AI Destekli Tahmin Modelleri, Sağlık Hizmetlerini Büyük Bir Adımla İleri Taşıyacak

AI’nın hedefi, makinelerin öğrenme, akıl yürütme ve tahmin yapmayı içeren insan düşünce ve davranışlarını taklit etmesini sağlamaktır. Bu çabanın kalbinde, otomatik ve akıllı sistemler oluşturmanın temelini oluşturan AI tabanlı modelleme yer alır.

Bu modelleri oluşturmak için, finans, sağlık, tarım, siber güvenlik ve daha fazlası gibi çeşitli gerçek dünya sektörlerinde uygulanabilen akıllı sistemler yaratmak açısından kritik olan çeşitli teknikler kullanılır.

Bu modellerin geliştirilmesi genellikle sorunun niteliği ve çözüm gereksinimlerine göre tanımlayıcı, tanılayıcı, tahmin edici ve önerici olmak üzere farklı analiz türlerini kullanır.

Bugün odak noktamız, gelecekte neler olacağını tahmin etmek için verileri inceleyen tahmin edici analizdir. Büyük miktarda veri kullanarak model tanınabilir kalıpları yorumlar, bu da doğru tahminleri mümkün kılar ve bilinçli kararlar almamıza yardımcı olur.

Yapay zekaya yatırım hakkında her şeyi öğrenmek için buraya tıklayın.

AI’nın Eşsiz Eğilim Tanıma Yeteneği

AI, değişkenler kümesi içinde eğilimleri tanıma konusunda eşsiz bir yeteneğe sahiptir. Bunun nedeni, insanların aksine, teknolojinin büyük miktarda veriyi hızlıca işleyebilmesi, ardından kalıpları ve eğilimleri tanımlayarak bunların ne anlama geldiğini ortaya koyabilmesidir. 

Bir AI modeli, sağlanan verilere dayanarak çıktıyı tahmin eden görevini makine öğrenimi algoritmaları aracılığıyla yerine getirir.

Bir eğilimi analiz ederken, öğrenme ve uyum sağlama yetenekleri nedeniyle genellikle insan beyni fonksiyonundan esinlenen sinir ağları kullanılır. Eğilim analizinde kilit rol oynayan diğer makine öğrenimi algoritmaları arasında verileri ayrı sınıflara ayıran Destek Vektör Makineleri (SVM) ve güçlü tahmin modelleri için birden fazla karar ağacını birleştiren Rastgele Ormanlar bulunur. Bayes ağı ise bir değişken kümesi arasındaki istatistiksel bağımlılıkları temsil eden olasılıksal grafiksel modelleri kullanır.

Sağlıkta, bu makine öğrenimi algoritmalarını kullanarak AI destekli tahmin modelleri oluşturmak, daha iyi ve kişiye özel bakım ve tedavi planları sağlamayı mümkün kılar.

Bunun için AI, çeşitli sağlık verilerini süzerek hastalık ilerleyişindeki ortaya çıkan eğilimleri gösterir. Bu, sağlık profesyonellerinin sağlık sorunlarını önceden ele almasını ve tedavi stratejilerini uyarlamasını sağlayarak hasta bakımını yeniden şekillendirir.

Sağlıkta AI’nın Desen Algılama Yeteneğinin Potansiyeli

Şimdi, teknolojinin değişkenler kümesi içinde eğilimleri tanıma yeteneğinin gerçek kullanımına bir göz atalım.

Semptom Başlamadan Sepsisi Tespit Eden AI Gözetim Aracı

Son bir çalışmada, araştırmacılar yüksek riskli hastalarda sepsis enfeksiyonunu başarılı bir şekilde tahmin edebildiklerini ve yeni bir AI algoritması kullanarak hayatları kurtarabildiklerini buldular. 

Sepsis, dünya çapında ölüm ve hastalıkların başlıca nedenlerinden biridir. Bu durumda, vücudun bağışıklık sistemi bir enfeksiyona aşırı yanıt vererek kendi dokularına ve organlarına zarar verir.

