Sağlık Sektöründe Kurumsal Yapay Zeka Yönetişimi

1. Giriş

2020’lerin başında "tahminleyici" (predictive) modellerle sınırlı olan sağlıkta yapay zekâ, bugün tanı koyan, tedavi planlayan ve hasta ile doğal dilde iletişim kuran " üretken ve multimodal " bir yapıya bürünmüştür. Sağlık sektöründe yapay zekâ (YZ), klinik süreçlerin ve operasyonel yönetimin ayrılmaz bir parçası haline gelmiştir. Ancak bu teknolojik sıçrama, beraberinde ciddi riskleri de göz önünde bulundurmayı gerektirmektedir. Yanlış teşhisler, algoritma önyargıları (bias) ve veri ihlalleri, kurumsal bir yönetişim çerçevesini zorunlu kılmaktadır.

2026 yılı itibarıyla, özellikle AB Yapay Zekâ Yasası (EU AI Act) gibi düzenlemelerin tam kapasiteyle yürürlüğe girmesi, sağlık kuruluşları için " Kurumsal Yapay Zekâ Yönetişimini " bir seçenekten ziyade yasal bir zorunluluk kılmaktadır. Kurumsal yönetişim , hissedarlar, paydaşlar ve kamu yararı arasındaki dengeyi sağlayan karar alma ve denetim mekanizmalarını ifade eder (Millstein, 1998:27; Witherell, 2002:18) Yapay zekâ yönetişimi ise bir sağlık kuruluşunun yapay zekâ teknolojilerini geliştirirken, entegre ederken ve izlerken kullandığı politikalar, sorumluluklar ve denetim mekanizmaları bütünüdür.

Sağlıkta Kurumsal Yapay Zekâ Yönetişimi , hastanelerde ve sağlık kurumlarında kullanılan veri analitiği sistemleri, makine öğrenmesi modelleri, sensör tabanlı hijyen altyapıları ve robotik/yoğun bakım yapay zekâ uygulamalarının yalnızca teknik performans açısından değil; stratejik, hukuki ve etik boyutlarıyla bütüncül biçimde yönetilmesini ifade eder. Kurumsal sorumluluk, hesap verebilirlik ve hasta güvenliği ekseninde stratejik bir yönetim meselesi olarak ele alınmaktadır (Mantymaki, Minkkinen, Birkstedt. Et al., 2022: 604-605).

Yapay zekâ tabanlı sistemler; klinik karar destek, görüntü analizi, yoğun bakım prediktif modelleri ve operasyonel optimizasyon gibi alanlarda sağlık hizmet sunumunu, her yıl geliştirmektedir. Bununla birlikte, bu sistemler yüksek riskli kategoride değerlendirilmekte ve hasta güvenliği, algoritmik önyargı, veri gizliliği ve hesap verebilirlik gibi çok boyutlu riskler barındırmaktadır (WHO, 2021; EU, 2024). Örneğin 2024 AB Yapay zekâ yasası (EU AI Act), sağlıkta kullanılan tanı ve karar destek sistemlerini “ yüksek riskli yapay zekâ sistemleri ” olarak sınıflandırmaktadır. Bu sınıflandırma, sistemlerin klinik kullanıma sunulmadan önce kapsamlı bir risk-fayda analizinden geçirilmesini zorunlu kılar. Böylece hastaya zarar verme olasılığı daha tasarım aşamasında minimize edilmeye çalışılır.

Sağlık sektöründe yapay zekâ (YZ) uygulamalarının yaygınlaşması, yalnızca teknik risk yönetimini değil, kurumsal düzeyde çok katmanlı bir yönetişim mimarisini zorunlu kılmaktadır. Bu çalışma, sağlık kurumlarında yapay zekâ kullanımını yönetim kurulu (board-level) gözetiminden klinik uygulamaya kadar uzanan entegre bir kurumsal yönetişim çerçevesi içinde ele almaktadır. Çalışma üç aşamalı bir yaklaşım izlemektedir: İlk aşamada uluslararası düzenleyici çerçeveler temelinde sağlıkta kurumsal yapay zekâ yönetişiminin teorik çerçevesi ele alınmakta, ikinci aşamada dünyadaki uygulama örnekleri incelenmekte, son aşamada ise Türkiye için uygulanabilir bir model önerisi geliştirilmektedir.

2. Mevcut Uluslararası Çerçevelere Dayalı Sağlıkta Kurumsal YZ Yönetişim Yapısı

Sağlık sektöründe etkili bir kurumsal yapay zekâ yönetişimi, yalnızca teknik kontrol mekanizmalarına değil; stratejik gözetim, risk yönetimi, etik denetim ve operasyonel hesap verebilirlik katmanlarına dayalı bütüncül bir kurumsal yapıya ihtiyaç duyar. Uluslararası düzeyde Dünya Sağlık Örgütü (WHO ,2021), AB Yapay Zekâ Yasası (EU AI Act (2024), ISO/IEC 23894 2023 Bilgi Teknolojisi Yapay Zekâ Risk Yönetimi (2023), OECD Kurumsal Yönetişim İlkeleri (2015) ve Ulusal Standartlar ve Teknoloji Enstitüsü Yapay Zekâ Risk Yönetimi Çerçevesi (NIST AI Risk Management Framework 2023) gibi belgeler, bu yapının normatif temelini oluşturmaktadır. Bu dokümanlar birlikte ele alındığında, sağlık kurumlarında kurulması gereken yönetişim mimarisi dört ana düzeyde yapılandırılabileceği öngörülmektedir. Bu ana dört düzey şu şekildedir;

2.1 Yönetim Kurulu Düzeyi (Board-Level Oversight)

Belirtilen belgelerde sağlık kurumları için tam entegre, stratejik düzeyde bir yönetim kurulu modeli bulunmamaktadır. Literatürde bu alanda boşluk bulunduğu dikkate alınmalıdır. Sağlık alanında risk yönetimi için ISO standardı vardır. Yapay zekâ risklerini yaşam döngüsü boyunca yönetmeyi önerir. Dünya Sağlık Örgütü’nün (2021), “ Sağlık için Yapay Zekâ Etik ve Yönetişim- Ethics and Governance of AI for Health ” dokümanında, etik ilkeleri olarak insan özerkliği, şeffaflık, hesap verebilirlik ve sürdürülebilirlik kavramlarını belirlemiştir. Stratejik yönetim kurulu yapısı nasıl olmalı yer almaz. OECD Kurumsal Yönetişim İlkeleri (2015: 44-46), yönetim kurullarının stratejik riskler üzerinde aktif gözetim sorumluluğu taşıdığını belirtmektedir. AB Yapay Zekâ Yasası (2024), Article 9 Risk Yönetimi Sistemi altında, yüksek riskli sistemler için üst düzey sorumluluk ve uyum yükümlülükleri getirmekte; bu durum sağlık kurumlarında yönetim kurulu seviyesini kastetmektedir. AB Yapay Zekâ yasası bir regülasyon olarak risk yönetimi sistemi, teknik dokümantasyon, insan gözetimi, pazarın takip edilmesini içerir. Stratejik kurumsal model içermemektedir. Risk yönetim sistemi ve kalite yönetim sistemi kurma zorunluluğu, kurumsal sorumluluk şartı olarak yorumlanabilir.

