GİRİŞ

Yapay zekâ, bilgisayar biliminin, insan zekâsı gerektiren görevleri yerine getirebilen sistemler geliştirmeye odaklanan bir dalıdır (1). Yapay zekânın temel amacı, makinelerin çevrelerini algılayabilmesi, edindikleri bilgileri kullanarak yeni durumlara uyum sağlayabilmesi ve insan benzeri düşünme, akıl yürütme, öğrenme ve karar verme süreçlerini taklit edebilmesidir. Bu bağlamda yapay zekâ; sağlık, finans, eğitim, üretim ve ulaşım gibi birçok farklı alanda sorunların çözümünde, süreçlerin otomasyonunda ve verimliliğin artırılmasında kullanılmaktadır. 

MAKİNE ÖĞRENMESİ PARADİGMALARI VE MODEL MİMARİLERİ

Makine öğrenmesi (machine learning), yapay zekânın bir alt disiplini olup büyük miktarda veriyi işleyerek açıkça programlanmadan öğrenebilen; doğal dili anlama, örüntü tanıma, problem çözme, tahminde bulunma ve karar verme gibi işlevleri yerine getiren istatistiksel algoritmaların geliştirilmesi ve incelenmesiyle ilgilenir (2). 

Makine Öğrenmesi Paradigmaları

Makine öğrenmesi, hedeflenen sonuca göre gözetimli öğrenme, gözetimsiz öğrenme ve pekiştirmeli öğrenme şeklinde temel öğrenme paradigmalarına ayrılmaktadır. Gözetimli öğrenmede model, önceden etiketlenmiş veriler üzerinden eğitilir; veri ve etiketler modele birlikte sunulur ve model bu ilişkiyi öğrenerek yeni veriler üzerinde doğru tahminler yapmaya çalışır. Örneğin, bir gözetimli öğrenme paradigması, binlerce etiketli akciğer görüntüsüyle eğitilerek yeni bir görüntüde hastalık varlığını sınıflandırabilir. 

Gözetimli öğrenmeden farklı olarak gözetimsiz öğrenme, etiketli verilerin bulunmadığı durumlarda kullanılır. Bu yaklaşımın amacı, verilerdeki gizli yapıları, grupları veya örüntüleri ortaya çıkarmaktır. Kümeleme ve boyut indirgeme bu yöntemin tipik örnekleri arasında yer almaktadır. Örneğin, gözetimsiz bir paradigma hastalık belirtilerine göre benzer hasta gruplarını belirleyebilir. 

Pekiştirmeli öğrenme ise önceki iki paradigmadan farklı bir yaklaşım izler. Bu yöntemde bir ajan, bir ortamda eylemler gerçekleştirir ve aldığı ödül veya ceza sinyalleri aracılığıyla zamanla en uygun stratejiyi öğrenir. Satranç oynayan yapay zekâ sistemleri veya otonom araçların sürüş davranışlarını geliştiren uygulamalar bu öğrenme tipine örnek olarak gösterilebilir (3). 

Bu ana sınıflara ek olarak yarı gözetimli öğrenme, sınırlı miktarda etiketli veri bulunduğu ve geri kalan büyük veri kümesinin etiketsiz olduğu durumlarda kullanılır. Model, az sayıdaki etiketli örnekten edindiği bilgiyi etiketsiz verilerle birleştirerek genelleme yeteneğini artırır. Bu yöntem, etiketleme maliyetinin yüksek veya zor olduğu tıp, biyoloji ve doğal dil işleme gibi alanlarda özellikle öne çıkmaktadır (4). 

Öz-denetimli öğrenme (self-supervised learning) ise son yıllarda önem kazanan bir diğer yaklaşımdır. Bu yöntem verinin kendi içindeki yapıları kullanarak yapay etiketler üretir ve modelin bu görevler üzerinden eğitilmesini sağlar. Böylece model, büyük miktarda etiketsiz veriden güçlü temsiller öğrenebilir ve daha sonra sınırlı etiketli veriyle farklı görevlerde yüksek başarı gösterebilir (5). Bir görselde gizlenmiş bir bölümün tahmin edilmesi veya bir cümlede eksik kelimenin doldurulması bu yaklaşımın tipik örnekleri arasında yer almaktadır. 

Model Mimarileri

Makine öğrenmesinde kullanılan paradigmaların yanı sıra, belirli görevlerde yüksek başarı gösteren çeşitli model mimarileri de geliştirilmiştir. Bu yapılardan biri evrişimli sinir ağlarıdır (convolutional neural networks, CNNs) ve özellikle görüntü işleme alanında öne çıkmaktadır. Evrişimli sinir ağları, çok katmanlı evrişim ve ortaklama (pooling) katmanları aracılığıyla görsel verilerdeki yerel örüntüleri ve hiyerarşik özellikleri öğrenebilir (6). 

Tekrarlayan yapay sinir ağları (recurrent neural networks, RNNs) ise sıralı verilerin analizi için tasarlanmış olup geçmiş bilginin bellekte tutulmasını sağlayarak zaman serileri, konuşma tanıma ve doğal dil işleme gibi ardışık verilerle ilgili görevlerde kullanılmaktadır (7). Ancak uzun vadeli bağımlılıkların öğrenilmesinde karşılaşılan zorluklar nedeniyle bu mimariler, yerini giderek “transformer” tabanlı modellere bırakmıştır. 

“Transformer” mimarisi, dikkat (attention) mekanizmasını kullanarak verilerdeki uzun vadeli bağımlılıkları verimli biçimde modelleyebilir. Bu yaklaşım, doğal dil işleme başta olmak üzere görüntü analizi ve çok modlu öğrenme alanlarında günümüzde en yaygın kullanılan yöntemlerden biri hâline gelmiştir (8). ChatGPT-4 gibi büyük dil modelleri (large language models, LLMs) de “transformer” mimarisi üzerine inşa edilmiş, çok büyük ölçekli modellerdir. 

Çekişmeli üretici ağlar (generative adversarial networks, GANs) ise bir üretici (generator) ve bir ayırt edici (discriminator) ağdan oluşan çift yapılı bir mimari kullanır. Bu iki ağın karşılıklı etkileşimi yoluyla gerçek verilere oldukça yakın sentetik veriler üretilebilmektedir (9). Çekişmeli üretici ağlar, görüntü sentezi, yapay veri üretimi ve yaratıcı uygulamalar gibi alanlarda etkili sonuçlar ortaya koymuştu. Bu farklı mimariler, yapay zekânın çeşitli problem türlerine uyarlanabilmesi için zengin ve esnek araçlar sunmaktadır.

Sağlık Bakımında Dönüşüm ve Veri Yönetimi

Sağlık sistemleri; hasta ve hasta yakınlarından sağlık yöneticileri ve çalışanlarına, özel sektör ve teknoloji sağlayıcılarından akademik kurumlara ve araştırmacılara kadar tüm paydaşlar açısından karmaşık ve zorlu yapılardır. Yapay zekâ, son yıllarda birçok alanda olduğu gibi sağlık alanında da dönüşüm yaratmış, hasta bakımını ve yaşam kalitesini iyileştirme potansiyelini ortaya koymuştur. Yapay zekânın sağlık sistemlerine entegrasyonu ile tanı, tedavi ve laboratuvar uygulamalarında iyileşme sağlanması, büyük verinin tahmin modellerinde kullanılması, maliyetlerin azaltılması, zaman tasarrufu ve insan kaynaklı hataların en aza indirilmesi gibi önemli avantajlar elde edilmektedir (10). 