ABD’de her yıl en az 1,7 milyon yetişkin sepsis geliştirir ve yaklaşık 350.000 kişi bu hayatı tehdit eden kan enfeksiyonundan ölür. Dünya genelinde ise tahmini olarak her yıl 48,9 milyon insan etkilenmekte ve bunların yaklaşık 11 milyonu hayatını kaybetmektedir.

Bununla birlikte, University of California San Diego Tıp Fakültesi’nden araştırmacılar, AI’yi kullanarak bu rakamları değiştirmeye kararlıdır.

Digital Medicine’in çevrimiçi baskısında yayınlanan çalışmaya göre, araştırmacılar COMPOSER adlı bir AI algoritması geliştirdiler. Bu algoritma, gerçek zamanlı verileri kullanarak hastanın klinik belirtiler ortaya çıkmadan önce durumu taşıyıp taşımadığını önceden bildirir ve “sahne arkasında sessiz ve güvenli bir şekilde” çalışır.

Model, her hastayı sepsis belirtileri açısından sürekli izler, diye belirtti çalışma ortak yazarı Gabriel Wardi, MD, UC San Diego (UCSD) Acil Tıp Bölümü Kritik Bakım Divizyonu başkanı.

Sepsisin erken tanınması kritiktir, çünkü müdahaleler hastalığın erken evrelerinde uygulandığında daha büyük fayda sağlar.

Model, bölgenin tek akademik sağlık sistemi olan UC San Diego Health’in acil servislerinde sepsis riski taşıyan hastaları belirlemek için kullanıldı ve mortaliteyi %17 azalttı.

Çalışma şekli şu şekildedir: bir hasta acil servise giriş yaptıktan sonra COMPOSER, sepsise bağlanabilecek 150’den fazla farklı hasta değişkenini izlemeye başlar. Bu değişkenler demografi, tıbbi geçmiş, hayati bulgular ve laboratuvar sonuçlarını içerir.

Eğer bir hastada birden fazla değişken bulunarak sepsis enfeksiyonu için yüksek risk tespit edilirse, algoritma hastanenin elektronik sağlık kaydı üzerinden hemşirelik ekibini bilgilendirir. Ekip daha sonra doktorla birlikte onay için gözden geçirir ve hastaya uygun tedavi planını belirler.

“Bu gelişmiş AI algoritmaları, insan gözüyle ilk başta belirgin olmayan kalıpları tespit edebilir.”

– Shamim Nemati, Ph.D., Çalışma ortak yazarı ve UC San Diego Tıp Fakültesi’nde öngörü analitiği direktörü ve biyomedikal bilişim doçenti

Ayrıca şunu ekledi:

“Sistem bu risk faktörlerine bakarak sepsisin son derece doğru bir tahminini ortaya koyabilir.”

Ulusal Sağlık Enstitüleri, Ulusal Tıp Kütüphanesi ve UC San Diego Health’teki Joan ve Irwin Jacobs Sağlık İnovasyonu Merkezi tarafından finanse edilen çalışma, AI algoritmasının hastanenin acil servislerinde uygulanmasından önce ve sonra 6.200’den fazla hasta kabulünü inceledi.

AI derin öğrenme modeli kullanan ve hasta sonuçlarında iyileşme bildiren ilk çalışmadır. Model, hastalardaki karmaşık ve çoklu risk faktörlerini doğru ve güvenli bir şekilde tanımlamak için yapay sinir ağları kullanır. Wardi şöyle dedi:

“Bu AI modeli sayesinde ekiplerimiz hastalar için hayat kurtarıcı tedaviyi daha hızlı sağlayabiliyor.”

COMPOSER, bir yıl önce, Aralık 2022’de ilk kez etkinleştirildi. Şu anda UC San Diego Health’in birçok hastane iç biriminde kullanılmakta ve gelecekte UC San Diego Health East Campus da bunu kullanmaya başlayacak.