Sağlıkta yapay zekâ uygulamaları hasta güvenliği, hukuki sorumluluk ve kurumsal itibar açısından yüksek riskli olduğundan, yönetim kurulunun yapay zekâ kullanımına ilişkin açık bir gözetim rolü üstlenmesi gereklidir. Kurumsal yapay zekâ stratejisinin onaylanması, risk unsurlarının belirlenmesi, yüksek riskli klinik yapay zekâ uygulamalarının izlenmesi, periyodik “ yapay zekâ risk raporu ” oluşturması görevleri arasındadır. Yapay zekâ risk raporu, kurumun yapay zekâ sistemlerinin performans, sapma, önyargı, uyum ve klinik güvenlik göstergelerini entegre biçimde sunan, yönetim kurulu gözetimine yönelik stratejik risk değerlendirme belgesidir. Kurumda aktif olarak kullanılan yapay zekâ sistemlerinin listesi, sistem türü (tanı destek, görüntü analizi vb.), risk seviyesini AB Yapay Zekâ yasası hukuk belgesiyle uyumlu düşük-orta-riskli-yüksek riskli seviyelerde belirleme, klinik birim bazlı dağılım (Acil Servis, Yoğun Bakım Ünitesi, Radyoloji vd.) bilgilerini içermektedir. Kısaca, yüksek riskli yapay zekâ sistemleri için üst düzey sorumluluk ve uyum yükümlülükleri yönetim kuruluna aittir.

2.2 Kurumsal Yapay Zekâ Komitesi ve Organizasyonel yapı

Dünya Sağlık Örgütü Sağlık için Yapay Zekâ Etik ve Yönetişim dokümanı (2021 :34–35) ve Ulusal Standartlar ve Teknoloji Enstitüsü Yapay Zekâ Risk Yönetimi Çerçevesi metni (2023 :13–14), yapay zekâ sistemlerinde kurumsal rollerin ve hesap verebilirlik mekanizmalarının açık biçimde tanımlanmasını önermekte; bu gereklilik sağlık kurumlarında yapılandırılmış bir yapay Zekâ yönetişim organizasyonu oluşturulmasını zorunlu kılmaktadır. Her iki metinde yer alan İngilizce “ govern -yönetim ” kelimesi kapsamında kurumsal rollerin açık biçimde tanımlanmasını gerektirmektedir. Bu kapsamda sağlık kurumlarında oluşturulması istenen organizasyon yapıları şunlardır;

• Kurumsal Yapay Zekâ Komitesi (Örnek Başhekim, Klinik temsilci, Bilgi Teknolojileri Direktörü, hukuk sorumlusunun yer alacağı komite)
• Klinik Etik Kurulu
• Veri Koruma ve Siber Güvenlik Birimi
• İç denetim mekanizması ve Kalite Kurulu.

ISO/IEC 23894 (2023) belgesinde yapay zekâ risk yönetiminin organizasyonel düzeyde entegre edilmesi gerektiğini vurgular. Bu nedenle yapay zekâ yönetişimi ayrı bir teknik ekip yerine, kurumsal risk yönetimi sistemine entegre edilmelidir.

Kurumsal Yapay Zekâ Komitesi, yönetim kurulu gözetimi altında çalışan ve strateji, risk, etik ve teknik uygulama boyutlarını entegre eden bir yönetişim organı olarak düşünülmüştür. Yoğun bakım ve Acil Servis gibi yüksek birimler için ayrıca alt komitesi olmalıdır. Stratejik görevleri arasında, kurumun yapay zekâ stratejisini hazırlamak ve sürekli güncellemek, yapay zekâ kullanım alanlarını klinik öncelik ve risk düzeyine göre belirlemek, yapay zekâ yatırımları için stratejik etki ve risk analizi yapmak, yönetim kuruluna periyodik yapay zekâ risk raporu sunmak, kurumsal yapay zekâ politika ve prosedürlerini onaylamak yer almalıdır.

Klinik güvenlik ve validasyon konusunda, kurumsal yapay zekâ komitesi, yeni yapay zekâ sistemleri için klinik validasyon sürecini onaylamak, insan karar verme/denetim mekanizmasını (human in the loop) sağlandığının kontrolü, klinik hata, yapay zekâ sisteminin ön yargı ve model drift göstergelerini izlemek, model geri çağırma kararı (algorithm recall), advers olay analizlerini değerlendirmeleri kapsar.

Kavramları tek tek ele alırsak, Klinik Hata , yapay zekâ destekli sistemin ürettiği çıktının hastaya zarar verme potansiyeli taşıyan yanlış klinik karar üretmesidir. Bu hata doğrudan modelden kaynaklanabilir veya modelin yanlış yorumlanmasından kaynaklanabilir. Örnek olarak Yoğun Bakım Sepsis modelinde, model düşük sınıflandırıp, hasta altı saat içinde sepsis şoka girerse bu yanlış yüksek klinik hatasıdır. Model Drift, bir makine öğrenmesi modelinin performansının zaman içinde düşmesine neden olan veri veya ilişki değişimidir. Örnek Küçük veri değişimleri yanlış negatife ve sonunda mortalite artışına neden olması ya da yeni cihazlardaki ölçüm farklılıkları yanlış sınıflandırma gerçekleştirmesi sayılabilir. Model geri çağırma kararı belirli bir performans düşüşü veya güvenlik riski tespit edildiğinde modelin kullanımının durdurulmasıdır. Örneğin yoğun bakım ünitesinde mortalite tahmini doğruluk oranı düşüp, yanlış negatif oran artarsa, komite kararı ile model geçici olarak devre dışı bırakılıp manuel klinik karar moduna geçilebilir. Advers olay, yapay zekâ sistemiyle ilişkili potansiyel zarar veya zarara yol açan klinik olaydır. Bu, doğrudan model hatası veya modelin etkilediği süreç sonucu olabilir. Örneğin ilaç doz algoritması, yapay zekâ renal fonksiyonu yanlış değerlendirir. Aşırı doz önerisi ortaya çıkar. Uygulama sonunda hasta akut böbrek hasarı yaşar. Algoritmanın yanlış değerlendirmesi klinik hatanın doğmasına neden olur. Bu nedenle AB Yapay zekâ düzenlemesi Article 72 (EU AI Act, 2024) ve ISO 23894 Clause 6 ve 8 de (ISO/IEC 23894, 2023) sürekli risk yönetimi ve izleme mekanizmalarının kurulmasını zorunlu kılmakta; bu gereklilik kurumsal düzeyde yapılandırılmış organizasyonel yönetişim sistemlerini gerekli kılmaktadır.

