ÖZET

Günümüzde yaygın olarak görülen hastalıkların tanı tedavi süreçlerinin daha etkili kontrol edilmesiyle nadir hastalıklar öne çıkmaya başlamıştır. Çoğu genetik temelli olan bu hastalık grubunun tanı ve tedavisinde gecikmenin çok daha fazla olduğu ve bazen yıllar sürdüğü, ayrıca ilaç keşfinin daha zorlayıcı olduğu bilinmektedir. Günümüzde genel tıbbın yanı sıra nadir hastalıklar alanında da hızla gelişen yapay zeka teknolojilerinin uygulanmasının bu süreçleri hızlandırabileceği ve hastalıkların yönetiminde faydalı olacağı düşünülmektedir. Buna yönelik çalışmalar son yıllarda sayı ve kalite olarak büyük oranda artmıştır. Bu yazıda hem nadir hastalıklar genelinde hem de birkaç tanesi özelinde mevcut literatür ışığında yapay zekanın kullanımıyla ilgili bilgiler gözden geçirilecektir.

Giriş

Nadir hastalıklar, genel tanım olarak 1/2.000’den daha az sıklıkta görülen hastalıkları ifade etmektedir (1). 1/50.000’den az görülenler ise ultra nadir hastalık olarak tanımlanmaktadır. Ülkemiz 2021 yılı nüfusu için çıkarım yapılırsa, tüm hastalara tanı konulabildiği varsayılırsa 84,6 milyonluk tüm nüfus içinde 42.300 kişiden daha azında görülen hastalıkları nadir, 1.692 kişiden daha azında görülen hastalıkları ise ultra nadir olarak değerlendirebiliriz.

Tıp literatüründe binlerce nadir hastalık tanımlı olup, yeni test olanaklarıyla her geçen gün bu sayı artmaktadır. Günümüzde nadir hastalıklara ilişkin bilgi alışverişinin yapılabildiği, bilinen en büyük platform olan Orphanet INSERM veri tabanında Eylül 2022 itibariyle, 9.370 nadir hastalık kayıtlıdır (2). Hastalık bazında sayı az olsa da tüm nadir hastalıklar bir araya gelince toplumun yaygın bir kesimini etkilediği düşünülmektedir. Kanserler, enfeksiyonlar ve zehirlenmelerin hariç tutulduğu kanıta dayalı tahminlere göre, Dünya’daki nüfusun %3,5-5,9’u yani yaklaşık 263-450 milyon kişi bu hastalıklardan muzdariptir (3). Yine 2021 yılı Türkiye nüfusuna uyarladığımızda yaklaşık 3-5 milyon kişinin nadir hastalık sahibi olduğu düşünülebilir. Bu hastalıkların %75’inden çocuklar etkilenmekte ve nadir hastalığa sahip bireylerin %30’u ilk 5 yaşta hayatını kaybetmektedir.

Nadir hastalık sahibi bireyler, tanı alma yolculuğu sırasında genelde tekrarlayan sayılarda konsültasyona, görüntüleme çalışmasına, tetkiklere tabi tutulur ve hatta kesin tanı almadan önce yanlış teşhis konulabilir (4). Bu süreçte semptomların başlangıcı ile kişinin veya ailesinin bunun farkına varması, birinci basamak sağlık hizmetine bu sebepten ilk başvurusunu yapması, birinci basamaktan ilgili alan uzmanına sevk edilmesi, bazı durumlarda ilaveten yan dal uzmanına sevk edilmesi, ilgili son uzmanın gerekli test ve takip süreci sonrasında doğru tanıyı koyabilmesi basamaklarından her biri ayrı vakit almaktadır. Bunların yanı sıra, az sayıda olması nedeniyle hastalıklara ilişkin farkındalığın az olması, alan uzmanlarının hastalığa özgü deneyimlerinin az oluşu, bu kişilere ayrılması gereken vaktin diğer hastalara kıyasla çok daha fazla olması gibi sebepler de bu süreci olumsuz yönde etkilemektedir. Nadir hastalıkların tedavisinde kullanılan ilaçlar genellikle “Yetim İlaç” olarak adlandırılmaktadır (5).