Son zamanlarda, Sağlık Bakım Merkezi ilk baş sağlık AI sorumlusunu duyurdu. Ayrıca, bulut tabanlı elektronik sağlık kayıt sistemleri Epic ve ChatGPT’nin daha şefkatli mesaj yanıtları otomatik olarak tasarladığı bir pilot proje başlattı; böylece doktorlar ve bakım verenler hasta bakımına odaklanabilir.

“Elektronik sağlık kaydına AI teknolojisinin entegrasyonu, dijital sağlığın vaatlerini yerine getirmeye yardımcı oluyor.”

– Christopher Longhurst, çalışma ortak yazarı ve Jacobs Center for Health Innovation’ın yürütücü direktörü, UC San Diego Health’in baş tıp sorumlusu ve baş dijital sorumlusu

Hastalığı Doğru Bir Şekilde Tahmin Etmek İçin Genomik Verileri Analiz Eden Yazılım

Sağlık sektörüne yardımcı olan AI destekli tahmin modellerinin bir başka örneği, geçen hafta yayınlanan bir çalışmasında görülebilir. Rutgers Health’te geliştirilen, ilk kez ortaya çıkan IntelliGenes adlı yazılım, AI ve makine öğrenimini birleştirerek bireylerde hastalıkları tahmin etmeye yardımcı olur. Model, genomik verileri inceleyerek sağlıkla ilgili biyobelirteçleri bulur ve kişiselleştirilmiş hasta tahminleri ile bunların görsel temsillerini üretir.

Çoklu genomik veriler, bir hastanın temel genetik yapısı hakkında bilgi verir ve hastalık riskine dayalı yeni biyobelirteçleri ortaya çıkarma potansiyeline sahiptir. Çalışma şu notu ekledi:

“Birden fazla AI algoritmasının sinerjik kullanımı, tek bir AI algoritmasına kıyasla daha doğru sonuçlar verir, içgörülü sonuçlar çıkarır ve gerçek dünya problemleri hakkında kesin tahminler sağlar”

Ayrıca, Destek Vektör Makinesi (SVM) ve Rastgele Orman (RF)’ın yüksek hassasiyetle tahmin yapmak ve regresyon ile sınıflandırma problemlerini çözmek için en başarılı makine öğrenimi algoritmaları olduğu bulundu.

Şu anda, özellikle alanda uzman olmayan bireyler için tam insan genomunu inceleyip yorumlayabilecek AI araçları bulunmamaktadır. Bu nedenle, araştırmacılar IntelliGenes’i geliştirdiler; bu araç, bioinformatik teknikleri hakkında çok fazla bilgiye sahip olmayan ya da yüksek performanslı bilgisayarlara erişimi olmayan herkes tarafından kullanılabilir.

Makine öğrenimi algoritmalarının bir kombinasyonunu kullanarak, Rutgers Health araştırmacıları klasik istatistikler ve geleneksel bioinformatik teknikler tarafından genellikle tespit edilmeyen bilgileri ortaya çıkarmayı amaçlamaktadır.

Araştırmacılar daha sonra IntelliGenes’i başka bir çalışmasında yeni biyobelirteçler keşfetmek ve kardiyovasküler hastalıkları (CVD’ler) yüksek doğrulukla tahmin etmek için kullandılar.

Çalışmaya göre, AI ve ML metodolojilerinin doğru kullanımı, kardiyovasküler hastalıklar hakkında yeni içgörüler ve anlayışlar sağlayabilir. Bu da daha iyi kişiselleştirilmiş tedavileri mümkün kılar.

Çalışma, gen ifade verilerinin yoğun bir ön işleme süreciyle başladı ve ardından transkriptomik (tam RNA setinin incelenmesi) ifadelerindeki farkları ve CVD hastalarının klinik özellikleri ile sağlıklı bireylerin arasındaki farkı değerlendirmek için üç istatistiksel test kullandı.