Veri ve gizlilik yönetimi kapsamında, komite Kişisel verilerin koruma kanunu (KVKK) çerçevesinde uyumunu izlemek, veri anonimleştirme ve güvenlik prosedürlerini uygulama, Federatif öğrenme gibi gizlilik koruyucu teknikleri değerlendirmek, veri ihlali durumunda kriz yönetim sürecini başlatması beklenmelidir (GDPR, 2016/679; NIST, 2023). Burada Federatif öğrenme , özellikle sağlık alanında veri gizliliği açısından geliştirilen, verilerin merkezi bir sunucuya taşınmadan, bulundukları kurumda kalmaya devam ederek modelin eğitilmesini sağlayan dağıtık (distributed) bir makine öğrenmesi yöntemidir. Örneğin Sağlık Bakanlığı 20 kamu hastanesinde Sepsis modeli geliştirmek istemektedir. Başlangıç modelini önerir. 20 hastane, kendi yoğun bakım verisi üzerinden model eğitir. Hasta verisi hastane dışına çıkmadan, hastaneler sadece model parametre güncellemelerini gönderir. Bu federatif öğrenmedir. Veri açısından, Data Minimization kişisel verilerin yalnızca belirli, açık ve meşru bir amaç için gerekli olan en az miktarda toplanması ve işlenmesi ilkesi burada önemlidir. AB Genel Veri Koruma Yönetmeliği (GDPR, 2018) Madde 5 (1) c bendinde “veriler amaca uygun, ilgili gerektiği kadar olmalı ” ve KVKK (2016) Madde 4 ‘de “veriler işlendikleri amaçla bağlantılı, sınırlı ve ölçülü olması ” gerektiğine yer vermiştir. Sağlıkta hasta için veri toplarken, sosyal medya, adres verileri gerekli olmadığı için sepsis modeli örneğinde sadece nabız, tansiyon, laktat, ateş yeterliyse bu veriler işlenir.

Komitenin etik ve adalet denetimi kapsamında, algoritmik önyargı (bias) analizlerini incelemek, etik kurul ile koordinasyon sağlamak, demografik performans farklılıklarını değerlendirmek, şeffaflık ve açıklanabilirlik ilkelerinin uygulanmasını izlemek görevleri arasındadır. Algoritmik önyargı, bir yapay zekâ modelinin belirli bir grup (örneğin yaş, cinsiyet, sosyoekonomik durum) için sistematik olarak daha düşük veya daha yüksek performans göstermesidir. Model herkes için eşit çalışmıyorsa önyargı vardır. Örneğin sepsis modeli erkek hastalarda doğruluk %90, kadınlarda ise %82 çıkıyorsa klinik açıdan bir önyargı vardır. Bu durumda komiteden, model performansını demografik alt gruplara göre ölçerek hata oranlarını karşılaştırıp anlamlı fark varsa teknik ve etik değerlendirme yapmasını beklerler. Etik ve adalet denetiminde temel amaç, yapay zekâ modelinin belirli bir gruba zarar verme potansiyeli taşıyıp taşımadığını ortaya çıkarmaktır. Sağlık hizmeti eşit mi dağıtılıyor yani dağıtımsal adalet ; karar süreci şeffaf mı prosedürel adalet ile yanlış negatifler belirli bir grupta yoğunlaşıyor mu çıkaran klinik adalet uygulanması önemlidir. Algoritmik önyargı, Dünya Sağlık örgütü (2021) Sağlık için Etik ve Yönetişim belgesinde, sayfa 27 de yapay zekâ sistemlerinin mevcut sağlık eşitsizliklerini yeniden üretme riski olduğunu, veri setlerindeki temsiliyet eksikliğinin ayrımcılığa yol açabileceğini ve savunmasız gruplar için adaletin gözetilmesi gerektiğini vurgulamıştır. Aynı dokümanın 34. Sayfasında kurumların yapay zekâ sistemlerindeki ön yargı risklerini izleme yükümlülüğü olmasını, bu amaçla denetim gözetim mekanizmaları kurulmasını gerekli kılmıştır. Yine 2024 tarihli AB Yapay Zekâ yasası da yüksek riskli sistemlerde ayrımcılık riskinin izlenmesini zorunluk kapsamına almıştır. Kurumsal Yapay Zekâ komitesi bu nedenle etik ve adalet denetimi kapsamında ayrımcılık riskini değerlendirmek sorumluluğu altındadır.

2.3 Risk ve Uyum Yönetimi Katmanı

Sağlıkta kurumsal yapay zekâ yönetişimi, regülasyon ve risk çerçeveleri ile uyumlu olmalıdır. Bu kapsamda, ISO 31000 ve ISO/IEC 23894 doğrultusunda, risk tanımlanmalı, analizleri yapılmalı, riskler sürekli izlenmeye alınmalı ve risk azaltma planları uygulanmalıdır (SG Systems, 2025). Risk döngüsü içinde bağlam, tanımlama, analiz, değerlendirme, tedavi, izleme başlıkları yapay zekâ sistemlerine uygulanır. Yapay zekadan kaynaklı sapma, ön yargı, halüsinasyon, kara kutu kararları, düşmanca girdiler ne olabileceğinin belirlenmesi, nasıl kontrol yapılacağının önemine dikkat çekilir.

Risk dışında regülasyon uyumu da sağlanmalıdır. Regülasyon uyumu yalnızca hukuki bir gereklilik değil, hasta güvenliği açısından stratejik bir güvence mekanizmasıdır. Uyum kapsamına, veri koruma alanında Kişisel Verileri Koruma Kanunu (KVKK) ve AB Genel Veri Koruma Yönetmeliği (GDPR); yüksek riskli sistem gereklilikleri için AB Yapay Zekâ Yasası; tıbbi yazılım için Amerika Birleşik Devletleri Gıda ve İlaç Dairesi (FDA) SaMD Tıbbi Cihaz Yazılım rehberleri; MDR (Medical Device Regulation- Tıbbi Cihaz Yönetmeliği) ait Tıbbi Cihaz regülasyonları anlaşılmaktadır. SaMD konusunda mobil cihazın tanı amaçlı kullanılan MR, ultrason veya röntgen görüntülerini görüntülemesini sağlayan yazılım, meme kanserini tespit etmeye yardımcı olacak görüntüleri işleyen yazılım, gerçek zamanlı olarak hasta verilerini toplayan ve bir tıbbi profesyonel tarafından izlenen ve tedavi planları geliştirmek için kullanılan yazılımlar akla gelebilmektedir.

Risk ve uyum katmanı, sağlık kurumlarında tek bir kişi tarafından değil, çok katmanlı bir kurumsal yapı tarafından yürütülmesi önerilmektedir. Stratejik sorumluluk hastane yönetim kurulundadır. Operasyonel yürütme, kurumsal yapay zekâ yönetim komitesinde olması gerekli görülebilir. Veri koruma sorumlusu, GDPR/KVKK kapsamında veri işleme faaliyetlerini denetleme, veri ihlal raporları, data minimizasyon ilkesini izler. Regülasyon ve tıbbi cihaz uyumu için kalite yönetim birimi de yer alabilir.

