanlı paraprotein tespiti çalışmasının sonuçlarına göre jel elektroforez ile paraproteinlerin tespiti için makine öğrenmesi tabanlı algoritmaların tıbbi biyokimya uzmanlarına jel elektroforez yorumlaması konusunda yardımcı olabileceği sonucuna varılmıştır (25).

3. Metabolik Yolak Çalışmaları ve Protein Yapılarının Tahmini

Yapay zeka kompleks biyolojik sistemleri modellemek için genomiks, transkriptomiks, proteomiks ve metabolomiks verilerinin kombine edilmesinde önemli bir role sahiptir. Yapay zeka hastalığa özgü olabilecek biyokimyasal veri setlerini analiz ederek yeni hastalık biyobelirteçlerinin keşfini mümkün kılmıştır. Örneğin yapay zeka destekli kütle spektrometri ve derin öğrenme algoritmaları kanser biyobelirteçlerinin tanımlanmasını kolaylaştırdığı için erken tanı ve tedavi stratejilerinin geliştirilmesine katkıda bulunur. Yapay zeka insan mikrobiyomunun ayrıntılı analizini yaparak biyokimyasal belirteçleri metabolik ve enflamatuvar hastalıklarla ilişkilendirilebilir ve metabolik bozukluklarla ilişkili bağırsak mikrobiyomu dengesizliklerini belirlemeye yardımcı olabilir. Yapay zeka destekli biyokimyasal görüntüleme ve metabolomik analizleri hastalıkların tanısı için invazif olmayan alternatifler de sunabilir (26).

Metabolik yolak modellemeleri metabolik yolaklardaki eksik enzimlerin tanınması ve sentetik yolakların yeniden yapılandırılmasını sağlayabilir. Nadir hastalıklar genellikle yeterli biyolojik veriden yoksun olduğu için geleneksel araştırma metodları ile yapılan analizlerde yaşanan zorluklar yapay zeka tabanlı uygulamalar ile aşılmaya çalışılmaktadır. Yapay zeka az olan veri setlerinin analizini sağlayarak, biyobelirteçleri tanımlayarak ve bu hastalıklar için tedavi seçeneklerini tahmin ederek nadir hastalıkların yönetiminde faydalı olabilir. Nadir hastalıklarda eksik verileri simüle edebilen üretken yapay zeka modellerinin geliştirilmesi bu alanda ilerleme sağlanmasına katkıda bulunabilir (27 ve 28). Biyokimyasal araştırmaların giderek artan oranda genomiks, transkriptomiks, proteomiks ve metabolomiks verilerini kapsayan multiomiks verilerine dayanması nedeniyle yapay zeka modelleri farklı veri türlerini aynı anda işleyebilecek şekilde geliştirilmelidir. Bu kapsamda heterojen veri kümelerini entegre edip analiz edebilen transformer modelleri ve yapay sinir ağları gibi multimodal yapay zeka çerçeveleri geliştirilmelidir. Sonuç olarak yapay zeka tabanlı bu algoritma ve uygulamalar karmaşık biyokimyasal reaksiyonların sonuçlarını tahmin etmede yardımcı olabilir.

Bir proteinin yapısını belirlemek proteinin işlevini anlamak için çok önemlidir. Proteinlerin üç boyutlu yapılarını saptamak için günümüzde X-ışını kristalografi ve nükleer manyetik rezonans gibi kompleks ve pahalı analitik teknikler kullanılır. Bu yöntemler ile protein yapılarının analizi hem yavaş hem de maliyet-etkin olmayıp yalnızca belirli protein yapıları için kullanılabilir (29). Protein katlanma paternlerinin kompleksliği ve aminoasit dizilerindeki değişkenlikler nedeniyle protein yapılarının tahmini oldukça zor olmakla birlikte yapay zeka uygulamaları sayesinde protein yapılarının doğru tahmininde büyük ilerlemeler olmuştur. Özellikle generatif yapay zeka uygulamaları sayesinde atomik etkileşimlerin modellenmesi ve olası yapıların tahmin edilmesi sayesinde protein katlanmalarını ortaya koymak daha kolay olmaya başlamıştır (30). Protein yapılarındaki moleküllerin fiziksel ve kimyasal özellikleri ile katlanma sonuçlarını tahmin etmek için transformer modelleri de kullanılmaktadır (31). Örneğin AlfaFold2 adlı bir transformer modeli kullanılarak aminoasit kalıntıları arasındaki uzaysal ve fizikokimyasal ilişkiler modellenerek proteinlerin üç boyutlu yapılarının belirlenmesi ve protein katlanmalarının tahmini sayesinde yapay zeka uygulamaları bu alandaki zorluklara çözüm olmaya başlamıştır (28 ve 32). Protein yapıları ve protein-protein etkileşimlerinin tahmini için derin öğrenme tekniklerinin kullanıldığı diğer yapay zeka aracı RoseTTAFold uygulamasıdır. Bu uygulamada sadece amino asit dizisi verileri kullanılmaz, amino asit dizisi verileri protein içindeki atomların konumları gibi yapısal veriler ile birleştirerek hesaplamalar yapılır (33). Protein yapılarının tahmininde devrim yaratması nedeniyle AlfaFold2 ve RoseTTAFold yapay zeka projelerinin sahiplerine 2024 Nobel Kimya Ödülü verilmiştir.

