Sağlıkta teknolojik dönüşüm ve akıllı tanısal uygulamalar, bir diğer adı ile robot muayenesi ile, kendi kendine teşhis döneminin popülerliği gittikçe artmaktadır. Kullanıma sunulmuş fakat yaygınlaşamayan, halen kullanımda mevcut olan ya da piyasaya sürülecek çok fazla yapay zeka uygulaması gündemi daha da meşgul edecek gibi görünmektedir.. Acil tıpta da kullanımı oldukça popüler olabilecek bazı uygulamalardan bahsetmeden önce yapay zekanın tanımından, etkileşimde bulunduğu alanlardan ve kullandığı metodolojiden bahsedilmelidir.
TANIMLAR
Doğal zekayı insan zekası, teknolojik sistemleri de makine olarak tanımlarsak yapay zeka insan zekasını taklit eden yani insan gibi düşünen ve davranan sistemlerdir. Bu tanımda insan gibi düşünüp davranması konusu; insanların da hayatta kalmak için doğru ve mantıklı düşünebildiği inancına dayanmaktadır.
Halen insan zekasının tam anlamda birebir taklidi olamasa da aklın bilişsel yani öğrenme ve problem çözme fonksiyonlarının taklit edilebilirliği üzerine kurulu sistemlerdir.
Günlük hayatta bir problemi çözmede duyularla algıladıklarımızı, öğrendiklerimizi ve deneyimlerimizi (input) kullanarak problemi analiz eder (düşünme-process) ve dış dünyaya tepki veririz (output). Makinelerin de bu süreci yapabilme potansiyeli, yaygın olarak Kasparov’u yenen ilk bilgisayar Deep Blue olarak bilinse de; 1950’lerde Alan Turing tarafından keşfedilmiştir.
Turing makinelerin taklit yeteneğinin o kadar iyi olduğuna inanıyordu ki, bir dizi soruya verilen cevaplara bakarak, kişilerin hangisi makine hangisi bilgisayar olduğunu anlayamayacaklarını iddia etmişti.
Karıştırılan bir diğer terim ise robotlar ve robotik. Robot (-ik, bilim dalı) bir bilgisayar aracılığı ile programlanabilen bir dizi eylemi otomatik olarak yapabilen makinelere denir. Yapay zeka robotların içine entegre olabilir ya da olmayabilir.
Yapay zekanın insanı taklit edebilme yeteneği, programlanabilir kodlardan çok, kendisine sunulan verilerden denetimli ya da denetimsiz olarak kendi oluşturduğu hesaplamalar ve makine öğrenmesi yöntemlerine dayanmaktadır. Denetimli ve denetimsiz makine öğrenmesi yöntemleri ayrı bir konu olarak ele alınabilir. Kısaca anlatmak gerekirse belirli bir sonuca ulaşılmak için verileri algoritmalar ve istatistiksel modelleri kullanarak matematiksel bir model üzerinden yorumlayıp çıkarım yapan ve karar veren sistemlerdir.
Acil serviste hesaplanacak, analiz edilecek büyük veri setlerinden makine öğrenmesi, istatistik ve veritabanı sistemleri kullanılarak bilgi edinme sürecine de veri madenciliği adı verilmektedir.
Her biri ve her birinin alt dalları ( yapay sinir ağları, genetik algoritmalar, derin öğrenme, karar ağaçları, vs…) ayrı yazı konusu olabilecek bu alanların birbiriyle olan etkileşimleri aşağıdaki şekillerde görülmektedir.
Data Mining: Veri Madenciliği
Artificial Intelligence: Yapay Zeka
Machine Learning: Makine Öğrenmesi
Data Mining: Veri Madenciliği
AI: Yapay Zeka
Databases:Veritabanları
KDD: Veritabanından bilgi keşfi( Knowledge Discovery in Databases)
Machine Learning: Makine Öğrenmesi
Pattern Recognition:Örüntü tanıma
Neurocomputing: Nöral ağ hesaplamaları
ACİL TIP UYGULAMALARI
Hekimin yerine geçip geçmediği konusunda farklı kesimlerde farklı düşünceler karşımıza çıkmaktadır. Acil servis yoğunluğu içerisinde bir yemek molası için yerinize birisinin geçmesini dilediğiniz zamanlardan yıllarca edindiğimiz bilgi ve tecrübelere rağmen hastalarımız için karar aşamasında oluşturamadığımız algoritmalara ve zihinsel makinelere ne tür bir algoritma tanıtılacağı konusundaki endişelere kadar bu düşüncelere geniş bir perspektifte bakılabilir.
Özellikle son 2 yılda artan ivmeyle literatürde yapay zeka, veri madenciliği ve makine öğrenmesi çalışmalarına ait ulusal tıp kütüphanesi grafiği şekilde görülmektedir.
DM: Veri Madenciliği
ML:Makine Öğrenmesi
Bu metodolojiler kullanılarak elde edilen karar destek sistemleri, uzman sistemler, simülasyonlar ile amaç hekimlerin düşüncelerine ve davranışlarına en yakın hatta daha da doğru ve mantıklı sistemler geliştirmektir.