2.4 Teknik ve Klinik Denetim Katmanı

Son katman olan teknik ve klinik denetim katmanı, Kurumsal yapay zekâ Komitesi’ne bağlı çalışan ve yapay zekâ sistemlerinin hem teknik güvenilirliğini hem de klinik güvenliğini izleyen operasyonel denetim yapısıdır. Bu katman karar verici değil; analiz eden, doğrulayan ve raporlayan bir kontrol mekanizmasıdır. Teknik denetim alt katmanı, veri bilimcisi, makine öğrenmesi mühendisi, yapay zekâ sistem mühendisi, siber güvenlik uzmanı, SaMD ve MDR bilgisine sahip kalite yönetim uzmanlarından ve veri koruma temsilcisinden oluşabilir.

Teknik denetim grubu görevleri arasında, yapay zekâ model performans izleme, model drift izleme, ön yargı analizi, teknik güvenlik, dokümantasyon oluşturma görevleri sayılabilir. Model performans izleme de doğruluk, güven aralığı analizi, performans eşik takibi, sağlıkta yapay zekâ performans ölçümünde kullanılan AUC (ROC Eğrisi Altındaki Alan), FNR (False Negative Rate -Yanlış Negatif Oranı), FPR (False Positive Rate -Yanlış Pozitif Oranı-) ölçümlerini yapar. FNR, gerçekte hasta olan kişilerin kaçının model tarafından “sağlıklı” olarak sınıflandırıldığını gösterir. FPR ise gerçekte sağlıklı olan kişilerin kaçının model tarafından “hasta” olarak sınıflandırıldığını gösterir. Yoğun bakımda FNR’nin düşük, Acil serviste ise FNR/FPR dengeli olması beklenir. Model drift izleme daha önce de belirtildiği gibi modelin eğitildiği veri dağılımı ile gerçek dünyada karşılaştığı yeni veri dağılımı arasındaki fark arttığında ortaya çıkan performans bozulmasıdır. Bu izleme kapsamında veri değişimi analizi, drift eşik aşım olup olmadığına bakılır. Teknik güvenlik kısmında ise siber güvenlik açık analizi, yetkisiz erişim takibi yapılır.

Klinik denetim alt grubu, başhekim, ilgili branş doktorları, klinik kalite sorumlusu, klinik araştırmacı yer alması öngörülmektedir. Temel görevleri, yapay zekâ model çıktılarının klinik yorumlanması, yanlış negatiflerin analizi, mortalite ve morbidite etkisini içeren klinik validasyon; hekimlerin son karar verici olmasının sağlanması, yapay zekâ ilişkili potansiyel zarar analizi, klinik risk eşiği belirleme, hekimlerin modeli doğru kullanması için eğitim verilmesi yer alır. Kısaca, Teknik ve Klinik Denetim Katmanı, sağlık kurumlarında yapay zekâ sistemlerinin performans, güvenlik, etik ve klinik etkilerini sürekli izleyen; disiplinler arası uzmanlardan oluşan operasyonel gözetim mekanizmasıdır.

Kurumsal Yapay zekâ yönetişimi, belgelere dayanarak aşağıdaki şekilde bir yönetim organizasyonu ortaya çıkarmaktadır;

Yönetim Kurulu
↓
Kurumsal YZ Komitesi
↓
Teknik & Klinik Denetim Katmanı
↓
Yapay Zekâ Teknik Ekipleri + Klinik Birimler

3. Kurumsal Yapay Zekâ Yönetişiminde Yeni İş Pozisyonları

Kurumsal Yapay Zekâ yönetişiminin tam anlamıyla uygulanabilmesi, klasik hastane organizasyon yapılarının ötesinde uzmanlık gerektiren yeni rol ve sorumlulukların tanımlanmasını zorunlu kılmaktadır. Geleneksel hastane yapıları; klinik hizmet sunumu, idari yönetim, kalite kontrol ve bilgi teknolojileri fonksiyonları etrafında şekillenmiştir. Ancak yapay zekâ sistemleri, aynı anda teknik algoritmik risk, klinik güvenlik, veri koruma, etik sorumluluk ve regülasyon uyumu gibi çok katmanlı risk alanlarını barındırır. Örneğin model drift, algoritmik önyargı veya otonom karar destek mekanizmaları gibi konular ne yalnızca bilgi işlem biriminin ne de yalnızca klinik kalite ekibinin yetkinlik alanına girmektedir. Bu nedenle yapay zekaya özgü risklerin izlenmesi ve yönetilmesi için disiplinler arası, teknik ve klinik bilgiye sahip hibrit uzmanlıklara ihtiyaç doğmaktadır.

Buna ek olarak, AB Yapay Zekâ Yasası, ISO/IEC 23894 ve Dünya Sağlık Örgütü’nün (2021: 24 - 26) sağlıkta yapay zekâ yönetişimi ilkeleri; yaşam döngüsü boyunca risk yönetimi, sürekli izleme ve hesap verebilirlik mekanizmalarını şart koşmaktadır. Bu gereklilikler, hastanelerde geleneksel olarak net tanımlanmamış olan “Yapay zekâ risk sorumluluğu”, “algoritmik adalet denetimi” veya “model performans gözetimi” gibi işlevlerin kurumsal düzeyde sahiplenilmesini gerektirir.

İnsan faktörlü süreç (Human in the loop) zorunluluğu, sağlıkta yapay zekânın tamamen otonom biçimde insanın yerini almasını hem hukuki hem de etik açıdan sınırlandırmaktadır. Özellikle yüksek riskli sistemler için AB Yapay Zekâ Yasası (2024, Article 14) insan gözetimini açık bir gereklilik olarak tanımlamakta; kararın nihai sorumluluğunun yetkin bir insan operatörde kalmasını öngörmektedir. Sağlık hizmeti doğrudan hasta güvenliğiyle ilişkili olduğundan, algoritmik kararların klinik bağlam içinde yorumlanması, istisnai durumların değerlendirilmesi ve sorumluluğun üstlenilmesi ancak hekim veya yetkili sağlık profesyoneli tarafından gerçekleştirilebilir. Bu nedenle yapay zekâ sistemleri sağlıkta “ karar destek sistemi ” olarak konumlanmakta, nihai klinik kararın yerini almamaktadır.

Ayrıca sağlık hizmeti yalnızca veri analizi süreci değildir; etik muhakeme, empati, hasta tercihlerini değerlendirme ve belirsizlik altında klinik sezgi gerektirir. Yapay zekâ istatistiksel örüntüleri yüksek doğrulukla tespit edebilse de bireysel hasta bağlamını, sosyo-kültürel faktörleri ve değer temelli karar boyutlarını tek başına değerlendiremez. Dünya Sağlık Örgütü (2021) da sağlıkta yapay zekâ kullanımında insan özerkliğinin korunmasını temel ilke olarak vurgulamaktadır. Bu çerçevede insan faktörlü süreç (human-in-the-loop) yaklaşımı, yapay zekanın sağlık profesyonellerini ikame etmesini değil; onların karar kapasitesini güçlendiren, sorumluluğu insan merkezli tutan hibrit bir klinik model oluşturmasını öngörmektedir.