Sağlık sistemlerinde büyük verinin yönetimi, sunduğu fırsatların yanı sıra beraberinde getirdiği zorluklar nedeniyle kritik bir öneme sahiptir. Veri çeşitliliği ve mahremiyeti ile verinin toplanması, saklanması, işlenmesi ve yorumlanması süreçlerinin her biri ciddi teknik ve organizasyonel güçlükler içermektedir (11). Elektronik sağlık kayıtları, laboratuvar sonuçları ve klinik notlar gibi yapılandırılmış veya yapılandırılmamış klinik veriler; histopatoloji slaytları, immünofloresans boyamalar, tek hücre transkriptomik veya coğrafi transkriptomik veriler gibi patoloji verileri; moleküler veriler; X-ışını, bilgisayarlı tomografi, manyetik rezonans veya ultrasonografi gibi görüntüleme yöntemlerine ait veriler; giyilebilir sensör verileri; elektrokardiyografi, elektroensefalografi ve mekanik ventilatör verileri ile matriks ile desteklenmiş lazer desorpsiyon/iyonizasyon uçuş zamanı kütle spektrometresi (MALDI-TOF-MS) çıktıları dâhil olmak üzere çok sayıda veri türü sağlık verisi kapsamında değerlendirilerek vektörize edilebilmekte ve yapay zekâ araçlarıyla birleştirilerek analiz edilebilmektedir (12). 

Çok boyutlu ve çok modlu veri füzyonu olarak tanımlanan yaklaşım, veri bilimi çalışmalarında önemli bir yer bulmuş; infeksiyon hastalıkları ve klinik mikrobiyoloji alanlarında da kullanılmaya başlanmıştır (13). Kişiselleştirilmiş tedavilerden yeni nesil tıbbi uygulamalara kadar pek çok alanda yenilikçi çözümler sunarak sağlık hizmetlerinin kalitesini artıran ve mali avantajlar sağlayan bu yaklaşım, modern sağlık hizmetlerinde dönüştürücü bir potansiyele sahiptir. 

Bu derlemede; infeksiyon hastalıklarının tanı ve tedavisinde, infeksiyon kontrolü ve antimikrobiyal yönetişim (AMY) alanlarında güncel yapay zekâ uygulamalarının özetlenmesi ve karşılaşılabilecek olası zorlukların ve geleceğe yönelik perspektifin sunulması amaçlanmaktadır.

İNFEKSİYON HASTALIKLARININ TANISINDA YAPAY ZEKÂ

Tarih boyunca insanlık için en büyük tehditlerden biri olan infeksiyon hastalıkları, milyonlarca insanın yaşamını yitirmesine yol açmış ve toplumların yapısını derinden etkilemiştir. Bu hastalıklarla mücadelede dönüm noktalarından biri, 17. yüzyılda Antonie van Leeuwenhoek’un geliştirdiği mikroskopla mikroorganizmaların varlığını ilk kez gözlemlemesi olmuştur. Robert Hooke’un Micrographia adlı eserinde mikro dünyaya dair yaptığı çizimler, infeksiyon etkenlerinin keşfi ve anlaşılması yolunda çığır açmıştır. On dokuzuncu yüzyılda Louis Pasteur ve Robert Koch’un öncülüğünde mikrobiyoloji biliminin gelişmesiyle, patojenlerin izolasyonu, tanımlanması ve salgınların nedenlerinin anlaşılması mümkün hâle gelmiştir (14). Yirminci yüzyılda aşıların yaygınlaştırılması, antibiyotiklerin keşfi ve hijyen uygulamalarının geliştirilmesi sayesinde infeksiyon hastalıklarıyla mücadelede önemli başarılar elde edilmiştir. Buna karşın günümüzde artan antibiyotik direnci, küreselleşme ile hızla yayılan zoonotik patojenler ve bağışıklık sistemi baskılanmış bireylerin sayısındaki artış gibi etkenler nedeniyle infeksiyon hastalıklarının tanısı ve kontrolü hâlen büyük önem taşımaktadır.

Geleneksel tanı yöntemleri (kültür, mikroskopi ve seroloji) infeksiyon etkenlerinin tespitinde temel ve değerli yaklaşımlar olmakla birlikte, zaman alıcı olmaları, duyarlılıklarının sınırlı olması ve uygulanmalarının büyük ölçüde uzman deneyimine ve yetkinliğine bağlı olması önemli kısıtlılıklar arasında yer almaktadır. Son yıllarda yapay zekâ teknolojileri, büyük hacimli sağlık verilerini işleyerek daha hızlı, duyarlı ve doğru tanı koyma potansiyeli nedeniyle dikkat çekmektedir. Bu bölümde, yapay zekânın infeksiyon hastalıkları tanısındaki rolü; radyolojik analiz, moleküler ve mikrobiyolojik testler, konak yanıtına dayalı sınıflayıcılar ve alternatif yaklaşımlar başlıkları altında ele alınacak, güncel literatür eşliğinde durum değerlendirmesi yapılacaktır.

Radyolojik Görüntü Analizi ile Tanı

Radyoloji, yapay zekânın infeksiyon hastalıkları tanısına önemli katkılar sunduğu öncü alanlardan biridir. Derin öğrenme tabanlı görüntü analiz algoritmaları, özellikle akciğer infeksiyonlarında, radyologların iş yükünü azaltabilecek ve tanı doğruluğunu artırabilecek şekilde geliştirilmiştir. Örneğin, akciğer grafilerinde tüberküloz odaklarının saptanmasında yapay zekâ destekli tarama sistemlerinin uzman radyologlarla karşılaştırılabilir performans düzeylerine ulaştığı bildirilmiştir (15). Bu ilerleme sayesinde Dünya Sağlık Örgütü (DSÖ) tarafından 2021 yılında tüberküloz taramasında dijital akciğer grafilerinin otomatik değerlendirilmesinde yapay zekâ destekli yazılımların kullanılması önerilmiş ve hekimler yerine bilgisayar destekli tanı (computer-aided diagnosis, CAD) yazılımlarının erişkin taramalarında yer alabileceğini belirtilmiştir (16). Akciğer grafilerindeki anormallikleri yüksek duyarlılık oranlarıyla tespit edebilen bilgisayar destekli tanı sistemleri, sınırlı kaynağa sahip bölgelerde semptom taramasına ek olarak pratik bir triyaj aracı olarak da kullanılmaktadır. 

Derin öğrenme algoritmaları, tüberküloz dışındaki diğer akciğer infeksiyonlarının tanısında da umut verici sonuçlar ortaya koymaktadır. Koronavirus hastalığı 2019 (COVID-19) pandemisi sürecinde çok sayıda çalışma, akciğer bilgisayarlı tomografisi ve akciğer grafilerinde yapay zekâ kullanılarak viral pnömoninin tespit edilmesine odaklanmıştır. Bazı platformların COVID-19 pnömonisini yüksek doğruluk oranlarıyla tanımlayabildikleri bildirilmiştir. Örneğin, 2020 yılında gerçekleştirilen bir çalışmada geliştirilen derin öğrenme modelinin, açık veri setleri üzerinden eğitilerek COVID-19 ilişkili viral pnömoniyi başarılı bir şekilde tanımlayabildiği bildirilmiştir (17). Bununla birlikte, bu tür algoritmaların gerçek yaşam koşullarında rutin klinik kullanıma girebilmesi için farklı popülasyonları ve görüntüleme cihazlarını kapsayan geniş ölçekli validasyon çalışmalarına gereksinim bulunmaktadır. 