Yapay zeka, henüz emekleme döneminde olmasına rağmen günümüzde oldukça popüler bir çalışma alanıdır. Bir yapay zeka metodu olan makine öğrenmesi, bir bilgisayarın belirli bir iş için özel olarak programlanmaksızın o görevi yapabilmesini sağlar. Makine öğrenmesinin alt basamağı olan derin öğrenmede ise insan beynini taklit eden, katmanlardan oluşan derin yapay sinir ağları modellenir ve otomatik olarak veri temsillerinin hiyerarşisi oluşturulur. Bu metodların uygulanması için yüksek işlem gücü gerektirmekte olup, günümüz bilgisayar sistemleri bunu mümkün kılabilmektedir. Böylece kompleks derin öğrenme işlemleri saniyeler veya dakikalar içinde gerçekleştirilebilmektedir. Daha kompleks veri setleri üzerindeki çalışma ihtiyacı varlığında bulut bilişim çözümleri kullanılabilmekte, bir başka deyişle daha yüksek işlem gücüne sahip bilgisayar kaynakları internet tabanlı kiralanarak kullanılabilmektedir (6).

Büyük veriler halihazırda istatistiksel metodlarla da değerlendirilebilmektedir. Ancak yapay zekanın bazı farkları mevcuttur. İstatistiksel modeller genellikle neden sonuç arasındaki ilişkileri, standart sapma, güven aralığı gibi değerleri hesaplayarak, çalışmada kurulan hipotezin geçerliliğini gösteren p (olasılık) değerini bulur. Bu değerin 0,05’in altında olması, “iki değişken arasında ilişki yoktur” hipotezinin reddedilmesi gerektiğini, dolayısıyla ilişki olduğunu anlatırken bu durumun %95 ve üstü olasılıkla tekrarlanma ihtimali olduğunu belirtmektedir. Makine öğrenmesi gibi metodlarda ise ilgili veri setini yorumlamaktan ziyade, bazı veriler üzerinden diğerlerini yüksek doğrulukla tahmin edilmesi amaçlanır. Genellikle yapay zekanın öğrenmesini istediği veri seti algoritma tarafından bölünerek ilk bölümüyle eğitim yapılırken diğer kısmı üzerinde test edilir. Bu işlem, deneme yanılma metoduyla çok sayıda tekrarlanarak test veri setindeki tahmin oranının en yüksek değerlere ulaşılması hedeflenir. Modelin son hali de tamamen yabancı bir veri setinde denendiğinde isabetlilik oranı yüksekse, model başarılı olmuş kabul edilebilir. İstatistik için kurulacak hipotezi insan beyni mantık çerçevesinde oluştururken, yapay zekanın böyle bir sınırlanması olmadığından henüz bilinmeyen ilişkileri saptaması mümkün olabilmektedir (7,8).

Bunların yanı sıra, istatistik yapmanın mümkün olamayacağı büyüklük ve karmaşıklıktaki bazı veriler de yine sadece yapay zeka tarafından işlenebilmektedir. Günümüz cep telefonlarında çekilen ortalama bir fotoğraf 12 megapiksel yani 12 milyon renkli nokta barındırmakta olup; 4032 adet yatay, 3024 adet dikey noktadan meydana gelmektedir. Dijital ortamda her bir renkli nokta; kırmızı, yeşil ve mavi renklerin karışım oranını belirten 0 ile 255 arasında sayısal bir değer belirtilerek depolanmaktadır. Örneğin saf sarı renk için kırmızı: 255, yeşil: 255 mavi: 0 olarak kodlama yapılır. Daha yüksek veri içeriğine sahip olan video dosyaları ise, aynı renk bilgileri içeren fotoğraf karelerinin ortalama olarak saniyede 25-60 adedinin art arda hızla gösterilmesiyle meydana gelmektedir. Örneğin, 30 kare/saniye ile çekilmiş 1 dakikalık bir videoda 1800 adet fotoğraf karesi mevcuttur. Bu kadar yoğun bir dijital veri üzerinde istatistik yapmak çok zordur ancak yapay zeka ile çok daha hızlı ve hatta videolarda gerçek zamanlı işleme yapabilmek bile mümkündür (9).