Kurumsal Yapay zekâ yönetişimi sağlık alanında ortaya çıkardığı yeni iş pozisyonları aşağıdaki tabloda görev tanımları ile şu şekildedir (Fountaine, McCarthy & Saleh, 2019; Raisch & Krakowski 2021);

Pozisyon	Neden Yeni? (Klasik Hastane Yapısında Eksik Olan)	Temel Görev / Sorumluluklar	Yönetişim Katmanı
Yapay Zekâ Kalite ve Doğrulama Uzmanı	Geleneksel kalite birimleri tıbbi cihaz veya süreci denetler; algoritmik model validasyonu uzmanlığı yoktur.	Klinik validasyon tasarımı, model performans testi (AUC, FNR), MDR/SaMD uyum kontrolü, versiyon doğrulama	Teknik & Klinik Denetim
Sağlık Veri Yönetişimi Sorumlusu	Yapay zekâ veri mimarisi, veri standardizasyonu ve veri kalitesi ayrı uzmanlık gerektirir.	Veri minimizasyonu, veri kalite denetimi, federatif öğrenme koordinasyonu	Veri & Uyum
Yapay Zekâ Olay Müdahale Sorumlusu	Hastanelerde klinik olay yönetimi vardır ancak yapay zekâ kaynaklı teknik-klinik hibrit olay yönetimi tanımlı değildir.	Yapay zekâ ilişkili advers olay analizi, model durdurma süreci, kriz eskalasyonu, kök neden analizi (RCA)	Risk & Güvenlik
Açıklanabilir Yapay Zekâ (XAI) Uzmanı	Bilgi işlem ekipleri model geliştirir ancak klinik açıklanabilirlik ve şeffaflık uzmanlığı genelde yoktur.	Klinik açıklama arayüzü, algoritmik şeffaflık raporu, insan karar desteği	Etik & Klinik
Yapay Zekâ Tedarikçi Yönetişimi Yöneticisi	Hastaneler yazılım satın alır ancak algoritmik risk ve veri sözleşmesi denetimi uzmanlaşmış değildir.	AI sözleşme maddeleri, üçüncü taraf risk analizi, model güncelleme yükümlülükleri, veri işleme anlaşmaları	Uyum & Strateji
YZ Risk ve Uyum Yöneticisi	Mevcut risk birimleri AI yaşam döngüsü risklerini sistematik izlemez.	AB Yapay zekâ yasası uyumu, ISO 23894 entegrasyonu, risk matrisi, model geri çağırma kararı koordinasyonu	Kurumsal Risk
Yapay Zekâ Operasyonları Yöneticisi	Model geliştirme vardır ancak canlı ortam izleme ve drift yönetimi için ayrı rol yoktur.	Drift izleme, performans göstergeleri, sürekli model güncelleme	Teknik Operasyon
Klinik YZ Güvenlik Sorumlusu	Hasta güvenliği birimi vardır ancak yapay zekaya özgü klinik risk analizi uzmanlığı eksiktir.	Yanlış negatif analizi, mortalite etkisi değerlendirmesi, klinik yeniden düzenleme oranı takibi	Klinik Güvenlik

Sonuç olarak, tabloda yer verilen yeni pozisyonlar teknolojik bir genişlemenin ürünü değil; yapay zekâ sistemlerinin çok katmanlı risk yapısının kurumsal karşılığıdır. Geleneksel organizasyon şemaları klinik hizmet, bilgi teknolojileri ve hukuki uyum işlevlerini ayrı silo (kurum içindeki birimlerin birbirinden bağımsız, sınırlı iletişimle ve bütüncül koordinasyon olmaksızın faaliyet göstermesi durumunu ifade eden yapı) yapılar içinde yürütürken, yapay zekâ sistemleri bu alanların kesişiminde konumlanmakta ve teknik performans, veri yönetişimi, etik denetim, hasta güvenliği ve regülasyon uyumunu eş zamanlı olarak yönetmeyi gerektirmektedir. Bu nedenle Yapay Zekâ Kalite ve Doğrulama Uzmanı, Sağlık Veri Yönetişim Sorumlusu veya Yapay Zekâ Olay Müdahale sorumlusu gibi hibrit roller, kurumsal hesap verebilirliğin güçlendirilmesi, risklerin yaşam döngüsü boyunca izlenmesi ve insan kontrol süreci yaklaşımının etkin biçimde uygulanabilmesi için yapısal bir gereklilik olarak ortaya çıkmaktadır. Dolayısıyla bu pozisyonlar, kurumsal yapay zekâ yönetişiminin sürdürülebilir, güvenli ve regülasyonla uyumlu biçimde işletilmesinin organizasyonel teminatı niteliğindedir.

4. Dünyada Sağlık Alanında Kurumsal Yapay Zekâ Yönetişimi Örnekleri

Sağlıkta kurumsal yapay zekâ yönetişimi henüz küresel ölçekte tek tip ve standardize edilmiş bir modele kavuşmamış olmakla birlikte, farklı ülkelerde ve önde gelen sağlık kurumlarında geliştirilen uygulamalar; risk temelli, çok katmanlı ve insan denetimini merkeze alan yönetişim yapılarının giderek kurumsallaştığını göstermektedir. Aşağıda, uluslararası literatürde öne çıkan ülkesel bazı kurumsal yapay zekâ yönetişimi örnekleri özetlenmektedir.

4.1 ABD Uygulamaları

a) Mayo Clinic Yapay Zekâ Yönetişimi Çerçevesi (Rochester, Minnesota) Mayo Clinic, klinik yapay zekâ uygulamalarını sistematik biçimde değerlendirmek amacıyla kurumsal bir yapay zekâ yönetişim çerçevesi geliştirmiştir. Kurum bünyesinde oluşturulan Yapay Zekâ Değerlendirme Kurulu (AI Review Board), yapay zekâ projelerini teknik doğruluk, klinik geçerlilik, etik uygunluk ve hasta güvenliği kriterleri açısından çok katmanlı değerlendirmeye tabi tutmaktadır. Klinik kullanıma alınmadan önce validasyon süreci işletilmekte; kullanım sonrasında ise performans, model drift ve güvenlik göstergeleri sürekli izlenmektedir. İnsan faktörlü süreç (Human-in-the-loop) yaklaşımı zorunlu tutulmakta ve algoritmalar karar destek sistemi olarak konumlandırılmaktadır (Halamka & Chandra, 2021 : 1241 – 1242).