Moleküler Tanı ve Mikrobiyoloji Uygulamaları

Mikrobiyoloji laboratuvarlarında yapay zekâ hem doğrudan patojen tespitinde hem de antibiyotik duyarlılık testlerinin hızlandırılmasında kullanılmaktadır. Büyük ve karmaşık verileri (MALDI-TOF-MS çıktıları, genom dizileri, mikroskopi görüntüleri, vb.) analiz etme yeteneği sayesinde yapay zekâ, geleneksel yöntemlerin sınırlarını genişletmektedir. Örneğin, MALDI-TOF-MS verilerinin makine öğrenmesi ile işlenmesi, tür ve alt tür düzeyinde ayırt edici tanı koymayı mümkün kılmıştır. Yapılan bir çalışmada MALDI-TOF-MS verilerinin yapay zekâ ile analizi sonucunda Staphylococcus aureus’un iki alt tipinin %100 doğrulukla sınıflandırılabildiği bildirilmiştir (18). Benzer şekilde, açık kaynaklı bir yazılım olan Findaureus, immünofloresans boyalı doku kesitlerinde bakteri odaklarını otomatik olarak tespit ederek geleneksel manuel eşikleme süreçlerini ortadan kaldırmıştır (19). Bu tür yenilikler, karmaşık örneklerde patojen aranmasını kolaylaştırarak tanı süreçlerini hızlandırmaktadır. 

Mikrobiyolojide yapay zekâ desteği, kültür tabanlı yöntemlerle günler sürebilen antimikrobiyal duyarlılık testlerinin süresinin kısaltılmasına da katkı sağlamaktadır. Örneğin, görüntü analiz yazılımları otomatik ekim ve koloni tanıma sistemleriyle bütünleşerek idrar yolu infeksiyonu etkenlerinin ve direnç profillerinin saatler içinde belirlenmesini mümkün kılmaktadır (20). Bir diğer örnek olarak, dijital görüntüleme kullanılarak Grup B streptokok tespitine yönelik geliştirilen bir sistemin, duyarlılık açısından moleküler yöntemlere benzer performans sergilediği ve laboratuvar verimliliğini artırdığı bildirilmiştir (21). Ayrıca DNA mikroarray tabanlı bir makine öğrenmesi platformunun, solunum yolu infeksiyonlarıyla ilişkili 11 farklı bakteriyi yaklaşık 4 saat içinde >%95 doğrulukla saptayabildiği gösterilmiştir (22). Mikroskobik incelemelerde de yapay zekâ hız ve duyarlılığın artırılmasına katkı sağlamaktadır. Özellikle tüberküloz gibi tanısı zor hastalıklarda, balgam yaymalarının otomatik taranmasına yönelik geliştirilen derin öğrenme tabanlı sistemler klinik uygulamaya girmeye başlamıştır. Örneğin, floresan boyalı preparatların otomatik mikroskobik tarayıcılarla incelenip bir derin sinir ağı tarafından yorumlaması sayesinde bir preparatın değerlendirme süresi birkaç dakikadan yaklaşık 10 saniyeye kadar düşürülebilmiştir (23). Böylece yapay zekâ destekli sistemler, infeksiyon etkenlerinin daha çabuk tanınmasına ve erken tedaviye olanak sağlamaktadır.

Konak Yanıt Profilleri ve mRNA Sınıflayıcılar

Patojenin saptanmasının yanı sıra, konak bağışıklık yanıtının ölçülebilir profilleri yoluyla infeksiyon varlığını ve tipini belirlemek de son yıllarda dikkat çekici bir alan hâline gelmiştir. İnfeksiyon varlığında insan vücudu tarafından üretilen haberci (messenger) RNA (mRNA), mikroRNA ve çeşitli protein biyobelirteçlerinin karmaşık örüntüleri, yapay zekâ algoritmalarıyla analiz edilerek tanı için anlamlı bilgiler elde edilebilmektedir. Bu yaklaşım klinik pratikte kritik bir sorun olan viral ve bakteriyel infeksiyonların ayırt edilmesi amacıyla geliştirilen gen ekspresyon temelli analizleri öne çıkarmaktadır. 

2020 yılında yayımlanan kapsamlı bir çalışmada, akut infeksiyon hastalığı şüphesi olan hastalarda, kandan ölçülen 29 mRNA düzeyinin analiz edilmesiyle viral ve bakteriyel infeksiyonları ayırt edebilen bir sinir ağı modeli ortaya konmuştur; 18 farklı kohorttan 1069 hastanın verisiyle eğitilen bu modelin, yeni verilerle de genellenebilir bir performans sergilediği ve her iki infeksiyon türünü yüksek doğrulukla tespit edebildiği bildirilmiştir. Söz konusu modelin, klinisyene infeksiyon etiyolojisine ilişkin hızlı bir öngörü sunarak gereksiz antibiyotik kullanımının azaltılmasına katkı sağlayabileceği değerlendirilmektedir (24). 

Aynı araştırma ekibi tarafından geliştirilen mRNA paneli, COVID-19 pandemisi sırasında da uygulanmış; acil servise başvuran hastalarda bakteriyel ve viral infeksiyon ayrımında eğrinin altında kalan alanın (area under the receiver operating characteristic curve, AUROC) 0.94 gibi çok yüksek bir değere ulaştığı bildirilmiştir. Bu performansın, geleneksel biyobelirteçler olan prokalsitonin ve C-reaktif proteine kıyasla belirgin biçimde daha üstün olduğu gösterilmiştir (sırasıyla AUROC ≈ 0.88 ve 0.80). Söz konusu test prototipi, infeksiyon hastalıklarından şüphelenilen hastalarda bakteriyel infeksiyonu dışlama veya doğrulama amacıyla eşik değerler de tanımlayarak klinik kararlara doğrudan katkı sunacak şekilde tasarlanmıştır. Örneğin, “yüksek olasılıkla bakteriyel” çıkan sonuç grubunda %98 özgüllükle pozitif öngörü değeri elde edilirken, “düşük olasılıkla bakteriyel” grubunda %95 duyarlılıkla güvenli bir dışlama yapılabildiği bildirilmiştir. 2020 yılında geliştirilen bu model, yeni hasta verileri ile güçlendirilerek 2025 yılında bir pilot çalışma ile son ürün hâline getirilmiştir (25).

Konak yanıtı profillerine dayalı yapay zekâ uygulamalarının en somut çıktılarından biri, sepsis gibi yaşamı tehdit eden infeksiyon sendromlarının erken tespitidir. Yapay zekâ destekli risk skorlama sistemleri, çok sayıda klinik veriyi entegre ederek hekime hastada sepsis gelişme olasılığına ilişkin nicel bir risk skoru sunabilmektedir. Örneğin, 2024 yılında Amerika Birleşik Devletleri Gıda ve İlaç Dairesi (United States Food and Drug Administration, FDA) onayı alan Sepsis ImmunoScore, acil servise veya hastaneye kabul edilen hastalarda 24 saat içinde sepsis gelişme riskini öngörmek için tasarlanmış ilk yapay zekâ tabanlı tanısal yazılımdır. Bu sistem, elektronik sağlık kayıtlarından elde edilen vital bulgular, laboratuvar sonuçları ve biyobelirteçler dahil olmak üzere 22 farklı parametreyi analiz ederek bir risk skoru hesaplamakta ve hastaları dört farklı risk kategorisinden birine atamaktadır. Sepsis ImmunoScore’un, klinisyenlere hastanın biyolojik durumuna ilişkin kapsamlı bir bakış sunarak sepsisin erken tanınmasını ve uygun tedavinin zamanında planlanmasını kolaylaştırmayı amaçladığı bildirilmiştir (26). Amerika Birleşik Devletleri Gıda ve İlaç Dairesi onayının alınmış olması, bu yaklaşımın klinik doğrulamasının yapıldığını ve güvenli şekilde kullanılabileceğini göstermesi bakımından önemlidir. 

