Yapay Zeka İle Hastalık Tanısı

Yapay Zeka İle Hastalık Tanısı:

Tıbbi Araştırma Nedir?

Tıbbi araştırma; insan sağlığını korumak, hastalıkları anlamak, teşhis etmek ve tedavi etmek için yapılan bilimsel çalışmalardır.

Başlıca Türleri

Temel (laboratuvar) araştırmalar: Hücre, doku ve molekül düzeyinde yapılır.

Klinik araştırmalar: İnsanlar üzerinde yürütülür.

Amaç: Yeni ilaç, aşı, tıbbi cihaz veya tedavi yöntemlerinin güvenliğini ve etkinliğini test etmek.

Aşamalar: Faz I, II, III ve IV çalışmaları.

Epidemiyolojik araştırmalar: Hastalıkların toplumdaki dağılımını ve nedenlerini inceler.

Örnek: Sigara içmenin akciğer kanseriyle ilişkisi.

Tanısal araştırmalar: Yeni tanı testlerinin doğruluk ve güvenilirliğini değerlendirir.

Örnek: Yapay zekâ destekli görüntüleme testlerinin etkinliği.

Tedaviye yönelik araştırmalar: Mevcut tedavileri geliştirmeyi veya yenilerini bulmayı hedefler.

Örnek: Yeni antibiyotiklerin dirençli bakterilere karşı etkinliği.

Hastalıkların nedenlerini anlamak

Tanı yöntemlerini geliştirmek

Yeni tedavi veya ilaçlar bulmak

Halk sağlığını korumak ve yaşam kalitesini artırmak

Bunların hepsi yapay zeka algoritmalarıyla başarılabilir.

Yapay Zeka ile klinisyenin 'Akıl Yürütme' tarzını simule edelim

"Sabahın erken saatleri… Üniversite hastanesinin acil servisinde monitörlerin ritmiyle karışan kalp atışları. Bir doktor, elinde tablet, gözünü ekrandan ayırmadan konuşuyor:

— “Yapay zekâ olasılığı yüzde 32’ye indirdi. Bir sonraki test CRP mi olsun?”

Yanında oturan asistan şaşkın: ‘Nasıl yani, bir algoritma mı karar veriyor?’

Yapay Zekânın Klinik Tıpta Tanı Koymadaki Rolü

Genç bir asistan doktor, gözünü bilgisayar ekranından ayırmadan fısıldıyor:

“Yapay zekâ olasılığı yüzde 12’den 68’e çıkardı. Bir sonraki test D-dimer mi olsun?”

Yanındaki profesör gülümsüyor.

“Matematik konuşuyor,” diyor. “Ve bazen matematik, içgüdüden daha doğru konuşur.”

.................................

Klinik Vaka Örnekleri

Vaka 1: Göğüs Ağrısı

45 yaşında erkek, göğüs ağrısı yakınmasıyla başvuruyor.

AI sistemi, öncelikle yaş ve cinsiyete göre akut koroner sendrom (AKS) prevalansını %5 olarak belirliyor (P(H)=0.05).

İlk sorgu: “Ağrı eforla mı artıyor?” → Yanıt: Evet. (LR+ = 2.5) Yeni olasılık: %5 × 2.5 ≈ %12.

İkinci sorgu: “EKG’de ST elevasyonu var mı?” → Evet (LR+ ≈ 13). Güncellenen olasılık ≈ %70.

Üçüncü sorgu: “Troponin pozitif mi?”→ Evet (LR+ = 25). Olasılık %95’i aşar.

Sonuç: Yapay zekâ destekli algoritma, hekimi doğrular; AKS (Akut Koroner Sendrom) tanısı konur.

Vaka 2: Ateş, Öksürük, Nefes darlığı (Dispne)

60 yaşında kadın, 38.5 °C ateş, öksürük, nefes darlığı.

Başlangıçta toplum kökenli pnömoni prevalansı %10.

“Ral var mı?” → Evet (LR+ 2.3) → Olasılık %21.

“CRP >100 mg/L mi?” → Evet (LR+ 3.0) → Olasılık %45.

“Akciğer grafisinde infiltrasyon?” → Evet (LR+ 8.0) → Olasılık %90.

Her yanıtla birlikte sistem Bayes güncellemesini yapar, en yüksek olasılığa sahip tanıyı önceliklendirir.

Vaka 3: Karın Ağrısı – Genç Kadın

25 yaşında kadın, sağ alt kadran ağrısı.

Akut apandisit prevalansı bu yaş grubunda %7.

“Rebound hassasiyet var mı?” → Evet (LR+ 2.1) → Olasılık %14.

“Lökositoz (>10.000) var mı?” → Evet (LR+ 3.5) → Olasılık %38.

“Ultrason bulgusu apandisit lehine mi?” → Evet (LR+ 6.0) → Olasılık %80.

Vaka 4 – Baş Ağrısı: Görünmeyeni Görmek

34 yaşında kadın, şiddetli baş ağrısı ve bulantı ile gelir.

Sistem, migren prevalansını %15, subaraknoid kanama olasılığını %0.3 olarak alır.

Fotofobi var mı? → Evet → Migren olasılığı %35’e çıkar.

En kötü baş ağrısı hayatında bu mu? → Evet → Subaraknoid kanama olasılığı %4’e yükselir.

BT’de kanama var mı? → Hayır → Olasılık %0.2’ye düşer.

......................................

Bu, modern tıbbın yeni dönemidir: Bayes teoremiyle düşünen yapay zekâ sistemlerinin, hastalık olasılıklarını adım adım yeniden hesapladığı dijital bir çağ.

Yapay zekâ, tanıyı yalnızca olasılık olarak değil, güven düzeyi olarak sunar.

İnsan sezgisiyle birleştiğinde, hata payı minimuma iner.

