Halk Sağlığında Yapay Zeka Uygulamaları

Giriş

Bir virüs görünmez bir yolculuğa çıkıp bir kenti, bir ülkeyi hatta dünyayı nasıl etkileyebiliyor? Temiz su kaynaklarına erişimin, güvenli gıdanın ve düzenli aşılama politikalarının milyonlarca insanın hayatını nasıl sessizce koruduğunu hiç düşündünüz mü? Halk sağlığı, genellikle fark edilmediğinde en iyi çalışan sistemdir; çünkü halk sağlığının amacı hastalık ortaya çıktıktan sonra tedavi etmek değil, o hastalığın hiç doğmamasını sağlamak için sürdürülebilir önlemler almak, düzenli sağlık taramalarını organize etmek, sistematik analizler yaparak sağlık politikaları oluşturmaktır. Toplumun her köşesine dokunan bu görünmez ağ, günlük alışkanlıklarımızdan yaşam süremize kadar şekillendirir ve aslında hepimizin nefes aldığı her anda halk sağlığı da yanımızdadır.

Dünya Sağlık Örgütü’nün “hastalığı önleme, yaşamı uzatma ve sağlığı geliştirmeyi toplumun organize çabalarıyla sağlama sanatı ve bilimi” şeklindeki halk sağlığı tanımı üç temel noktayı ortaya koyar. İlk olarak hastalıkları önlemeyi merkeze alarak halk sağlığının koruyucu yaklaşımını vurgular. Yaşam süresini uzatmayı hedefleyen ikinci unsur, yalnızca uzun ömür değil, aynı zamanda sağlıklı ve kaliteli bir yaşam sürdürmeyi ifade eder. Toplumun organize çabaları vurgusu ise yalnızca sağlık çalışanlarının değil, devlet kurumlarının, okulların, yerel yönetimlerin, işyerlerinin ve bireylerin birlikte hareket ettiği bir sistem gerekliliğini anlatır. Bu birleşim, halk sağlığını hem bilimsel yöntemlere dayanan hem de toplumun tüm kesimlerinin katkısıyla yürütülen kapsamlı ve disiplinler arası bir alan hâline getirir.

Halk sağlığı alanında yapay zekâ (YZ); yalnızca algoritma geliştirme değil, sürveyans (erken uyarı), toplum taramaları, hedefli koruyucu hizmet planlama, çevresel risk izleme ve afet yönetimi, mamografi ve rahim ağzı kanseri taramalarında sonuçların YZ destekli sistemlerle hızlı çıkması gibi operasyonel iş akışlarına gömülen karar destek bileşenleri anlamına gelmektedir. Bu uygulamalar; veri kalitesi, adalet/yanlılık, mahremiyet ve hesap verebilirlik gibi yönetişim koşulları sağlandığında ölçeklenebilir hale gelmektedir [1]. Bu bölümde halk sağlığında YZ uygulamalarından örnekler verilecek, pozitif-negatif yönler tartışılacak, geleceğe yönelik beklentiler ve öneriler paylaşılacaktır; ancak halk sağlığı açısından da önem taşıyan kronik hastalıkların takibi, kanser taramalarında görüntü işleme tekniklerinin kullanılması, ruh sağlığı için kullanımı gibi konular diğer bölümlerde değinildiğinden ayrıca ele alınmamıştır.