Benzer şekilde, son yıllarda gerçekleştirilen çok merkezli, retrospektif ve prospektif olarak hasta örnekleri üzerinde yapılan testlere dayanarak SeptiCyte RAPID’in klinik validasyonun yapıldığı çalışmada, makine öğrenmesi ile desteklenen bir immün yanıt skoru sayesinde acil servisteki hastalarda sepsisin hızlı ve erken tanısında ve ölüm riskinin öngörülmesinde anlamlı iyileşme sağlandığı gösterilmiştir (27). 

İNFEKSİYON HASTALIKLARININ TEDAVİSİNDE YAPAY ZEKÂ

Yapay zekâ tabanlı destek sistemleri, infeksiyon hastalıklarının tedavisinde; kişiselleştirilmiş tedavi ve yeni tedavi stratejilerinin geliştirilmesinde, tahmine dayalı modellemelerde, klinik karar destek sistemleri ile tedavi optimizasyonunda, hasta eğitimi ve ilaç uyumunun artırılmasında, veri analizi ve görselleştirme ile ilaç keşfi gibi alanlarda kullanılmaktadır. 

Kişiselleştirilmiş Tedavi

Yapay zekâ, hastaların bireysel özelliklerini ve hastanın infeksiyon hastalıklarıyla ilişkili verilerini analiz ederek kişiselleştirilmiş tedavi planlarının oluşturulmasına katkı sağlayabilmektedir. Bu yaklaşım sayesinde tedavi etkinliğinin artırılması ve yan etkilerin azaltılması mümkün olabilmektedir (28–35).

Yeni Tedavi Stratejileri

Yapay zekâ, antimikrobiyallere dirençli infeksiyonlarla mücadelede yeni tedavi kombinasyonlarının veya alternatif tedavi yaklaşımlarının geliştirilmesine katkı sunabilmektedir (28,31–33,35).

Tahmine Dayalı Modelleme

Yapay zekâ temelli modeller, antibiyotik direncinin yayılımını öngörerek gelecekteki direnç eğilimlerine karşı proaktif önlemler alınmasına yardımcı olabilir (28,36). 

Klinik Karar Destek Sistemleri ile Tedavi Optimizasyonu

Klinik karar destek sistemleri klinisyenlere tanı, tedavi ve hasta yönetimi süreçlerinde yardımcı olan yazılım tabanlı araçlardır. Bu sistemler; hasta verilerini, yerel antibiyotik direnç profillerini ve güncel klinik kılavuzları entegre ederek klinisyenlere gerçek zamanlı tedavi önerileri sunabilmektedir. Ayrıca hastaların tedaviye verdikleri yanıtı izleyerek tedavi planlarının dinamik olarak optimize edilmesine ve potansiyel komplikasyonların önlenmesine katkıda bulunabilmektedir. Söz konusu sistemler, uygun olmayan antibiyotik reçetelerini saptayarak klinisyenleri uyarması ve geniş spektrumlu antibiyotikler yerine daha uygun dar spektrumlu ajanların tercih edilmesini teşvik etmesi açısından da önem taşımaktadır (28,29,31–35,37).

Hasta Eğitimi ve İlaç Uyumu

Yapay zekâ tabanlı sohbet robotları (chatbots), doğal dil işleme ve makine öğrenme algoritmalarını kullanarak kullanıcılarla etkileşim kurabilen sistemlerdir. Bu araçlar, antibiyotiklerin doğru kullanımı, direnç riskleri ve infeksiyon kontrol önlemleri hakkında bilgilendirme yapmaktadır. Ayrıca ilaç alımını hatırlatan uyarılar göndererek ve tedavi sürecinde destek sunarak ilaç uyumunu artırmanın yanı sıra antibiyotik kullanımında görülebilen yan etkilerle ilgili duygusal destek de verebilmektedirler. Bu süreçte sohbet robotlarının 7/24 ulaşılabilir olması da önemli bir avantajdır. (28,29,31).

Veri Analizi ve Görselleştirme

Yapay zekâ tabanlı araçlar, antibiyotik direnciyle ilişkili büyük veri setlerini analiz ederek direnç modellerini ve eğilimlerini belirleyebilmekte ve bu verileri anlaşılır biçimde görselleştirerek sağlık profesyonellerine sunulabilmektedir. Bu sayede sürekli ve güncel epidemiyolojik veri tabanlarının oluşmasına da sağlanmaktadır (28).

İlaç Keşfi 

Yapay zekâ tabanlı araçlar ile yeni antibiyotiklerin ve tedavi stratejilerinin geliştirilmesi hızlandırılabilmektedir. Mevcut ilaçların yeniden konumlandırılması veya yeni moleküllerin tasarlanması süreçlerinde, yapay zekâ algoritmaları, potansiyel adayların belirlemesi ve ilaç geliştirme sürecinin optimize edilmesi amacıyla kullanılmaktadır (28,38).

Günümüzde Yapay Zekâ Tabanlı Destek Sistemlerinin İnfeksiyon Hastalıklarının Tedavisinde Kullanımı 

Sistematik Derlemelerden Elde Edilen Bulgular

2016–2022 yılları arasında yapılan 18 çalışmayı inceleyen sistematik derlemede yapay zekâ uygulamalarının uygun antibiyotik tedavisini seçmede başarılı sonuçlar gösterdiği, uygun olmayan reçeteleme uygulamalarını belirlemede etkili olduğu, antibiyotik tedavisinin erken kesilmesi ile hastanede kalış süresini kısalttığı, ikinci basamak antibiyotik kullanımını %67 oranında azalttığı ve uygun olmayan antibiyotik tedavisini %18 oranında düşürdüğü, sepsis gibi ciddi sendromların erken teşhisinde, tedavisinde ve sonuçların iyileştirilmesinde yardımcı olabileceği, infeksiyon tanısını koyma ve tedavi başarısını tahmin etmede başarılı sonuçlar elde ettiği bildirilmiştir. Ancak bu derlemede yapay zekânın sağlık alanında kullanımına ilişkin etik, teknik ve düzenleyici zorlukların dikkatlice ele alınması gerektiği de vurgulanmıştır (30).

CBR Tabanlı Karar Destek Sistemleri

Rawson ve arkadaşları (39) tarafından 2017–2019 yılları arasında üç hastane yürütülen bir çalışmada, kan kültüründe Escherichia coli üremesi tespit edilen 145 hasta ile infeksiyon hastalığı şüphesi olan 79 hastada “Case-Based Reasoning” (CBR) algoritmasının performansı değerlendirilmiştir. Bu çalışmada CBR tabanlı sistemin, hekim reçetelerine kıyasla daha dar spektrumlu antibiyotikleri önerdiği; algoritmanın antibiyotik önerilerinin %90 ve hekim reçetelerinin ise %83 oranında uygun olduğu bildirilmiştir. Elde edilen bulgular, CBR algoritmasının klinik uygulamada hekimlerin kararlarıyla benzer düzeyde olduğunu ve daha dar spektrumlu antibiyotik önerileri sunduğunu göstermiştir. Bu doğrultuda, CBR tabanlı klinik karar destek sistemlerinin AMY’yi iyileştirme ve antimikrobiyal direncin azaltılmasına katkı sağlama potansiyeline sahip olduğu bildirilmiştir.