İlk olarak Bilgisayar ve Yazılım Mühendisliği gibi sayısal mühendislik alanlarında kendini gösteren derin öğrenme, makine öğrenmesi, görüntü işleme gibi yapay zeka algoritmaları, artık günümüzde hukuk, tarım, askeri, tıbbi alanlar başta olmak üzere birçok bilim dalında kendine yer edinmiştir (10-12). Bunda özellikle günümüz yazılım dillerinin daha kolay, anlaşılır, uygulanabilir ve kapsayıcı olması yanı sıra bilgisayar işlemcilerindeki hızın katlanarak artışıyla evlerdeki bilgisayarlarda dahi bu çalışmaların yapılabilir hale gelmesi yol açmıştır. İsteyen kullanıcıların bilgisayarlarının işlemci gücünü ölçebileceği bir yazılım programı üreticisinin yaptığı analize göre, Mart 2022 itibariyle masaüstü bilgisayarlar için 2008 ile 2022 yılları arasında işlemcilerin ortalama performans farkının 11,5 kat, aynı dönemin en güçlü işlemcilerinin performansları arasındaki farkın ise 33 kat olduğu görülmüştür (13).

Tıp alanında öncelikli olarak radyoloji ve patoloji branşlarında özellikle görüntü tanıma üzerinde çalışmalara başlanmış olup, cerrahi, acil tıp, diş hekimliği, spor hekimliği gibi tıbbın her alanında araştırmaların yapıldığı görülmektedir. Ayrıca bu çalışmaların sayısı yıllara göre katlanarak artmaktadır. Pubmed veri tabanında “makine öğrenmesi” veya “derin öğrenme” anahtar kelimeleriyle 2010’da 590 adet, 2015’te 2507 adet, 2019’da 12563 adet çalışma listelenmiştir (14).

Birçok nadir hastalığın tanısının koyulmasında hız ve nadir olanın tanınması önemlidir, bu açıdan gelişen derin öğrenme ve görüntü tanıma yöntemlerinin faydalı olacağı öngörülebilir, ilerleyen bölümlerde bunlara örnekler verilecektir.

Gereç ve Yöntem

Literatür taraması MEDLINE/Pubmed, ISI Web of Knowledge, Scopus ve Google Scholar’da üzerinden 2000 yılı ve sonrasını içerecek şekilde yapılmıştır. Arama İngilizce veya Türkçe olarak yayınlanan eserlerle sınırlandırılmış ve “yapay zekâ ve nadir hastalıklar”, “makine öğrenmesi ve nadir hastalıklar”, “doğal dil işleme ve nadir hastalıklar”, “kistik fibrozis ve derin öğrenme” gibi arama terimleri kullanılmıştır. Özetlerin değerlendirilmesi sonrası ilişikli olan tam metinleri de incelenerek değerlendirilmiştir. Arama sürecinin hassasiyetini artırmak için ilgili makalelerden ilişkili alıntılar da değerlendirilmiştir.

Genetik Tanılama

Bazı nadir hastalıkların genetik ilişkisi net olarak tanımlanmış olsa da birçoğunun meydana gelişinde birden çok farklı gendeki değişiklikler veya nokta gen mutasyonları olabilmektedir. Günümüzde halen hastalıkların yeni genetik kaynakları saptanmaya devam etmektedir. Bu amaçla yine yapay zeka uygulamalarından yararlanılabilir. Özellikle tüm ekzom dizileme yöntemlerinin yaygınlaşmasıyla bu ihtiyaç artmış görünmektedir.