1. Bulaşıcı Hastalık Tahmini ve Sürveyans

Halk sağlığında bulaşıcı hastalık tahmini ve sürveyans, toplumda ortaya çıkabilecek veya yayılma riski taşıyan enfeksiyon hastalıklarının erken saptanması, izlenmesi ve gelecekteki seyrinin öngörülmesi amacıyla yürütülen sistematik faaliyetlerdir. Sürveyans, sağlık kuruluşlarından, laboratuvarlardan ve saha çalışmalarından toplanan verilerle hastalıkların kimleri, nerede ve ne zaman etkilediğini sürekli olarak izlemeyi ifade ederken; tahmin ise bu verilerden yararlanarak hastalığın yayılma hızı, coğrafi dağılımı ve olası salgın senaryoları hakkında ileriye dönük öngörülerde bulunmayı kapsar. Bu iki süreç birlikte çalışarak, salgınların erken aşamada fark edilmesini, riskli bölgelerin belirlenmesini ve aşılama, karantina, kaynak planlaması gibi halk sağlığı müdahalelerinin zamanında ve etkili biçimde uygulanmasını sağlar [2,3]. YZ destekli teknolojiler, temas takibi ve diyagramlar gibi geleneksel halk sağlığı uygulamalarını geliştirerek geniş ve karmaşık veri kümelerinin toplanmasına, analizine ve yorumlanmasına olanak tanıyarak, hastalık salgınlarının zamanında ve doğru bir şekilde tespit edilmesini, sağlık eğilimlerinin izlenmesini ve ortaya çıkan halk sağlığı tehditlerinin ve risklerinin tahmin edilmesini kolaylaştırmaktadır [4, 5]. Örneğin halk sağlığı açısından halen önemli bir sorun olan tüberkülozun tanı, takip, tedavi uyumunun desteklenmesi için aşamaların yapay zekâ ile güçlendirildiği bir model kurgulanmıştır [6]. Saha ekipleri için en kritik ihtiyaçlardan biri riskin mekânsal ve zamansal hedeflenmesidir. ABD’de kızamık olgularını öngörmeye çalışan makine öğrenmesi yaklaşımı; demografi, bağışıklama göstergeleri ve diğer bağlamsal değişkenleri kullanarak risk sınıflaması üretmeyi amaçlamış ve yerel hazırlık/önleme planlarına girdi sağlayabilecek bir çerçeve sunmuştur [7].

2. Atıksu Sürveyansında Yapay Zeka Kullanımı

Atıksu temelli epidemiyoloji, klinik test erişimine bağımlı olmadan toplum düzeyinde sinyal ürettiği için sahada güçlü bir araçtır. Attika/Yunanistan örneğinde SARS-CoV-2 atıksu RNA yükünün hastane/yoğun bakım yatışlarından günler önce öngörü sinyali verdiği ve çeşitli modelleme yaklaşımlarıyla erken uyarı üretilebildiği gösterilmiştir [8]. Daha geniş ölçekte (çok ilçe, milyonlarca kişi kapsayan) çalışmada ise atıksu verisi kullanılan modellerin, yalnız klinik vaka verisine dayalı modellere kıyasla 10 güne kadar öngörü avantajı ve daha yüksek öngörü gücü sunduğu raporlanmıştır [9].

3. Vektör Kaynaklı Hastalıkların Tespitinde Yapay Zeka Kullanımı

Aedes aegypti gibi vektörlerin izlenmesinde, akıllı tuzaklar (IoT*+sensör+bazen görüntü/akustik) ve otomatik sınıflama, saha ekiplerinin iş yükünü azaltarak daha sık ve geniş kapsama ile izlemeyi mümkün kılabilir [10]. Ayrıca, sahada çekilen görüntülerle tıbbi önemi olan sivrisineklerin derin öğrenme ile sınıflandırılması; topluluk temelli izlemeye teknik bir temel sunmaktadır [11]. Bangladeş’te yorumlanabilir ağaç tabanlı bir makine öğrenmesi modeliyle dengue erken uyarı aracı geliştirilmiş; modelin sahada karar vericilere “hangi göstergeler risk artışını sürüklüyor?” sorusunda açıklanabilirlik sunması hedeflenmiştir [12]. Benin’de malaria için geliştirilen erken uyarı yaklaşımı ise bölgesel sürveyans, iklim/çevre ve epidemiyolojik değişkenlerle uyarı modeli kurgulayarak ilaç, ekip, vektör kontrol kaynakları gibi saha planlamasına girdi üretmeyi amaçlamıştır [13].