ChatGPT-4 ve Büyük Dil Modelleri ile Karar Desteği

Cochin Üniversite Hastanesi’nde yürütülen prospektif gözlemsel bir çalışmada, kan kültüründe üreme tespit edilen 44 hasta 0. ve 3. günlerde bir infeksiyon hastalıkları uzmanı ve ChatGPT-4 tarafından değerlendirilmiştir. ChatGPT-4’ün önerileri; 1 (%2) hastada uygun ve optimal, 17 (%39) hastada uygun ancak optimal değil ve 7 (%16) hastada ise zararlı olarak sınıflandırılmıştır. Ayrıca, ChatGPT-4’ün, 17 (%39) hastada infeksiyon hastalıkları uzmanına danışılması gerektiğini önerdiği bildirilmiştir. Çalışmanın sonuç bölümünde, ChatGPT-4’ün uygun sonuçlar sunduğu ve doğru tıbbi terminolojiyi kullandığı, infeksiyon hastalıkları danışmanlıklarını iyileştirmek için tıbbi asistan olarak ve özellikle infeksiyon hastalıkları uzmanı olmayan hekimlerden gelen sorulara başlangıç yanıtı yazmak için kullanılabileceği belirtilmiştir. Bununla birlikte, karmaşık klinik senaryolarda henüz infeksiyon hastalıkları uzmanının yerini alabilecek düzeyde olmadığı, klinik uygulamada kullanılmadan önce daha fazla geliştirilmesi ve titizlikle test edilmesi gerektiği vurgulanmıştır (28).

Karmaşık Klinik Senaryolarda Model Performansının Sınırları

De Vito ve arkadaşları (32) tarafından yürütülen bir çalışmada, endokardit, pnömoni, intra-abdominal infeksiyonlar ve kan dolaşımı infeksiyonlarına ilişkin doğru/yanlış, açık uçlu sorular ve antibiyogram içeren klinik olgulardan oluşan toplam 72 soru değerlendirilmiştir. Bu sorular dört infeksiyon hastalıkları uzmanına, dört infeksiyon hastalıkları asistanına ve ChatGPT-4’ün iki farklı sürümüne (standart ve eğitilmiş) yöneltilmiştir. Doğru/yanlış sorularında tüm grupların benzer performans göstermiş olduğu (~%70 doğru cevap) ve açık uçlu sorularda eğitilmiş ChatGPT-4’ün hem asistanlardan hem de uzmanlardan daha doğru ve eksiksiz yanıtlar verdiği bildirilmiştir. Ayrıca, klinik olgularda, ChatGPT-4’ün antibiyotik direnç mekanizmalarını tanımlamada daha düşük doğruluk gösterdiği ve daha eski antibiyotikleri tercih etme eğiliminde olduğu, tedavi sürelerini gereğinden uzun önerdiği ve eğitilmiş ChatGPT-4’ün standart versiyona göre daha iyi performans göstermekle beraber infeksiyon hastalıkları uzmanlarının düzeyine ulaşamadığı ifade edilmiştir. Çalışmanın sonuçlarında, ChatGPT-4’ün teorik soruların yanıtlanmasında etkili olmasına karşın karmaşık klinik senaryolarda uzmanların karar verme yeteneğine tam olarak erişemediği, ChatGPT-4’ün tıp eğitimi ve ön tanısal değerlendirmelerde destekleyici bir araç olarak kullanılabileceği, ancak uzman konsültasyonunun yerini almaması gerektiği belirtilmiştir. Ayrıca, ChatGPT-4’ün tıp alanındaki potansiyelini ve sınırlamalarını ortaya koyarak, bu tür araçların klinik uygulamalarda dikkatli bir şekilde kullanılması gerektiği de vurgulanmıştır.

ChatGPT’nin Klinik Karar Süreçlerindeki Riskleri

Sarin ve arkadaşları (33) tarafından yürütülen çalışmada, Hollanda’daki üçüncü basamak bir hastanede oluşturulan 40 klinik infeksiyon senaryosuna yönelik tanı ve tedavi önerileri ChatGPT tarafından üretilmiş ve bu öneriler infeksiyon hastalıkları ile klinik mikrobiyoloji uzmanlarının görüşleriyle karşılaştırılmıştır. ChatGPT’nin önerileri, 1 (kötü; yanlış veya uygun olamayan öneri) ile 5 (mükemmel; uzman önerileriyle tamamen uyumlu) arasında derecelendirilmiştir. Değerlendirme sonucunda ChatGPT’nin genel ortalama puanının 2.8 olduğu ve pozitif kan kültürü sonuçlarının yorumlanmasına ilişkin senaryolarda ortalama puanın 3.3’e yükseldiği görülmüştür. Öte yanda osteomiyelit ve protez eklem infeksiyonu gibi daha karmaşık klinik durumlarda tanı ve tedavi önerilerinin 1.3 ortalama ile belirgin biçimde daha düşük puan aldığı bildirilmiştir. Ayrıca çalışmada, ChatGPT’nin bazı senaryolarda mevcut klinik bilgileri yeterince dikkate almadığı, daha önce yapılmış görüntüleme incelemelerini göz ardı ederek ek görüntüleme önerilerinde bulunduğu ve gerçekte var olmayan kaynaklara atıf yaptığı gözlenmiştir. Sonuç olarak, ChatGPT’nin belirli durumlarda orta düzeyde tanı ve tedavi önerileri sunabildiği ancak klinisyenlerin karar verme yetkinliğinin yerini alamayacağı bildirilmiş; bu tür araçların ancak uzman bir klinisyenin gözetimi altında, destekleyici amaçla kullanılmasının uygun olacağı ifade edilmiştir.

Tedavi Optimizasyonu: OptAB Modeli

Wendland ve arkadaşları (34) tarafından sepsis hastalarında yan etkileri de dikkate alarak optimal antibiyotik seçimini desteklemek amacıyla yapılan çalışmada, veriye dayalı ve çevrimiçi olarak güncellenebilen OptAB modeli değerlendirilmiştir. Çalışmada, “Hastalık seyri ve tedavi etkinliği 1 saatlik, 4–5 saatlik ve 24–48 saatlik zaman aralıklarında tahmin edebilir mi?” ve “Bu tahminler, klinisyenlere hastanın durumunu sürekli olarak değerlendirme ve tedavi kararlarını optimize etme olanağı sunabilir mi?” sorularına yanıt aranmıştır. Modelin, çevrimiçi güncellenebilir özelliği sayesinde yeni klinik veriler elde edildikçe tahminlerini güncelleyebildiği; hastaların tedavi süreçlerini daha etkili ve güvenli hâle getirdiği; “Sequential Organ Failure Assessment” (SOFA) skoru ve laboratuvar tetkik sonuçlarının değişimine göre eskalasyon/de-eskalasyon ve doz değişimi önerebildiği ve yan etki tespiti yapabildiği bildirilmiştir. Çalışmanın bulguları doğrultusunda, OptAB modelinin gelecekteki sürümlerinde, daha fazla antibiyotiğin modele entegre edilmesinin planlanabileceği, bölgesel antibiyotik direnç profillerini ve epidemiyolojik verileri kullanarak hangi antibiyotiklerin hangi bölgelerde daha etkili olacağının öngörebileceği ve hastaların bireysel özelliklerine göre daha geniş bir antibiyotik yelpazesi sunulabileceği ifade edilmiştir. 