AI sistemi, diğer nedenleri dışlayarak tanıyı destekler.

Akademik Analiz

Bu tür sistemler, tanısal doğruluğu artırırken hekim hatasını azaltma, tanı süresini kısaltma ve gereksiz testleri azaltma açısından umut vericidir.

Ancak klinik karar süreci, yalnızca matematiksel modelden ibaret değildir — semptomun bağlamı, hastanın öyküsü ve deneyimsel sezgi hâlâ belirleyicidir.

Tıbbın geleceği, insan sezgisiyle makinelerin mantığının birleştiği bu noktada şekilleniyor.

Artık soru şu:

— Kim tanı koyuyor? İnsan mı, yoksa algoritma mı?

Cevap belki de ikisinde birden…”

Klinik Tıpta Yapay Zekânın Temeli

Klinik karar destek sistemleri, her belirtiyi yalnızca bir semptom olarak değil, bir olasılık güncellemesi olarak değerlendirir.

Sistem, hastalığın toplumda görülme sıklığını (prevalans) başlangıç noktası kabul eder.

Her sorgu — bir öykü sorusu, fizik muayene bulgusu veya laboratuvar testi — bu olasılığı yeniden şekillendirir.

Duyarlılığı (% Sensitivity) yüksek testler hastalığı yakalamada, özgünlüğü (% Specificity) yüksek testler ise hastalığı dışlamada etkilidir.

Bu etki, pozitif ve negatif olasılık oranları (LR+ ve LR−) üzerinden değerlendirilir.

Yapay zekâ, bu değerleri her adımda kullanarak tanıya giden olasılık zincirini kurar.

Bilimsel Değerlendirme

Modern yapay zekâ sistemleri, tanısal duyarlılık ve özgünlüğü optimize etmek amacıyla binlerce klinik veriden öğrenir. 2024’te The Lancet Digital Health’te yayımlanan bir meta-analiz, yapay zekâ destekli tanı modellerinin ortalama tanısal doğruluk oranını %87’ye çıkardığını bildirmiştir.

Bazı durumlarda, insan hekimle eşdeğer veya daha yüksek performans sergiledikleri görülmüştür.

Ancak etik, veri gizliliği ve model önyargısı hâlâ çözülmesi gereken temel sorunlardır.

Bir algoritma, toplumdaki cinsiyet veya yaş önyargılarını farkında olmadan sürdürebilir; bu nedenle insan denetimi vazgeçilmezdir.

İnsan ve Makinenin Kesiştiği Yer

“Tıp, olasılık sanatıdır,” demişti William Osler. Şimdi bu sanat, matematikle birleşiyor.

Yapay zekâ, artık yalnızca bir araç değil — düşünce partneri. Hekim sezgisiyle algoritmik mantığın buluştuğu her tanıda, bilim ile insanlığın sınırı biraz daha inceliyor. Ve o ince çizgide, bir yaşam kurtuluyor.

...........................................

İşte modern tıbbın yeni yüzü: yapay zekâ, olasılıklar üzerinden hastalıkları analiz ediyor; her sorgudan sonra tanı olasılıklarını yeniden hesaplıyor.” Yapay Zeka ile hastalık olasılığını hesaplarken Bayes teoreminden yararlandım.

Peki Bayes teoremi ile tanı olasılığı nasıl hesaplanır? Yazının sonundaki Ek Not'a bakınız.

........................................

Ek Not: Tanısal İstatistik ve Bayes Teoremi Formülleri:

I. Temel Performans Metrikler

Bu metrikler, testin bir popülasyonda ne kadar doğru çalıştığını gösterir:

MetrikHesaplama Formülü

Duyarlılık (Sensitivity)

Duyarlılık} = Doğru Pozitif (DP) / (DP + Yalancı Negatif (YN) )

Özgüllük (Specificity)

Özgüllük = Doğru Negatif (DN) / (DN + Yalancı Pozitif (YP) )

II. Olabilirlik Oranları (Likelihood Ratios, LR)

Bu oranlar, test sonucunun tanı olasılığını ne kadar değiştirdiğini gösterir ve Bayes hesaplamasında kilit rol oynar:

MetrikHesaplama Formülü

Pozitif Olabilirlik Oranı (LR+)

LR+ = Duyarlılık / (1 - Özgüllük)

Negatif Olabilirlik Oranı (LR-)

LR- = (1 - Duyarlılık) / Özgüllük

III. Bayes Teoremi ve Olasılık Değişimi (Odds Formu)

Bayes Teoremi, olasılıkları oranlar (Odds) üzerinden hesaplayarak klinik uygulamayı kolaylaştırır. Olasılık P ve Oran O ilişkisi O = P /1-P şeklindedir.

1. Ön Test Olasılığını Orana Çevirme:

   Ön Test Oranı} =Ön Test Olasılığı /1 - Ön Test Olasılığı

2. Yeni Test Sonucunu Dahil Etme (Temel Bayes Kuralı):

   Son Test Oranı = Ön Test Oranı x LR

   • Test pozitif ise LR+ kullanılır.

   • Test negatif ise LR- kullanılır.

3. Son Test Oranını Olasılığa Çevirme (Son Test Olasılığı):

   Son Test Olasılığı = Son Test Oranı/ 1 + Son Test Oranı

Bu formüller, klinik risk tahmininden gelen Ön Test Olasılığı'nı, yeni bir test sonucuyla bilimsel olarak güncelleyerek Son Test Olasılığı'nı (yani hastanın gerçekte hasta olma olasılığını) hesaplamamızı sağlar.

https://www.youtube.com/watch?v=2zKrBZUcWQ4

https://www.youtube.com/watch?v=RYKNHd3SgU8

https://www.youtube.com/watch?v=oV5S_s6Mxz8