4. Çevresel/İklim Risklerinde Yapay Zeka Kullanımı

Kanada’da 2023 yangınlarının dumanının uzak mesafelere taşınması ve PM2.5 maruziyeti** üzerinden sağlık etkileri, uydu gözlemleri, makine öğrenmesi ve kimyasal taşınım modellemesi birlikte kullanılarak incelenmiştir. Çalışma, çok geniş nüfusların günlük düzeyde duman kaynaklı PM2.5 maruziyetine uğradığını ve bunun sağlık yüküyle ilişkilendirilebildiğini göstermektedir [14].

*”Nesnelerin İnterneti.” Sensörlü cihazların (akıllı saat, akıllı priz, sayaç, araç, fabrika sensörü vb.) internete bağlanıp veri gönderip alması. ** "Particulate Matter 2.5” demektir; çapı 2.5 mikrometre (μm) ve daha küçük olan toz/duman parçacıklarıdır. Çok küçük oldukları için burun-boğazda takılmadan akciğerlerin derinlerine kadar inebilir, hatta bir kısmı kana karışabilir.

5. Afetlerde Yapay Zeka Kullanımı

Afetlerin hazırlık, müdahale, iyileştirme döngüsünde son dönemdeki sistematik derleme, acil durum ve afet triyajında YZ’nin sınıflama ve önceliklendirme potansiyelini; buna karşılık genellenebilirlik, veri kalitesi, gerçek-saha doğrulaması ve güvenilirlik gibi boşlukları özellikle vurgulamaktadır [15]. Bu, sahada modelin varlığı kadar modelin hangi popülasyonda hangi koşulda saptığının da afet sağlığının merkezinde olduğunu göstermektedir. Afetlerde bir diğer saha hattı, rutin operasyon verilerinden bölgesel yük tahmini yaparak dinamik kapasite planlamasıdır. Bunun pandemideki net örneklerinden biri, Lombardiya–İtalya özelinde acil sağlık hizmetleri verisiyle erken uyarı üretmek için makine öğrenmesini kullanan çalışmadır. Çalışmada model çıktısı, sahada beş risk sınıfına çevrilerek kaynak yönetimi ve müdahale planlamasına bağlanmaktadır [16]. Buradaki halk sağlığı değeri, hizmet sürekliliği ve adil erişim üzerindeki etkidir.

6. Sonuç

YZ uygulamalarının verdiği parlak vaatlerin yanında, sahada sık görülen veri temsiliyeti zayıf popülasyonlarda yanlılık, yeni varyant/etken ortaya çıktığında model performansının düşmesi, gizlilik ve güven sorunları, ayrıca klinik/epidemiyolojik kararların kara kutu bir çıktıya aşırı bağlanması gibi riskler de bulunmaktadır. Bu nedenle son dönem değerlendirmeler, YZ’nin salgın tahmini, patojen tanımlama, ilaç keşfi ve kişiselleştirilmiş yaklaşımlar gibi alanlarda potansiyel taşırken; aynı zamanda sınırlılıkların yönetimi için yöntemsel ve yönetişimsel önlemler gerektiğini vurgulamaktadır [17]. Halk sağlığı pratiğinde güvenli yol; dış doğrulama, yerel kalibrasyon, sürekli izleme, insan onayı ve açık raporlama kombinasyonudur [18].