Erken Uyarı Sistemleri ve Ampirik Tedavi Uygunluğu

Goldschmidt ve arkadaşlarının (35) 2001–2012 yılları arasında yoğun bakım ünitelerinde yürüttükleri çalışmada, ampirik antibiyotik tedavisinin uygunluğunu öngörmek ve yapay zekâ temelli bir sistemin klinisyenlere erken uyarı sağlayıp sağlayamayacağını değerlendirmek amaçlanmıştır. Bu kapsamda, 105 hastaya ait ilk 24–72 saatlik klinik ve laboratuvar verileri kullanılarak geliştirilen modelin, antibiyogram sonuçları elde edilmeden önce ampirik tedavinin uygunluğunu tahmin edebildiği gösterilmiştir. Çalışmada yapay zekâ modeli, 83 hastada ampirik antibiyotik tedavisini uygun, 22 hastada ise uygunsuz olarak sınıflandırmıştır.

Çalışmada modelin hem eğitim hem de harici doğrulama kümelerinde tutarlı bir performans gösterdiği ve farklı veri kümelerinde de benzer sonuçlar verdiği bildirilmiştir. Ayrıca, sistemin antibiyogram sonuçları alınmadan, klinisyenlere erken uyarı sunarak tedavinin yeniden değerlendirilmesine olanak sağlayabileceği ve bu yaklaşımın ampirik tedavi uygunluğunu artırarak antibiyotik direnciyle mücadeleye de katkı yapacağı ifade edilmiştir. (35).

İNFEKSİYON KONTROLÜ VE ANTİMİKROBİYAL YÖNETİŞİMDE  YAPAY ZEKÂ

İnfeksiyon kontrolü ve AMY uygulamaları, sağlık hizmetlerinin kalitesini ve hasta güvenliğini doğrudan etkileyen kritik alanlardır. Sağlık bakımı ilişkili infeksiyonların (SBİİ’ler) artan sıklığı ve antibiyotik direncinin küresel düzeyde önemli bir halk sağlığı tehdidi hâline gelmesi, bu alanlarda daha yenilikçi ve veriye dayalı yaklaşımların benimsenmesini gerekli kılmıştır. Bu bağlamda yapay zekâ, infeksiyon kontrolü ve AMY’de karar alma süreçlerini destekleme, erken uyarı sistemlerini geliştirme, sürveyans verilerini analiz etme ve klinik rehberliğin optimize edilmesine katkı sunma potansiyeli ile dikkat çekmektedir (40). 

Dünya Sağlık Örgütü’nün 2024 yılında yayımladığı Antimikrobiyal Dirençle Mücadele İçin Küresel Eylem Çağrısı raporunda, antimikrobiyal dirençle mücadelede büyük veri analitiği, gerçek zamanlı izleme sistemleri ve yapay zekâ temelli risk öngörü modellerinin küresel eylem planlarında merkezi bir rol üstlenmesi gerektiği vurgulamaktadır (41).

Geleneksel infeksiyon kontrol yöntemleri çoğunlukla geriye dönük ve manuel uygulamalara dayandığından, zaman alıcı ve insan hatasına açık olup ciddi bir kaynak tüketimine yol açmaktadır. Buna karşılık, yapay zekâ algoritmaları çok boyutlu büyük veri kümelerini işleyerek gerçek zamanlı analiz ve öngörü sağlamada kullanılabilmekte; bu sayede infeksiyonların önlenmesi ve kontrolüne yönelik daha proaktif yaklaşımların geliştirilmesine olanak tanımaktadır (42). 

İNFEKSİYON KONTROLÜNDE YAPAY ZEKÂ UYGULAMALARI

Sağlık Bakımı İlişkili İnfeksiyonların Sürveyansı

Yapay zekâ tabanlı infeksiyon sürveyans sistemleri; hasta kayıtları, laboratuvar sonuçları, vital bulgular ve invazif araç kullanımı gibi çok kaynaklı verileri analiz ederek SBİİ’lerin erken tanınmasına olanak sağlamaktadır. Özellikle “random forest” gibi denetimli öğrenme algoritmalarının, kateter ilişkili üriner sistem infeksiyonu, cerrahi alan infeksiyonu ve ventilatör ilişkili pnömoni gibi SBİİ’leri yüksek duyarlılık ve özgüllükle öngörebildiği bildirilmiştir (43).

Prospektif gözlemsel bir çalışmada, yapay zekâ algoritmalarının klasik manuel sürveyansa yaklaşımlarına kıyasla daha fazla infeksiyonu tespit ettiği ve infeksiyon kontrol ekiplerine zaman kazandırdığı gösterilmiştir (44). Ayrıca yapay zekâ sistemlerinin infeksiyon risk haritaları hazırlayarak üniteler arası karşılaştırmalara ve kaynak planlamasına katkı sağladığı bildirilmiştir (45). 

Risk Tahmini ve Erken Uyarı Sistemleri

Yapay zekâ modelleri, vital bulgular, laboratuvar sonuçları ve invazif cihaz kullanımı gibi dinamik klinik verileri analiz ederek belirli infeksiyonların gelişme riskini öngörebilmekte ve bu yolla hem klinisyenleri hem de infeksiyon kontrol ekiplerini proaktif biçimde uyarabilmektedir. Özellikle dirençli mikroorganizmaların neden olduğu infeksiyonlarda erken farkındalık sağlayarak, zamanında ve uygun müdahalelere olanak tanımakta ve klinik karar süreçlerine destek sunmaktadır (46).

Clostridioides difficile ve çok ilaca dirençli Gram-negatif mikroorganizmaların neden olduğu infeksiyonlar için geliştirilen risk tahmin modellerinde, doğruluk oranlarının %90 düzeylerine ulaştığı bildirilmiş; bu sayede yüksek riskli hastaların erken dönemde tanımlanabildiği gösterilmiştir (47,48). Bu modellerin klinik karar destek sistemleri ile entegrasyonunun, infeksiyon gelişimini önlemeye yönelik stratejilerin zamanında uygulanmasına katkı sağlayabileceği de belirtilmektedir (47,48).

El Hijyeni Eğitimi ve İzlemi

El hijyeni, infeksiyon kontrolünün temel taşıdır. Gözlemci temelli izlemlerin sınırlamaları ve gözlem yanlılığı, objektif ölçüm sistemlerine olan ihtiyacı artırmıştır. Bu doğrultuda geliştirilen yapay zekâ destekli görüntü tanıma sistemleri ve sensörlü el dezenfektanı üniteleri, sağlık çalışanlarının el hijyeni uygulamalarını gerçek zamanlı ve bireysel düzeyde izleyebilmektedir (49). Derin öğrenme tabanlı video analiz sistemleri ise uygun ve uygun olmayan el hijyeni uygulamalarını yüksek doğrulukla ayırt edebilmekte ve anlık raporlama sağlayabilmektedir. “Soapy” olarak adlandırılan akıllı el yıkama istasyonunun, oyunlaştırma ve kişiselleştirilmiş geri bildirim yaklaşımları aracılığıyla el hijyeni uyumunu artırdığı gösterilmiştir (50). 