Araştırmasında ekip, CVD popülasyonunda yüksek öneme sahip 18 transkriptomik biyobelirteç keşfetti. Bu biyobelirteçler, hastalığı %96’ya varan doğrulukla tahmin etmek için kullanıldı. Bu sonuçlar ayrıca kohorttaki hastalardan toplanan klinik kayıtlarla çapraz doğrulandı.

“Veri setlerinin birleşiminde ve yapay zeka ile makine öğrenimindeki çarpıcı gelişmelerde büyük bir potansiyel vardır.”

– Zeeshan Ahmed, çalışmanın baş yazarı. Ahmed, Rutgers Institute for Health, Health Care Policy and Aging Research (IFH) fakültesi üyesi ve Robert Wood Johnson Medical School’da tıp asistan öğretim üyesidir

Kendisine göre, model yalnızca bireylerde hem yaygın hem de nadir hastalıkların kişiselleştirilmiş erken tespitini desteklemekle kalmaz, aynı zamanda nihayetinde yeni müdahaleler ve tedavilere yol açacak daha geniş araştırmaların kapılarını da açar.

AI Henüz Mükemmel Bir Çözüm Değil!

Gördüğümüz gibi, AI destekli modeller sağlık alanında önemli avantajlara sahiptir. Hastalıkları çok önceden yüksek doğrulukla tespit etme ve birçok hayatı koruma yeteneğine sahiptir. Ancak, en nihai çözüm değildir, en azından henüz değildir. Bu, bu ayın başında yayınlanan ve AI gerçek dünyada uygulandığında hataların ortaya çıktığını gösteren bir çalışmada görülebilir.

Bu ayın başında Modern Pathology dergisinde yayınlanan bu çalışma, dokudaki kontaminasyonun AI öğrenme modellerini nasıl etkilediğini inceleyen ilk çalışmadır.

Bu çalışmada, araştırmacılar plasenta dokusunun mikroskop slaytlarını analiz etmek için üç AI modeli eğitti; görevler arasında kan damarı hasarını tespit etmek, gebelik yaşını tahmin etmek ve makroskobik lezyonları sınıflandırmak bulunuyordu. Ayrıca, dördüncü bir model iğne biyopsilerinden alınan doku örneklerinde prostat kanserini tespit etmek için eğitildi.

Dayanıklılıklarını test etmek için araştırmacılar her modeli, diğer slaytlardan rastgele örneklenen kan ve mesane dokusu gibi küçük kontaminant doku parçalarına maruz bıraktı. Bu adım, kontaminantların sıkça bulunduğu gerçek dünya koşullarını taklit etmeyi amaçladı.

AI modellerinin performansı değerlendirildiğinde, dört modelin de odaklarını ana görevlerinden ziyade doku kontaminantlarına kaydırdığı ortaya çıktı. Bu dikkat dağınıklığı, gebelik yaşını belirlemede, prostat kanseri teşhisinde, lezyonları tanımlamada ve kan damarı hasarını değerlendirmede hatalara yol açtı. Bunun nedeni, AI’ların temiz simüle ortamların aksine, gerçek dünyada eğitim almadıkları çeşitli materyallerle karşılaşmasıdır.

“Bulgularımız, laboratuvarda inanılmaz derecede iyi çalışan AI’nın gerçek dünyada başarısız olabileceğini hatırlatmaktadır. Hastalar, biyopsi ve diğer doku örneklerinde yapılan tanıların nihai kararının hâlâ bir insan uzmanı olmasını beklemeye devam etmelidir. Patologlar korkuyor — ve AI şirketleri umuyor — ki bilgisayarlar işimizi ellerine alacak. Henüz değil.”

– Ortak yazar Dr. Jeffery Goldstein

Bu sadece AI için değil, aynı zamanda aynı şeyi tespit etmek için kapsamlı eğitim alan patologlar için de doku kontaminasyonu oldukça yaygın bir sorundur. Ancak çalışma, doktorların ve patolog olmayan araştırmacıların bu duruma şaşırdıklarını da gösteriyor. Bir gün içinde patologun taradığı 80-100 slayttan 2-3’ünün kontaminant içerdiği ve bunların göz ardı edilmek üzere eğitildikleri belirtilmiştir.