b) Harvard–MIT Yapay Zekâ Değerlendirme Kurulu Modeli (Boston–Cambridge, Massachusetts) Harvard Tıp Fakültesi ve MIT Üniversitesi iş birliğiyle Yapay Zekâ Değerlendirme Kurulu Modeli (Clinical AI Oversight Model ) kabul edilmiştir. Bu model klinik ortamlarda geliştirilen veya kullanılan yapay zekâ sistemlerinin, teknik doğruluk, klinik geçerlilik, ön yargı riski, etik uygunluk, iş akışı entegrasyonu açısından sistematik biçimde değerlendirilmesini sağlayan kurul çalışmasını içerir. Algoritmaların geliştirme, doğrulama ve dağıtım aşamalarında ayrı ayrı risk analizine tabi tutulmasını öngörmektedir. Modelin ayırt edici yönü, yalnızca teknik performansın değil, klinik iş akışına entegrasyonun ve potansiyel önyargı risklerinin de değerlendirilmesidir. Etik kurul ve klinik liderliğin sürece entegre edilmesi, yönetişimin disiplinler arası bir yapıda yürütülmesini sağlamaktadır (Li, Reis, Rodman, et. al., 2026).

c) Stanford – Klinik Yapay Zekâ İnceleme Süreci (Kaliforniya) Stanford Üniversitesi Tıp Merkezi, klinik yapay zekâ projeleri için yapılandırılmış bir inceleme süreci oluşturmuştur. Bu süreçte yapay zekâ uygulamaları, klinik kullanıma geçmeden önce pilot çalışmalarla test edilmekte ve gerçek hasta verisi üzerinde performans doğrulaması yapılmaktadır. Dağıtım sonrası izleme mekanizmaları sayesinde model performansı ve potansiyel riskler düzenli olarak gözden geçirilmektedir. Stanford modeli, inovasyon ile kurumsal risk yönetimi arasında dengeli bir yaklaşım sunmaktadır (Handler, 2026; Brodeur, Goh, Rodman and Chen, 2026).

4.2 İngiltere

4.2.1 Birleşik Krallık Ulusal Sağlık Sistemi (NHS)- Yapay Zekâ Güvence Çerçevesi

Birleşik Krallık Ulusal Sağlık Sistemi (NHS), Yapay Zekâ Güvence Çerçevesi (AI Assurance Framework) ile sağlıkta yapay zekâ kullanımına yönelik standartlaştırılmış bir değerlendirme yapısı geliştirmiştir. Bu çerçeve; güvenlik, veri koruma, etik uygunluk, şeffaflık ve performans kriterlerini içeren kapsamlı kontrol listeleri sunmaktadır. Risk sınıflandırmasına dayalı yaklaşım benimsenmekte ve yüksek riskli sistemler için daha sıkı klinik validasyon ve insan gözetimi zorunlu tutulmaktadır. Ulusal düzeyde rehberlik sağlanırken uygulama yerel hastane komitelerine bırakılmaktadır (Gov UK, 2024).

4.3 Almanya

4.3.1 MDR Uyumlu Klinik Yapay Zekâ Yönetişimi

Almanya’da sağlıkta yapay zekâ yönetişimi, Avrupa Birliği Tıbbi Cihaz Regülasyonu (MDR) çerçevesinde şekillenmektedir. Özellikle üniversite hastaneleri ve teknoloji firmaları iş birliğinde geliştirilen yapay zekâ sistemleri, tıbbi cihaz statüsünde değerlendirilmekte ve bu nedenle sıkı teknik dokümantasyon, klinik validasyon ve ürün piyasaya çıktıktan sonra performansının sürekli izlenmesini gerektiren post-market izleme süreçlerine tabi tutulmaktadır. Alman yaklaşımı, regülasyon uyumu ile teknik güvenilirliği entegre eden güçlü bir kalite temelli yönetişim modeli sunmaktadır (Grieb, Woitz, Farber and Lebrecht, 2026).

4.4 Çin

4.4.1 Akıllı Hastane ve Merkezi Dijital Sağlık Modeli

Çin’de yapay zekâ yönetişimi, büyük ölçüde devlet destekli dijital sağlık stratejileri kapsamında yürütülmektedir. “ Akıllı Hastane ” programları çerçevesinde, klinik karar destek ve görüntü analiz sistemleri merkezi platformlar aracılığıyla izlenmekte ve güncellenmektedir. Bu modelin temel özelliği, ulusal düzeyde entegre veri altyapısı ve merkezi koordinasyon mekanizmasıdır. Yönetişim daha çok devlet merkezli olup, ölçek ve hızlı dijitalleşme avantajı sağlamaktadır.

Çin’de sağlıkta yapay zekâ uygulamalarının en dikkat çekici örneklerinden biri Ping An Good Doctor platformu ve buna bağlı olarak geliştirilen “ One-Minute Clinics” (Bir Dakika Klinikler) modelidir. Çin genelinde yaygınlaşan bu küçük kabinler, yapay zekâ tabanlı bir sağlık yönetişim mucizesidir. Ping An Healthcare Technology tarafından geliştirilen bu sistem, yapay zekâ destekli ön tanı ve dijital sağlık danışmanlığı hizmetlerini fiziksel kiosklar ve mobil platformlar aracılığıyla sunmaktadır. One-Minute Clinics olarak adlandırılan akıllı sağlık istasyonları; hastaların semptomlarını dijital arayüz üzerinden girmesine olanak tanımakta, yapay zekâ tabanlı triage algoritmaları (sağlık hizmetlerinde hastaların aciliyet düzeyine göre sınıflandırılmasını sağlayan kural veya model tabanlı karar sistemi) aracılığıyla ön değerlendirme yapmakta ve gerekli durumlarda uzaktan hekim görüşmesine yönlendirmektedir. Bu sistem özellikle kırsal bölgelerde ve yoğun şehir merkezlerinde sağlık hizmetlerine hızlı erişimi artırmayı amaçlamakta, aynı zamanda temel sağlık danışmanlığı ve reçetesiz ilaç temini gibi hizmetleri de dijital ortamda sağlamaktadır (He et al., 2019, s. 653; Ping An Healthcare Technology, 2020).

Ping An Good Doctor platformu aynı zamanda geniş veri altyapısı ve merkezi algoritma yönetimi sayesinde yapay zekâ sistemlerinin sürekli olarak izlenmesine ve güncellenmesine olanak tanımaktadır. Platform, milyonlarca kullanıcıdan elde edilen anonimleştirilmiş sağlık verileri üzerinden makine öğrenmesi modellerini geliştirmekte ve klinik karar destek süreçlerini optimize etmektedir. Bu yönüyle sistem yalnızca dijital bir sağlık hizmeti sunumu değil, aynı zamanda büyük ölçekli veri analitiğine dayalı bir sağlık ekosistemi olarak değerlendirilmektedir. Çin’in “ Akıllı Hastane ” stratejisi ile uyumlu biçimde geliştirilen bu model, yapay zekâ destekli triage, uzaktan danışmanlık ve veri temelli sağlık yönetimi uygulamalarını bir araya getirerek sağlık hizmetlerinin erişilebilirliğini ve verimliliğini artırmayı hedeflemektedir (Wang, 2025).