Yıllara göre olan çalışmaların incelendiği bir derlemede en çok tahmin yapılan hastalıklar akut böbrek yemezliği, influenza, sepsis, kronik obstruktif akciğer hastalığı ve astım, idrar yolu enfeksiyonları ve apandisit olarak izlenmektedir .1
Hastalık tahminlerinin dışında hastane içi yatış, triyaj, yoğun bakım ihtiyacı, taburculuk, tekrar başvuru oranlarının tahmininde de bu yöntemler kullanılmaktadır.2
| Acil tıp alanındaki çalışma konusu | Kullanım amacı | Algoritma | Sonuçlar |
| Taburculuk | Yatış İhtiyacı tahmini | (Ensemble)XGBoost | AUC:92 |
| (Ensemble)Gradient Boosted Machines | AUC:85 | ||
| YBU İhtiyacı tahmini | (Ensemble)Gradient Boosted Machines | AUC:76 | |
| Hastane içi mortalite tahmini | (Nöral sinir ağları) Uzun kısa dönem hafıza | AUC:94 | |
| Kalış süresi tahmini | Lojistik Regresyon | AUC:93 | |
| Triyaj | Triyaj klasifikasyonu | Karar ağaçları | Accuracy %84 |
| Destek vektör makineleri | Accuracy %84 | ||
| Random Forest | AUC 0.73-0.92 | ||
| Naive Bayes Sınıflandırıcı | Accuracy %87,9-86,9 | ||
| Hastalık | Akut böbrek yetmezliği tahmini | Ensemble-Karar ağaçları (Boosted ensembles of decision trees) | AUC 0.72-0.87 |
| Logistik regresyon | AUC 0.77 AUC 0.74 | ||
| Ensemble-Gradient Boosting Machine | AUC 0.73-0.97 | ||
| Derin öğrenme | Accuracy 99.1 | ||
| Influenza sınıflandırılması | Naïve Bayes | AUC 0.92-0.93 | |
| Bayes ağ sınıflandırıcıları | AUC 0.79 | ||
| Sepsis | Gradient tree boosting | AUC 0.87-0.92 | |
| Destek vektör makineleri | AUC 0.86 | ||
| KOAH ve Astım tahmini | Random forest | C-STAT 0.84 | |
| Logistik regresyon | Accuracy 89.1 | ||
| Naive Bayes | Accuracy 70.7% | ||
| Karar ağaçları | AUC 0.83 | ||
| Üriner enfeksiyon tahmini | Extreme gradient boosting | AUC:0.90 | |
| Apandisit sınıflandırma | Kural tabanlı sınıflandırma | AP: 0.86 |
Makine öğrenmesi yöntemleri sınıflama, tahmin gibi gruplara ayrılmakta, bunların da farklı metodları bulunmaktadır. Hatta bu metodların birlikte kullanımı ile elde edilen yeni metodlar (Ensemble machine learning) da daha yüksek başarı oranlarına sahip olabilmektedir.
UYGULAMA ÖRNEKLERİ
FDA tarafından onaylanan 30′ dan fazla yapay zeka algoritması üretilmiştir3 . FDA onaylı sistemlerden biri derin öğrenme ile göğüs radyografilerinin değerlendirilmesi olarak karşımıza çıkmaktadır.
Son olarak bu yapay zeka uygulamalarının kısıtlamalarından biri geçerlilik olarak karşımıza çıkmaktadır. Eğitim verileri ile test edilen verilerin insanlar tarafından da aynı verilerde yapılması güçtür, bu yüzden eksternal validasyon ihtiyacı artmaktadır. Bunun yanı sıra sorumluluğun yazılımcıların mı yoksa kullanan hekimlerin mi olduğu konusunda da halen netleşmiş bir durum söz konusu değildir.
Sonuçta farklı açılardan bakıldığında bu cihazların hekimlerin yerini alma konusu halen gündemde yer almaktadır. En günceli 2020′ nin ilk günlerinde Nature dergisinde yayınlanan bir yazılımın mamografiden erken meme kanseri tespitini radyologlardan daha iyi yaptığına dair olan çalışmadır4. Bu da dahil bir çok çalışmada etkinlik ve doğruluk karşılaştırılması için hekime ihtiyaç duyulmakta, eğitim verileri yine hekim tarafından karar verilen veri setinden oluşmaktadır. Ve bu çalışmaların asıl amacı bu yazılımların hekimlerin yerini almasından ziyade iş yükünü ne kadar azaltabildiğidir (ki bu çalışmada %88 bulunmuş).
Son söz; geniş bir alana hitap eden yapay zeka ile ilgili sadece araştırmalara değil aynı zamanda geçerlilik, güvenilirlik ve kullanılabilirlik çalışmalarına da ihtiyaç duyulmaktadır.
Referanslar:
- 1.Shafaf N, Malek H. Applications of Machine Learning Approaches in Emergency Medicine; a Review Article. Arch Acad Emerg Med. 2019;7(1):34. https://www.ncbi.nlm.nih.gov/pubmed/31555764.
- 2.Lee S, Mohr N, Street W, Nadkarni P. Machine Learning in Relation to Emergency Medicine Clinical and Operational Scenarios: An Overview. West J Emerg Med. 2019;20(2):219-227. doi:10.5811/westjem.2019.1.41244
- 3.Topol E. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44-56. doi:10.1038/s41591-018-0300-7
- 4.McKinney S, Sieniek M, Godbole V, et al. International evaluation of an AI system for breast cancer screening. Nature. 2020;577(7788):89-94. doi:10.1038/s41586-019-1799-6
76 Responses
Değerli arkadaşaım, sizi tebrik ediyorum. Günümüz ve geleceğin konusunu gündeme getirdiğiniz için. Artık hep söylüyorum, derneklerimiz de kongrelerde “sağlık 4.0”, “yapay zeka” gibi konularda özel oturumlar yapmalılar. Sevgilerimle.
Dr. Gürkan ERSOY, Dokuz Eylül, Acil Tıp