4. Tıbbi Biyokimyadaki Yapay Zeka Uygulamalarının Yönetim, Zorluk ve Etik Sorunları

Hasta verilerinin gizliliği, yapay zeka tabanlı tanıların FDA ve Avrupa Birliği mevzuat standartlarına tam olarak uygun olmaması, yapay zeka modellerinin biyokimya testlerinin nasıl yorumlanacağı konusundaki yetersizlikleri, yapay zekanın mevcut hastane ve laboratuvar bilgi sistemine tam olarak entegre olmaması yapay zeka uygulamalarının tıbbi biyokimya alanındaki başlıca sıkıntılarıdır. Yapay zeka sistemlerinin kullanılabilmesi için gerekli olan bilgisayar donanımı, yapay zeka programlarının kurulumları, eğitimli ve deneyimli personel gerekliliği, alanda meydana gelen çok hızlı ilerlemeler nedeniyle sürekli eğitim ihtiyacı olması diğer kısıtlıklarıdır. Tüm bu zorluklara rağmen yapay zeka destekli gelişen bu yenilikler tıbbi biyokimyada dönüşümler sağlamaya devam ederek daha doğru hastalık tanıları konmasına, laboratuvar iş akışının daha verimli olmasına ve bireysel tedavi süreçlerinin daha iyi olmasına olanak sağlamaktadır (4).

Yapay zeka modellerinin geçerliliği özellikle eğitim veri setlerinin çeşitlilik ve kalitesine bağlıdır. Yapay zeka tıbbi biyokimyada çok önemli ilerlemeler gösterse de özellikle heterojen biyolojik veri setlerinde temiz veri kısıtlılığı, sınırlı veya düşük kaliteli veri setlerinin kullanılması ve aşırı uyum gibi süreklilik gösterebilen bazı teknik sıkıntılar vardır. Veri standardizasyon eksikliği, parçalanmış veri tabanları ve tekrarlanabilirlik sorunlarına kadar karşılaşılan bu kısıtlılıklar birbirine bağlı olup başka sorunların da oluşmasına sebep olabilir. Bu teknik ve yapısal sorunlar sadece modelin güvenilirliğini bozmaz, yapay zekanın farklı araştırma tasarımlarında kullanımının yayılmasını da önler (34). Eğitim veri setleri biyolojik sistemlerde tarafsız tahminlerin yapılabilmesi için gerekli olan çeşitlilikten genellikle yoksundur. Veri güvenliği, algoritmik bias ve tekrarlanabilirlik problemleri biyokimyasal alandaki önemli etik sorunlardır. Tıbbi biyokimyada yapay zeka sistemlerinin performansını iyileştirmek ve yaygınlığını artırmak için gelecekte tarafsız, kapsamlı, yüksek kaliteli veri setlerinin geliştirilmesine öncelik verilmelidir. Bu nedenle de standardize edilmiş veri toplama ve ön işleme protokolleri kullanılmalıdır. Ayrıca, sentetik veri üretimi ve transfer öğrenimi de veri setlerini çeşitlendirme ve model genellemesini iyileştirmeye katkıda bulunabilir. Bu yaklaşımlar yapay zeka modellerini daha tarafsız, güvenilir ve çeşitli araştırma alanlarında uygulanabilir hale getirebilecektir. Buradaki en önemli zorluklardan birisi de çok sayıda derin öğrenme modelinde şeffaflığın olmaması nedeniyle bu modellerin genellikle kara kutu gibi işlev görmesidir. Bu belirsizlik nedeniyle özellikle ilaç tasarımı ve klinik karar verme gibi yüksek riskli uygulamalarda güven ve kullanılabilirliği artırmak sıkıntılıdır (27). Sağlık araştırmalarında yapay zekanın yanlış kullanılması nedeniyle meydana gelebilecek riskler nedeniyle Dünya Sağlık Örgütü yapay zekanın yönetimi ve etiği üzerine kılavuzlar yayımlamıştır (35).