Sahadan görülen yönelim, YZ’nın pilot uygulamalardan çıkarak uçtan uca bir halk sağlığı karar destek altyapısına dönüşmesidir. Görüntü tabanlı toplum taramalarında, çevresel sinyal kaynaklarında, operasyonel hizmet akışlarında ve afet–salgın dönemlerinde ortak hedef; veriyi erken uyarı, hedefleme, kaynak tahsisi, müdahale değerlendirmesi zincirine güvenilir biçimde bağlamaktır [14, 15, 16, 19, 20, 21, 22]. Ancak bu dönüşüm, daha iyi algoritmadan çok yönetişim ve uygulama bilimi ilerlemelerine bağlıdır. Çok kaynaklı veri füzyonu ve gerçek zamanlı analitiğin rutinleştirilmesi [23], model performansının farklı topluluklarda/bağlamlarda dış doğrulama ve yerel kalibrasyon ile sınanması, zamanla bozulmayı izleyen operasyonel MLOps süreçleri, belirsizliğin raporlandığı ve hesap verebilirliğin tanımlandığı şeffaf uygulama standartları, ayrıca adalet/yanlılık ve mahremiyet risklerini azaltan tasarım ilkeleri ölçeklenebilirliğin ön koşullarıdır [1, 18, 17, 24]. Bu nedenle gelecek, YZ’yı yalnızca tahmin üreten bir araç olarak değil; sahada eşitsizlikleri azaltacak şekilde hedeflemeyi güçlendiren, hizmet sürekliliğini koruyan ve müdahale etkisini ölçülebilir kılan bir kamu sağlığı altyapısı olarak kurabilen sistemlerin olacaktır [25]. Kamu kurumlarının da bu dönüşümde “örnek uygulayıcı” rolünü üstlenerek personeli mevzuata hazırlaması, eşitliği tasarımın merkezine koyması, güvenli veri işleme kapasitesi ve uzman iş gücüne yatırım yapması, veri yönetişimi ile siber güvenliği güçlendirmesi, katılımcı etik yönergelerle toplumsal güveni büyütmesi ve yapay zekânın çevresel etkisini görünür kılması önerilmektedir [26].