Çalışmaya göre, AI modelleri de insanın slaytlardaki dokuları incelemesine benzer bir şekilde çalışır. İnsanlar slaytlardaki dokuları incelerken mikroskopta sınırlı bir alana bakabilir, ardından yeni bir alana geçerek elde ettikleri tüm bilgileri birleştirip tanı koyarlar.

Ancak, AI kontaminantlar tarafından kolayca yanıltıldı; neye dikkat edeceğine ve neye etmeyeceğine karar vermek zorunda kaldı. “Bu sıfır toplamlı bir durum,” dedi Goldstein, araştırma yoğunluklu Northwestern Üniversitesi Feinberg Tıp Fakültesi’nde perinatal patoloji direktörü ve perinatal patoloji ve otopsi yardımcı doçenti.

“Eğer doku kontaminantlarına dikkat ediyorsa, incelenen hastanın dokusuna daha az dikkat ediyor demektir.”

Çalışma yazarlarına göre, uygulayıcılar AI modellerinin biyolojik safsızlıkları kodlayamama sorununu nicelendirip iyileştirmeye çalışmalıdır.

Bununla birlikte, sonuçlar Goldstein’i “AI’nın plasentayı değerlendirmesinin mümkün olduğuna” ikna etti; AI’nın başarısızlığını bir “hız engeli” olarak nitelendirdi. Bu sadece, “Patolojide makine öğreniminin kullanımını daha iyi entegre etme yolunda ilerliyoruz” anlamına geliyor, diye ekledi.

AI Destekli Tahmin Modellerinden Yararlanabilecek Şirketler

AI modellerinin büyük vaatler gösterdiği göz önüne alındığında, şimdi hangi şirketlerin bundan en çok fayda sağlayacağını görelim:

1. Google DeepMind

Google’ın bir yan kuruluşu olan bu şirket, “bilimi ilerletmek ve insanlığa fayda sağlamak” amacıyla zekâ sorununu çözmeyi hedeflemektedir. 

En son olarak, Google DeepMind araştırmacıları, doktorlara yardımcı olabilecek Articulate Medical Intelligence Explorer (AMIE) adlı bir AI asistanı geliştirdiklerini açıkladı. Organizasyondan bir diğer çalışma ise LLM’lerde ödül manipülasyonunu ele almak için WARM’ı önerdi.

Hisseleri $152.59 seviyesinde işlem görmekte, yılbaşından bu yana %8.94 artış göstermekte ve yazı itibarıyla Google (GOOGL) $1.9 trilyon piyasa değerine sahiptir. Şirket, $297 milyar gelir (TTM) elde ederken EPS (TTM) 5.21 ve P/E (TTM) 29.19 olarak raporlamıştır.

2. Siemens Healthineers

Önde gelen sağlık şirketi, sağlık sektörünü dönüştürmek için AI’ye yatırım yapmaktadır. Siemens Healthineers (SHL.SW ) (SHL.DE ), Kasım 2023 itibarıyla 84 AI destekli ürün geliştirmiş ve teknolojiyle ilgili 800’den fazla patente sahiptir.

Ana şirketi Siemens’ten ayrılan sağlık çözümleri sağlayıcısının piyasa değeri $63 milyar olup hisseleri $51.68 seviyesinde işlem görmektedir. Siemens Healthineers’in EPS (TTM) 1.35 ve P/E (TTM) 38.28’dir.

Son Düşünce

Gördüğümüz gibi, AI eğilim analizinde büyük vaatler taşıyor ve teknoloji ilerledikçe, sektörler arasında daha doğru ve uygulanabilir içgörüler ve yenilikler göreceğiz. Sağlıkta, AI destekli tahmin modelleri verileri, içgörüleri ve müdahaleleri birleştirerek sağlık hizmetlerini kişiselleştirir ve sonuçları optimize eder. 

AI ve sinirbilim arasındaki artan sinerjiyi öğrenmek için buraya tıklayın.