5. Sonuç

Yapay zeka tıbbi biyokimyada önemli gelişmelere olanak sağlasa da gerçek potansiyeli henüz tam olarak ortaya konmamıştır. Veri setlerinin güvenilirliği, veri güvenliği ve etik hususlardaki zorlukların üstesinden gelinip yapılacak disiplinler arası uygulamalı işbirlikleri sayesinde bu alanda çok büyük yeniliklerin önü açılarak tıbbi biyokimyanın gerek teorik gerekse uygulamalı alanlarında çok hızlı ilerlemelerin gerçekleşmesi kaçınılmaz olacaktır. Yapay zeka uygulamaları hastalık tanılarının doğruluğunu artırmak, laboratuvar iş akışlarını optimize etmek ve tıbbi laboratuvar süreçlerini hızlandırmak açısından tıbbi biyokimya alanında kaçınılmazdır. Makine öğrenmesi, derin öğrenme ve büyük veri analitiği gibi yapay zeka tabanlı uygulamalar biyokimyasal analizleri önemli oranda geliştirerek insan hatalarının azalmasına katkıda bulunmuştur. Yapay zeka gelişmeye devam ettikçe biyokimyasal testlerin analizindeki rolü sağlık hizmetlerinin geleceğini şekillendirecek, tıbbi biyokimya laboratuvar pratiğindeki süreçlerin optimize edilmesi, test sonuç raporlarının daha hızlı ve daha doğru hazırlanmasında tıbbi biyokimya uzmanlarına yardımcı olacaktır.