Kaynakça

1. World Health Organization. Ethics and governance of artificial intelligence for health [Internet]. Geneva: WHO; 2021 [cited 2026 Feb 12]. Available from: https://www.who.int/publications/i/item/9789240029200
2. World Health Organization. Public health surveillance [Internet]. Cairo: WHO EMRO; [cited 2026 Feb 12]. Available from: https://www.emro.who.int/health-topics/public-health-surveillance/
3. Centers for Disease Control and Prevention. Principles of epidemiology in public health practice: an introduction to applied epidemiology and biostatistics. 3rd ed [Internet]. Atlanta: CDC; 2011 [cited 2026 Feb 12]. Available from: https://www.cdc.gov/csels/dsepd/ss1978/index.html
4. Mendes VIS, Mendes BMF, Moura RP, Lourenço IM, Oliveira MFA, Ng KL, et al. Harnessing artificial intelligence for enhanced public health surveillance: a narrative review. Front Public Health. 2025;13:1601151. doi:10.3389/fpubh.2025.1601151
5. Kraemer MUG, Tsui JL, Chang SY, Lytras S, Khurana MP, Vanderslott S, et al. Artificial intelligence for modelling infectious disease epidemics. Nature. 2025;638(8051):623-635. doi:10.1038/s41586-024-08564-w
6. Menon S, Koura KG. Artificial intelligence for tuberculosis control: a scoping review of applications in public health. J Glob Health. 2025;15:04192. doi:10.7189/jogh.15.04192
7. Kujawski SA, Ru B, Afanador NL, Conway JH, Baumgartner R, Pawaskar M. Prediction of measles cases in US counties: a machine learning approach. Vaccine. 2024;42(26):126289.
8. Galani A, Aalizadeh R, Kostakis M, Markou A, Alygizakis N, Lytras T, et al. SARS-CoV-2 wastewater surveillance data can predict hospitalizations and ICU admissions. Sci Total Environ. 2022;804:150151.
9. Hill DT, Alazawi MA, Moran EJ, Bennett LJ, Bradley I, Collins MB, et al. Wastewater surveillance provides 10-days forecasting of COVID-19 hospitalizations superior to cases and test positivity: a prediction study. Infect Dis Model. 2023;8(4):1138-1150.
10. Oliveira D, Mafra S. Implementation of an intelligent trap for effective monitoring and control of the Aedes aegypti mosquito. Sensors (Basel). 2024;24(21):6932.
11. Ong SQ, Ab Majid AH, Li WJ, Wang JG. Application of computer vision and deep learning models to automatically classify medically important mosquitoes in North Borneo, Malaysia. Bull Entomol Res. 2024;114(2):302-307.
12. Rahman MS, Amrin M, Bokkor Shiddik MA. Dengue early warning system and outbreak prediction tool in Bangladesh using interpretable tree-based machine learning model. Health Sci Rep. 2025;8(5):e70726.
13. Gbaguidi GJ, Topanou N, Filho WL, Ketoh GK. Towards an intelligent malaria outbreak warning model in the northern part of Benin, West Africa. BMC Public Health. 2024;24(1):450.
14. Zhang Q, Wang Y, Xiao Q, Geng G, Davis SJ, Liu X, et al. Long-range PM2.5 pollution and health impacts from the 2023 Canadian wildfires. Nature. 2025;645(8081):672-678.
15. Tahernejad A, Sahebi A, Abadi ASS, Safari M. Application of artificial intelligence in triage in emergencies and disasters: a systematic review. BMC Public Health. 2024;24(1):3203.
16. Gianquintieri L, Brovelli MA, Pagliosa A, Dassi G, Brambilla PM, Bonora R, et al. Generating high-granularity COVID-19 territorial early alerts using emergency medical services and machine learning. Int J Environ Res Public Health. 2022;19(15):9012.
17. Al Meslamani AZ, Sobrino I, de la Fuente J. Machine learning in infectious diseases: potential applications and limitations. Ann Med. 2024;56(1):2362869.
18. Martinez-Millana A, Saez-Saez A, Tornero-Costa R, Azzopardi-Muscat N, Traver V, Novillo- Ortiz D. Artificial intelligence and its impact on the domains of universal health coverage, health emergencies and health promotion: an overview of systematic reviews. Int J Med Inform. 2022;166:104855.
19. Qin ZZ, Ahmed S, Sarker MS, Paul K, Adel ASS, Naheyan T, et al. Tuberculosis detection from chest x-rays for triaging in a high tuberculosis-burden setting: an evaluation of five artificial intelligence algorithms. Lancet Digit Health. 2021;3(9):e543-e554.
20. Chauhan A, Vale L, Kankaria A, Gupta V, Singh M, Kaur G, et al. Reach and implementation of human and AI-assisted diabetic retinopathy screening models in primary healthcare settings in India. Sci Rep. 2025;15(1):41355.
21. Khademi S, Palmer C, Javed M, Dimaguila GL, Clothier H, Buttery J, et al. Near real-time syndromic surveillance of emergency department triage texts using natural language processing: case study in febrile convulsion detection. JMIR AI. 2024;3(1):e54449.
22. Considine EM, Hao J, deSouza P, Braun D, Reid CE, Nethery RC. Evaluation of model- based PM2.5 estimates for exposure assessment during wildfire smoke episodes in the western US. Environ Sci Technol. 2023;57(5):2031-2041.
23. Tran NK, Albahra S, May L, Waldman S, Crabtree S, Bainbridge S, et al. Evolving applications of artificial intelligence and machine learning in infectious diseases testing. Clin Chem. 2022;68(1):125-133.
24. Cheah BC, Vicente CR, Chan KR. Machine learning and artificial intelligence for infectious disease surveillance, diagnosis, and prognosis. Viruses. 2025;17(7):882.
25. World Health Organization. Use of computer-aided detection software for tuberculosis screening: WHO policy statement [Internet]. Geneva: WHO; 2025 [cited 2026 Feb 12]. Available from: https://www.who.int/publications/i/item/9789240110373
26. Panteli D, Adib K, Buttigieg S, Goiana-da-Silva F, Ladewig K, Azzopardi-Muscat N, et al. Artificial intelligence in public health: promises, challenges, and an agenda for policy makers and public health institutions. Lancet Public Health. 2025;10(5):e428-e432. doi:10.1016/S2468- 2667(25)00036-2