5. Türkiye İçin Sağlıkta Kurumsal Yapay Zekâ Yönetişimi Çerçevesi Model Önerisi

Türkiye’de sağlık hizmetlerinin büyük ölçüde merkezi kamu yönetimi yapısı içinde yürütülmesi ve güçlü dijital sağlık altyapısının (e-Nabız, MHRS, merkezi hastane bilgi yönetim sistemleri) mevcut olması, kurumsal yapay zekâ (YZ) yönetişimi açısından özgün bir fırsat alanı sunmaktadır. Bununla birlikte, yüksek riskli YZ uygulamalarının hasta güvenliği, veri koruma ve hukuki sorumluluk boyutları dikkate alındığında, yapılandırılmış ve çok katmanlı bir yönetişim modeline ihtiyaç bulunmaktadır. Bu çalışma kapsamında Türkiye için risk temelli, insan denetimini merkeze alan ve yaşam döngüsü odaklı bir kurumsal YZ yönetişimi modeli önerilebilir.

Önerilen model çok katmanlı yönetişim modeli olarak iki ana düzeyden oluşmaktadır: (i) ulusal politika ve standart belirleme düzeyi, (ii) hastane düzeyinde operasyonel yönetişim düzeyi. Ulusal düzeyde, Sağlık Bakanlığı bünyesinde “ Ulusal Sağlık Yapay Zekâ Koordinasyon Kurulu ” oluşturulması önerilmektedir. Bu kurulun temel görevleri; YZ sistemleri için risk sınıflandırma kriterlerinin belirlenmesi, teknik validasyon standartlarının tanımlanması, veri yönetişimi rehberlerinin hazırlanması ve yüksek riskli uygulamalar için asgari güvenlik eşiklerinin belirlenmesidir. Bu yapı, AB Yapay Zekâ Tüzüğü’nün risk temelli yaklaşımı ve ISO/IEC 23894’ün (ISO/IEC 23894, 2023, Clause 6, 8) yaşam döngüsü risk yönetimi ilkeleriyle uyumlu şekilde tasarlanmalıdır.

Hastane düzeyinde ise Başhekimliğe bağlı bir “ Kurumsal Yapay Zekâ Komitesi ” kurulması önerilmektedir. Bu komite; başhekim temsilcisi, bilgi işlem yöneticisi, hukuk müşaviri, veri koruma sorumlusu (KVKK kapsamında), ilgili klinik birim temsilcisi ve kalite yönetim uzmanından oluşmalıdır. Komite, YZ projelerinin ön değerlendirmesini yapmak, klinik validasyon sürecini koordine etmek, model performansını izlemek ve periyodik YZ risk raporları hazırlamakla sorumlu olmalıdır.

Yaşam döngüsü temelli risk yönetimi, YZ sistemlerinin yalnızca geliştirme aşamasında değil, kullanım süresince de izlenmesini öngörmektedir. Üç aşamalı bir değerlendirme süreci YZ modeli için uygun olabilir (EU, 2024, Article. 9, 14, 72) Bunlar;

1. Ön Değerlendirme ve Validasyon: Modelin teknik performansı (ör. AUC, FNR, FPR), veri temsiliyeti ve potansiyel algoritmik önyargı analiz edilir. Klinik entegrasyon öncesinde pilot uygulama zorunlu tutulur.
2. Dağıtım ve Klinik Entegrasyon: YZ sistemi yalnızca karar destek amacıyla kullanılır ve insan faktörlü süreç (human- in-the-loop) mekanizması zorunlu kılınır (WHO, 2021:. 25, 34) Klinik override (yz kararını değiştiren insan karar verme süreci) oranı ve iş akışı etkisi izlenir.
3. Sürekli İzleme ve Güncelleme: Model drift (performans düşüşü), ön yargı göstergeleri ve advers olaylar düzenli olarak raporlanır. Önceden belirlenen eşik değerlerin aşılması durumunda modelin geçici olarak durdurulması veya yeniden eğitilmesi sağlanır.

Veri yönetimi ve hukuki uyum konusunda, Türkiye’de 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) madde dört kapsamında sağlık verileri özel nitelikli kişisel veri olarak tanımlandığından, veri minimizasyonu, açık rıza ve veri güvenliği ilkeleri modelin merkezinde yer almalıdır. Bu bağlamda federatif öğrenme gibi gizlilik koruyucu tekniklerin değerlendirilmesi ve merkezi veri aktarımının sınırlandırılması önerilmektedir. Veri yönetişimi süreçleri ile teknik performans izleme mekanizmalarının entegre edilmesi, kurumsal hesap verebilirliğin güçlendirilmesi açısından kritik önemdedir (EU, 2016, Article. 5).

Önerilen modelde YZ sistemleri, hekim kararının yerine geçmeyen ancak karar kapasitesini destekleyen araçlar olarak konumlandırılmaktadır. İnsan faktörlü süreç (Human-in-the-loop) yaklaşımı doğrultusunda, her yüksek riskli YZ uygulamasında yetkili bir sağlık profesyonelinin nihai karar sorumluluğunu taşıması zorunlu olmalıdır. Klinik override oranlarının düzenli izlenmesi ve olağan dışı artışların risk göstergesi olarak değerlendirilmesi önerilmektedir.

Sonuç olarak, bu model, merkezi politika belirleme ile hastane içi komite temelli denetimi birleştiren hibrit bir yönetişim yaklaşımı sunmaktadır. Risk temelli sınıflandırma, yaşam döngüsü izleme ve insan denetimini bütünleştiren yapı sayesinde hem hasta güvenliğinin hem de hukuki uyumun güçlendirilmesi amaçlanmaktadır. Böylece Türkiye’de sağlıkta yapay zekâ uygulamalarının sistematik, şeffaf ve sürdürülebilir bir kurumsal çerçeve içinde geliştirilmesi mümkün hale gelebilecektir.

6. Sonuç

Sağlık sektöründe yapay zekâ uygulamalarının hızla yaygınlaşması, bu teknolojilerin yalnızca teknik bir inovasyon olarak değil, aynı zamanda kurumsal düzeyde yönetilmesi gereken stratejik bir alan olarak ele alınmasını zorunlu kılmaktadır. Tanı destek sistemleri, görüntü analizi, klinik karar destek araçları ve uzaktan sağlık hizmetleri gibi uygulamalar sağlık hizmetlerinin verimliliğini ve erişilebilirliğini artırma potansiyeline sahip olmakla birlikte, hasta güvenliği, veri koruma, etik sorumluluk ve hukuki hesap verebilirlik gibi önemli risk alanlarını da beraberinde getirmektedir. Bu nedenle sağlık kurumlarında yapay zekâ kullanımının sürdürülebilir ve güvenli biçimde uygulanabilmesi için kurumsal yapay zekâ yönetişimi yaklaşımının geliştirilmesi kritik bir gereklilik haline gelmiştir.