Ortam Dezenfeksiyonu ve Ultraviyole-C Robotları

COVID-19 pandemisi ile ortam temizliği ve yüzey dezenfeksiyonunun önemi daha da belirginleşmiştir. Bu kapsamda yapay zekâ algoritmalarıyla yönlendirilen ultraviyole-C (UV-C) robotları, konvansiyonel temizlik yöntemlerine yardımcı olarak standardizasyonun artırılmasına ve temizlik kalitesinin iyileştirilmesine katkıda bulunmaktadır (51). Ayrıca, UV-C robotlarının, haritalama ve rota planlama algoritmaları aracılığıyla ortamın tüm yüzeylerini kapsayacak biçimde çalışabildiği bildirilmiştir (51). Bununla birlikte, UV-C robotlarının etkinliğinin ön temizlik uygulamalarına bağımlı olduğu ve dezenfeksiyonda tek başına yeterli olmadığı göz önünde bulundurularak konvansiyonel temizlik yöntemleri ile birlikte kullanılması önerilmektedir (52).

Salgın Tespiti ve Anomali Tabanlı Uyarılar

Yapay zekâ sistemleri, elektronik sağlık kayıtlarında zaman ve mekâna dayalı olağandışı kümelenmeleri saptayarak salgın başlangıcını tahmin edebilmektedir. Bu tür sistemler, klasik sürveyans yöntemleriyle gecikmeli olarak tanınabilecek kümelenmeleri daha erken aşamada belirleyerek infeksiyon kontrol ekiplerine ve hastane yönetimine erken uyarı iletebilmektedir. Bu sayede temas izolasyonlarının başlatılması, olası kaynağın tespitine yönelik taramaların yapılması ve çevresel kontrol önlemlerinin zamanında uygulanması mümkün olabilmekte ve salgın yönetimi süreçleri daha etkin biçimde yürütülebilmektedir (53).

ANTİMİKROBİYAL YÖNETİŞİMDE YAPAY ZEKÂ

Antibiyotik Reçeteleme Analizi ve Karar Destek Sistemleri

Yapay zekâ destekli karar destek sistemleri, antibiyotik reçetelerinin uygunluğunun değerlendirilmesi ve güncel rehberler doğrultusunda alternatif tedavi seçeneklerinin sunulması açısından önemli avantajlar sağlamaktadır. Klinik karar destek sistemleriyle entegre edilen bu modeller; dozlama hatalarının önlenmesi, gereksiz geniş spektrumlu ajan kullanımının azaltılması ve tedavi süresinin optimize edilmesi gibi alanlarda klinisyenlere destek olmaktadır (54). Yoğun bakım ünitesinde tedavi gören 18 988 hastanın retrospektif verileri kullanılarak geliştirilen bir modelde, antibiyotik tedavisinin erken sonlandırılmasının hastanede kalış süresini ortalama 2.71 gün azalttığı gösterilmiştir. Bu bulgu, yapay zekâ destekli sistemlerin tedavi süresini optimize etmede etkili olabileceğini ortaya koymaktadır (55).

Antibiyotik Direnç Öngörüsü ve Eğilim İzleme

Yapay zekâ, hastane düzeyinde antimikrobiyal direnç paternlerini öngörmek ve direnç eğilimlerini izlemek için de etkili bir araçtır. Hastane antibiyogram verileri, hasta demografisi ve tüketim miktarları gibi parametreleri analiz eden modeller, direnç artış potansiyeli olan patojenleri önceden belirleyebilmektedir (56). Bu durum, antimikrobiyal kullanım politikalarının dinamik olarak güncellenmesini ve riskli alanlara hedeflenmiş müdahaleleri mümkün kılmaktadır.

Kişiselleştirilmiş Antibiyotik Seçimi

Geliştirilmiş çeşitli yapay zekâ destekli modeller, hastaya özgü klinik özellikleri, laboratuvar sonuçlarını, önceki tedavi öyküsünü ve lokal direnç verilerini birlikte analiz ederek hasta bazlı antibiyotik önerileri sunabilmektedir. Bu sistemler, özellikle sepsis veya immünsüprese hasta gruplarında uygun ampirik tedaviye zamanında başlanmasını sağlayabilmektedir (57). 

Klinik Eczacılık ve Antimikrobiyal Yönetişim Ekipleriyle Entegrasyon

Yapay zekâ araçlarının, AMY ekipleri ve klinik eczacılarla bütünleşik olarak çalışacak şekilde tasarlanması önerilmektedir. Antibiyotik tedavi süresi, doz aralıkları, de-eskalasyon önerileri ve oral tedaviye geçiş zamanlaması gibi konularda otomatik öneriler sunan sistemlerin, AMY ekiplerinin iş yükünü azaltarak ve daha fazla sayıda hastanın değerlendirilmesine olanak tanıdığı bildirilmiştir. Ayrıca bu sistemlerin, yüksek riskli antibiyotiklerin gereksiz kullanımını sınırlamaya yönelik uyarı mekanizmaları geliştirerek hastane protokollerine uyumu artırabildiği belirtilmiştir (58). 

İzlem, Geri Bildirim ve Klinik Performans Göstergeleri

Yapay zekâ sistemleri, klinik birimler bazında antibiyotik kullanım örüntülerini analiz ederek kullanım sıklığı, tedavi süresi ve ajan dağılımına ilişkin veriler üretebilmekte ve bu verileri AMY ekipleri ile yöneticilere sunabilmektedir. Klinik kararlarının şeffaf bir şekilde izlenmesi, geri bildirim mekanizmalarının etkinliğini artırmakta ve davranışsal değişimin sürdürülebilirliğini sağlamaktadır (54). Antimikrobiyal yönetişim için geliştirilen izlem panelleri aracılığıyla gerçek zamanlı takip sağlanarak aşırı reçetelemenin önüne de geçilebilmektedir (54).

SINIRLILIKLAR, ZORLUKLAR VE GELECEK PERSPEKTİF

Tablo 1. Yapay Zekâ Uygulamalarının Temel Sınırlılıkları ve Zorluk Alanları

Yapay zekâ uygulamalarının infeksiyon hastalıkları ve klinik mikrobiyoloji alanında yaygın ve etkili biçimde kullanılabilmesi, bazı temel sınırlamaların aşılmasına bağlıdır. Algoritmaların eğitildiği veri setlerinin heterojenliği ve kullanılan verilerin kalitesi, bu sistemlerin doğruluğunu ve genellenebilirliğini doğrudan etkilemektedir. Farklı sağlık sistemlerinde aynı modelin benzer başarıyı göstermemesi, önemli bir sınırlayıcı olarak öne çıkmaktadır (59). Bunun yanı sıra, eksik, hatalı ya da standardize edilmemiş elektronik sağlık kayıtları yapay zekâ sistemlerinin güvenilirliğini olumsuz yönde etkilemektedir. Konuya ilişkin etik ve yasal sorunlar göz ardı edilemez; hasta mahremiyeti, veri güvenliği ve algoritmik yanlılık, yapay zekânın klinik uygulamalarına entegrasyonunu sınırlandıran önemli unsurlar arasındadır (59,60). Öte yandan, klinik yargının yerine geçemeyen bu sistemlerin, destekleyici rolünün doğru bir şekilde anlaşılması gerekir (61). Söz konusu sınırlılıklar ve zorluklar Tablo 1’de sunulmuştur.