Kaynakça

1. Gürdöl F, Ademoğlu E. Biyokimya Gözden Geçirilmiş 2. Baskı. Nobel Tıp Kitabevleri Ltd. Şti, 2013.
2. https://tkbd.org/klinik-biyokimya-nedir?
3. Raghda MA. Application of Artificial Intelligence in Biochemistry. Rafidain Journal of Science. 2025;34:42-9.
4. Gupta P, Ali I, Awasthi A, et al. The role of artificial intelligence in clinical biochemistry: a systematic review. International Journal of Pharmacy and Pharmaceutical Research. 2025;31:351-60.
5. Altinier S, Sarti L, Varagnolo M, et al. An expert system for the classification of serum protein electrophoresis patterns. Clin Chem Lab Med. 2008;46:1458-63.
6. Arlt W, Biehl M, Taylor AE, et al. Urine steroid metabolomics as a biomarker tool for detecting malignancy in adrenal tumors. J Clin Endocrinol Metab. 2011;96:3775-84.
7. Chiofolo C, Chbat N, Ghosh E, Eshelman L, Kashani K. Automated continuous acute kidney injury prediction and surveillance: a random forest model. Mayo Clin Proc. 2019;94:783-92.
8. Anand RS, Stey P, Jain S, et al. Predicting Mortality in diabetic ICU patients using machine learning and severity indices. AMIA Jt Summits Transl Sci Proc. 2018;2017:310-9.
9. Laengsri V, Shoombuatong W, Adirojananon W, et al. ThalPred: a web-based prediction tool for discriminating thalassemia trait and iron deficiency anemia. BMC Med Inform Decis Mak. 2019;19:212.
10. Parekh DJ, Punnen S, Sjoberg DD, et al. A multi-institutional prospective trial in the USA confirms that the 4Kscore accurately identifies men with high-grade prostate cancer. Eur Urol. 2015;68:464-70.
11. Woreta TA, Van Natta ML, Lazo M, et al. Validation of the accuracy of the FAST score for detecting patients with at-risk nonalcoholic steatohepatitis (NASH) in a North American cohort and comparison to other non-invasive algorithms. PLoS One. 2022;17:e0266859.
12. Peng G, Tang Y, Cowan TM, et al. Reducing falsepositive results in newborn screening using machine learning. Int J Neonatal Screen. 2020;6:16.
13. Stevenson E, Walsh C, Hibberd L. Can artificial intelligence replace biochemists? A study comparing interpretation of thyroid function test results by ChatGPT and Google Bard to practising biochemists. Ann Clin Biochem. 2024;61:143-9.
14. Bunch DR, Durant TJ, Rudolf JW. Artificial intelligence applications in clinical chemistry. Clin Lab Med. 2023;43:47-69.
15. Plebani M. Quality indicators to detect pre-analytical errors in laboratory testing. Clin Biochem Rev. 2012;33:85-8.
16. Benirschke RC, Gniadek TJ. Detection of falsely elevated point-of-care potassium results due to hemolysis using predictive analytics. Am J Clin Pathol. 2020;154:242-7.
17. Yang C, Li D, Sun D, et al. A deep learning-based system for assessment of serum quality using sample images. Clin Chim Acta. 2022:531:254-60.
18. Luo Y, Szolovits P, Dighe AS, Baron JM. 3D-MICE: integration of cross- sectional and longitudinal imputation for multi-analyte longitudinal clinical data. J Am Med Inform Assoc. 2018;25:645-53.
19. Baron JM, Mermel CH, Lewandrowski KB, Dighe AS. Detection of preanalytic laboratory testing errors using a statistically guided protocol. Am J Clin Pathol. 2012;138:406-13.
20. Oyaert M, Delanghe J. Progress in automated urinalysis. Ann Lab Med. 2019;39:15-22.
21. Smith GT, Dwork N, Khan SA, et al. Robust dipstick urinalysis using a low- cost, micro-volume slipping manifold and mobile phone platform. Lab Chip. 2016;16:2069-78.
22. Liang Y, Kang R, Lian C, et al. An end-to-end system for automatic urinary particle recognition with convolutional neural network. J Med Syst. 2018;42:165.
23. Durant TJS, Dudgeon SN, McPadden J, et al. Applications of digital microscopy and densely connected convolutional neural networks for automated quantification of babesia-infected erythrocytes. Clin Chem. 2021;68:218-29.
24. Chabrun F, Dieu X, Ferre M, et al. Achieving expert-level interpretation of serum protein electrophoresis through deep learning driven by human reasoning. Clin Chem. 2021;67:1406-14.
25. Wei XY, Yang ZQ, Zhang XL, et al. Deep collocative learning for immunofixation electrophoresis image analysis. IEEE Trans Med Imaging. 2021;40:1898-910.
26. Sahu D, Matusa AM, DiBattista A, Urquhart BL, Fraser DL. Mass spectrometry-based metabolomics in pediatric health and disease. Metabolites. 2026;16:49.
27. Lateef Junaid MA. Artificial intelligence driven innovations in biochemistry: A review of emerging research frontiers. Biomol Biomed. 2025;25:739-50.
28. Senior AW, Evans R, Jumper J, et al. Improved protein structure prediction using potentials from deep learning. Nature. 2020;577:706-10.
29. Qiu X, Li H, Ver Steeg G, Godzik A. Advances in AI for protein structure prediction: Implications for cancer drug discovery and development. Biomolecules. 2024;14:339.
30. Walters WP, Murcko M. Assessing the impact of generative AI on medicinal chemistry. Nat Biotechnol. 2020;38:143-5.
31. Tran T, Ekenna C. Molecular descriptors property prediction using transformer-based approach. Int J Mol Sci. 2023;24:11948.
32. Tunyasuvunakool K, Adler J, Wu Z. Highly accurate protein structure prediction for the human proteome. Nature. 2021;596:590-6.
33. Baek M, DiMaio F, Anishchenko I, et al. Accurate prediction of protein structures and interactions using a three-track neural network. Science. 2021;373:871-6.
34. Ching T, Himmelstein DS, Beaulieu-Jones BK. Opportunities and obstacles for deep learning in biology and medicine. J R Soc Interface. 2018;15:20170387.
35. WHO. Ethics and governance of artificial intelligence for health: WHO guidance Executive summary. Geneva, Switzerland. 2021.