Bu çalışma kapsamında sağlıkta kurumsal yapay zekâ yönetişiminin temel bileşenleri stratejik yönetişim, veri yönetişimi, model yönetişimi ve etik-hukuki çerçeve olmak üzere çok katmanlı bir yapı içinde ele alınmıştır. Stratejik yönetişim boyutu, kurumların yapay zekâ kullanım vizyonunu belirlemesi ve risk temelli uygulama alanlarını tanımlaması açısından önem taşımaktadır. Veri yönetişimi, sağlık verilerinin güvenli biçimde işlenmesi, anonimleştirilmesi ve veri kalitesinin sağlanmasını içerirken; model yönetişimi ise yapay zekâ sistemlerinin klinik doğrulaması, performans izleme süreçleri ve model sapması gibi teknik risklerin yönetilmesini kapsamaktadır. Etik ve hukuki çerçeve ise algoritmik şeffaflık, sorumluluk paylaşımı ve insan denetimi gibi ilkeleri içermektedir.

Uluslararası uygulamalar incelendiğinde sağlıkta yapay zekâ yönetişiminin farklı kurumsal modeller üzerinden geliştiği görülmektedir. ABD’de akademik tıp merkezleri tarafından geliştirilen komite temelli denetim modelleri, Birleşik Krallık’ta ulusal düzeyde oluşturulan güvence çerçeveleri ve Avrupa’da regülasyon temelli yaklaşım bu alandaki farklı yönetişim yaklaşımlarını ortaya koymaktadır. Çin’de ise akıllı hastane stratejileri ve dijital sağlık platformları aracılığıyla büyük ölçekli veri altyapısına dayalı bir yapay zekâ ekosistemi geliştirilmektedir. Bu örnekler, sağlıkta yapay zekâ yönetişiminin tek bir modele indirgenemeyeceğini, ancak risk temelli yaklaşım, sürekli izleme ve insan denetimi gibi ortak ilkelerin öne çıktığını göstermektedir.

Türkiye açısından değerlendirildiğinde güçlü dijital sağlık altyapısı ve merkezi sağlık yönetim sistemi, kurumsal yapay zekâ yönetişimi için önemli bir potansiyel sunmaktadır. Ancak yapay zekâ uygulamalarının sağlık hizmetlerine güvenli biçimde entegre edilebilmesi için kurum içi yönetişim yapılarının oluşturulması, teknik ve etik denetim mekanizmalarının geliştirilmesi ve yaşam döngüsü temelli risk yönetimi süreçlerinin kurumsallaştırılması gerekmektedir. Bu doğrultuda geliştirilecek bütüncül yönetişim modelleri, yapay zekâ teknolojilerinin sağlık sistemine güvenli, şeffaf ve sürdürülebilir biçimde entegre edilmesine katkı sağlayacaktır.

Kaynakça

1. Brodeur, P., Goh, E., Rodman, A. and Chen, H.J. (2026) State of Clinical AI Report. Arise, https://www.arise-ai.org/report.
2. European Union. (2016). Regulation (EU) 2016/679 (GDPR). https://gdpr-info.eu
3. European Union. (2024). Regulation (EU) 2024/1689 (AI Act). https://eur- lex.europa.eu/eli/reg/2024/1689/oj/eng
4. Fountaine, T., McCarthy, B., & Saleh, T. (2019). Building the AI-Powered Organization Technology Is Not the Biggest Problem. Culture Is. Harvard Business Review, 97, pp. 62 - 73.
5. GDPR AB Genel Veri Koruma Yönetmeliği (2018) https://gdpr.eu/what-is-gdpr/.
6. GDPR Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 (General Data Protection Regulation) https://eur-lex.europa.eu/legal- content/EN/TXT/PDF/?uri=CELEX:32016R0679
7. Gov UK. (2024). “Introduction to AI assurance “. https://www.gov.uk/government/publications/introduction-to-ai-assurance/introduction-to-ai- assurance
8. Grieb, J., Woitz, S., Farber, C. and Lebrecht, C. (2026). Digital Health Laws and Regulations Germany 2026,_ ICLG.
9. Halamka, J., & Chandra, S. (2021). The Mayo Clinic Platform: A digital transformation initiative. Mayo Clinic Proceedings , 96(5), pp. 1239 – 1244.
10. Handler, R. (2026). “ Clinical Al has boomed A New Stanford -Harvard State of Clinical Al Report shows What Holds up in practice “, Stanford Medicine, https://medicine.stanford.edu/news/current-news/standard-news/clinical-ai-has-boomed.html
11. He, J., Baxter, S.L., Xu, J., Xu, J., Zhou, X. and Zhang, K. (2019) The Practical Implementation of Artificial Intelligence Technologies in Medicine. Nature Medicine , 25, pp. 30 - 36.
12. ISO/IEC 23894:2023 Bilgi Teknolojisi Yapay Zeka Risk Yönetimi https://cfecert.com/tr/iso- iec- 238942023 - bilgi-teknolojisi-yapay-zeka-risk-yonetimi/
13. Kickbusch, Ilona & Behrendt, Thorsten (2013). Implementing a Health 2020 vision: governance for health in the 21st century: making it happen. World Health Organization. Regional Office for Europe. https://iris.who.int/handle/10665/326390
14. KVKK Kişisel Verileri Koruma Kanunu (2016) https://www.kvkk.gov.tr
15. Li, M.M., Reis, B.Y., Rodman, A. et al. (2026) Scaling medical AI across clinical contexts. Nature Medicine , 32 , pp. 439 – 448.
16. MILLSTEIN, I. M. et. All. (1998). _Corporate Governance - Improving Competitiveness and Access to Capital in Global Markets, Paris: OECD Publications.
17. Mäntymäki, M., Minkkinen, M., Birkstedt, T. et al. Defining organizational AI governance. AI Ethics 2 , 603–609 (2022).
18. NIST National Institute of Standards and Technology (NIST). (2023). Artificial Intelligence Risk Management Framework (AI RMF 1.0). U.S. Department of Commerce.
19. OECD -Organisation for Economic Co-operation and Development. (2015). G20/OECD principles of corporate governance. OECD Publishing.
20. Ping An Healthcare Technology. (2020). Ping An Good Doctor Annual Report. https://group.pingan.com/resource/pingan/IR-Docs/2020/pingan-ar20-report.pdf
21. Raisch, S., & Krakowski, S. (2021). Artificial intelligence and management: The automation– augmentation paradox. Academy of Management Review. Vol 46, No 1, pp. 192 - 210.
22. SG Systems (2025).” ISO/IEC 23894 Yapay Zeka Risk Yönetimi. “https://sgsystemsglobal.com/tr/glossary/iso-iec- 23894 - ai-risk-management/.
23. Wang, Z. (2025). “ Artificial intelligence in Chinese healthcare: a review of applications and future prospects”, Biomedical Engineering Letters, https://pmc.ncbi.nlm.nih.gov/articles/PMC12638562/
24. WHO Dünya Sağlık Örgütü (2021). Ethics and governance of artificial intelligence for health. https://www.who.int/publications/i/item/9789240029200
25. WITHERELL, Bill. (2002). “Corporate Governance and Responsibility”, The OECD Observer , October-2002.