Yapay zekâ uygulamalarının sağlık alanında kullanılmasında etik ilkelerin yanı sıra ulusal ve uluslararası mevzuata uyum da kritik öneme sahiptir. Türkiye’de kişisel sağlık verilerinin işlenmesi, 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) kapsamında “özel nitelikli kişisel veri” başlığı altında sıkı düzenlemelere tabidir ve sağlık verilerinin işlenmesi ancak kanunda belirtilen sınırlı koşullar altında mümkündür (62). Açık rıza, aydınlatma yükümlülüğü, veri minimizasyonu, amaçla sınırlılık ve güvenli saklama gibi ilkeler, yapay zekâ modellerinin eğitimi ve klinik kullanımı sırasında gözetilmesi gereken temel gerekliliklerdir. Avrupa Birliği Genel Veri Koruma Tüzüğü (General Data Protection Regulation, GDPR) ise sağlık verilerini hassas veri kategorisinde ele almakta; “privacy by design”, veri koruma etki değerlendirmesi (Data Protection Impact Assessment, DPIA), şeffaflık ve bireylerin kendi verileri üzerindeki denetim hakkı gibi yükümlülüklerle yapay zekâ temelli klinik karar destek sistemlerinin hesap verebilir, izlenebilir ve güvenli şekilde tasarlanmasını zorunlu kılmaktadır (63). Ayrıca 2024 yılında kabul edilen AB Yapay Zekâ Yasası (EU Artificial Intelligence Act), sağlık alanındaki yapay zekâ uygulamalarını “yüksek riskli sistemler” arasında sınıflandırarak algoritmik şeffaflık, veri kalitesi, teknik dokümantasyon ve insan gözetimi gerekliliklerini daha da güçlendirmiştir (64). Bu nedenle infeksiyon hastalıkları ve klinik mikrobiyoloji alanında geliştirilen yapay zekâ sistemlerinde hem KVKK hem GDPR ile uyumlu bir veri işleme yaklaşımı benimsenmesi, hukuki risklerin azaltılması ve güvenli uygulamaların desteklenmesi açısından kritik önem taşımaktadır.

Yapay zekânın sağlık alanında uygulanmasında en sık karşılaşılan zorluklardan biri, algoritmaların açıklanabilirliğidir. Klinik karar destek sistemlerinin güven oluşturabilmesi için şeffaf, izlenebilir ve doğrulanabilir olması büyük önem taşır (28). Bu sistemlerin güvenle kullanılabilmesi için sağlık profesyonellerinin teknolojiye olan güveninin artırılması ve gerekli eğitimin sağlanması gerekmektedir. Yetersiz kullanıcı eğitimi, teknolojik altyapı eksiklikleri ve kurumsal adaptasyon süreçlerindeki direnç, yapay zekânın sahadaki etkisini sınırlayan diğer faktörlerdir (59). Ayrıca bu sistemlerin deneyim ve sezgiye dayalı klinik karar süreçlerini yeterince yansıtamaması da önemli bir dezavantaj olarak değerlendirilmektedir.

Yapay zekâ araştırmalarının büyük miktardaki veri ihtiyacı, çalışmaların çoğunlukla prospektif değil retrospektif olarak tasarlanmasına yol açmaktadır. Retrospektif çalışmalar, geçmişte etiketlenmiş verilerin kullanılmasıyla modellerin eğitilmesini ve test edilmesini mümkün kılmakla birlikte, klinik açıdan en değerli kanıt düzeyi olarak kabul edilen prospektif çalışmaların yerini tutamamaktadır. Benzer şekilde, klinik uygulamalarda randomize kontrollü çalışmalar altın standart kabul edilirken, yapay zekâ alanında randomize kontrollü çalışmaların sayısı görece sınırlıdır ve çok sayıda çalışma hakem değerlendirmesi olmaksızın yayımlanmaktadır (65). Tüm bunlara ek olarak yapay zekâ çalışmalarında kullanılan model mimari ve metodolojilerin heterojenliği, çalışmaların karşılaştırılabilirliğini azaltmakta; F1 skoru ve “cosine similarity” gibi tıp alanında yaygın olmayan performans metriklerinin sıklıkla kullanılması da sağlık alanına uyarlamada ek zorluklar olarak öne çıkmaktadır (66). 

Buna karşın, yapay zekânın infeksiyon hastalıkları, AMY ve infeksiyon kontrolü alanlarındaki kullanım potansiyeli her geçen gün artmaktadır. Gelişmiş algoritmalar; birey düzeyinde risk analizi, gerçek zamanlı sürveyans, klinik mikrobiyoloji verilerinin entegrasyonu ve uzaktan hasta izlemi gibi yenilikçi uygulamaların önünü açmaktadır (45,54). Özellikle büyük veri analitiği ve derin öğrenme modelleri sayesinde, yerel direnç profilleri ile hasta verilerinin birlikte değerlendirilmesiyle kişiselleştirilmiş infeksiyon kontrol stratejilerinin geliştirilmesi mümkün hâle gelmiştir (46,57). Dünya Sağlık Örgütü gibi uluslararası otoritelerin yapay zekâ tabanlı araçları rehberlerine entegre etmesi, bu teknolojilere olan güvenin küresel ölçekte arttığını göstermektedir.

Gelecekte yapay zekâ destekli sistemlerin, hastane bilgi yönetim sistemleriyle entegre biçimde çalışması, ulusal sürveyans ağlarına veri sağlaması ve kalite göstergeleri üretmesi hedeflenmektedir. Ancak bu entegrasyonun etik, hukuki ve ekonomik boyutları titizlikle değerlendirilmelidir. Klinik karar destek süreçlerinde yapay zekânın etkin biçimde yer alabilmesi için yüksek kaliteli veri üretimi, algoritmaların şeffaflığı ve sağlık çalışanlarının eğitimi öncelikli konular arasında yer almalıdır (59). Bu koşullar sağlandığında yapay zekâ sistemlerinin infeksiyon hastalıklarının tanısı ve tedavisi, infeksiyon kontrolü ve AMY alanlarında güçlü ve güvenilir bir destek aracı hâline gelmesi mümkün olacaktır.

Tüm bunlara ek olarak; dijital ikiz ve erişim destekli üretim (Retrieval-
Augmented Generation, RAG) gibi yeni yapay zekâ uygulamaları klinik uygulamaları kalıcı olarak değiştirme potansiyeline sahiptir. Dijital ikiz, bir nesnenin, bir hastanın veya bir sistemin gerçek dünyadaki karşılığını yansıtan, gerçek zamanlı verilerle güncellenen ve simülasyon çalışmaları için kullanılan sanal bir temsilidir. Dijital ikiz uygulamaları, çekişmeli üretici ağlar gibi model mimarilerini kullanarak çalışmalardaki veri sayısının artırılabilmesine, sağlık bakımı profesyonellerinin eğitimine, hatta farklı klinik senaryolarla klinik kohortların oluşturulmasına ve bu sayede klinik çalışmaların yapılabilmesine olanak sağlamaktadır (67). Erişim destekli üretim yaklaşımı ise hayatımızı dramatik olarak değiştiren ChatGPT-4 gibi büyük dil modellerinin kendisini değiştirmeden, dış bilgi kaynaklarıyla destekleyerek üretilen çıktının doğruluğunu ve güncelliğini artırmayı amaçlamaktadır. Bu sayede halüsinasyon, statik bilgi, şeffaflık ve yanlılık gibi kısıtlılıkların azaltılması ve kişiselleştirilmiş, konuya özgü büyük dil modellerinin sağlık alanına entegrasyonunu mümkün kılar (68).

Sonuç olarak; yapay zekâ klinik kararlarda hekimleri destekleyen güçlü bir araçtır. Gelecekte yüksek kaliteli veri, şeffaf algoritmalar, multidisipliner iş birliği ve etkin regülasyonlarla desteklendiğinde, yapay zekâ uygulamalarının hem hasta bakımını iyileştirmesi hem de sağlık sistemlerinin sürdürülebilirliğine katkı sağlaması beklenmektedir.