Yapay zekanın kullanımıyla bir genomun klinik olarak yorumlamasının hızlandırılabileceği; doğal dil işleme metodları kullanılarak, tıbbi kayıtlardan bilgilerin işlenmesinde insan değişkenliği ve yanlılığının büyük oranda ortadan kaldırılabileceği; derin öğrenme yaklaşımlarıyla genomik verinin yorumlanmasında genetik varyantların önceliklendirilmesi işleminin hızlandırılabileceği düşünülmektedir (15). Bir makine öğrenme metodu olan “Xrare”, nadir hastalıklara neden olan gen varyantlarının tanımlanması ve bu teşhislerin önceliklendirilmesi amacıyla fenotipik ve genetik kanıtları kullanmaktadır (16).

Görüntü İşlemeyle Tanılama

Yapay zeka, fenotipik veya radyolojik görüntüler üzerinden de çeşitli sınıflamalar ve tahminler yapabilir. Doğru şekilde uygulanırsa, tüm vücut görüntülemesi yaparak doku ve organların çeşitli aktivitelerini ölçebilen pozitron emisyon tomografisi uygulamalarının, nadir hastalıkların tespiti ve yönetiminde devrimsel bir yenilik oluşturacak potansiyele sahip olacağı düşünülmektedir (17,18).

Nadir hastalıkların sayılarının az olması nedeniyle, genellikle maliyeti yüksek ve herkesten örnek alımını içeren, ülke çapı tarama programlarının oluşmasına engel teşkil edebilir. Ancak daha basit imkan ve yöntemlerle alınabilecek örneklerin, örneğin yüz fotoğraflarının ilgili yapay zeka algoritmalarınca değerlendirilerek sınıflandırılması bu amaç için kritik bir öneme sahip olabilir. “Gestalt” Almanca bir kelime olup, kabaca yapılandırma veya bütün bir nesneyi oluşturmak için parçaların bir araya gelişi anlamında kullanılır. Yüz fenotipi ve hastalık ilişkisi incelemelerine ait çalışmalarda bu terim kullanılmaktadır (19-23). Buna ilişkin bir örnek, nadir görülen nörogelişimsel ve doğuştan bozuklukları olan bireylerin fotoğraflarından farklı yüz özelliklerini sınıflandıran “DeepGestalt” isimli algoritmadır (24). Bu model, 200’den fazla sendromdan meydana gelmiş 17 bin resimlik bir veri seti üzerinden eğitilmiş olup, gerçek klinik uygulama ortamını taklit eden 502 fotoğraf üzerinde test edildiğinde, verdiği ilk 10 öneride doğru tanıya ulaşma oranı %91 olarak saptanmıştır. Bu gibi çalışmalarla daha yüksek doğruluk oranları sağlanarak mükemmele yaklaşıldığı takdirde toplum çapı nadir hastalık taramalarının daha yaygın ve kolayca yapılabileceği düşünülebilir.

Diğer Tanılama Seçenekleri

Bazı yapay zeka tabanlı uygulamalar sayesinde, hastaların veya doktorların semptom girişi yaparak, çeşitli nadir hastalık veri tabanlarından alınan verilerle eğitilmiş programlar tarafından ayırıcı tanıda düşünülen hastalıkları belirlemesi mümkün olabilmektedir (25,26). Henüz bu gibi sistemler sağlık profesyonelinin yerini alabilecek durumda olmasa da süreci hızlandırmak veya daha erken akla getirmek adına karar destek sistemi olarak kullanılabilir.

Konjenital katarakt (KK), özellikle gelişmekte olan ülkelerdeki çocuklarda daha sık görülmekle beraber, çocukluk çağında körlüğe sebep olabilen bir nadir hastalıktır. Yapılan bir çalışmada derin öğrenme metodları kullanılarak eğitilmiş “CC-Cruiser” isimli programa, Çin Sağlık Bakanlığı Çocukluk Katarakt Programı’ndan alınan 476 sağlıklı ve 410 KK hastasının göz görüntüleri verilmiş, göz hekimleriyle kıyaslandığında %99 doğrulukla katarakt hastalarını belirleyebildiği ve %97 üstünde olguda doğru tedavi seçeneğini önerdiği bulunmuştur (27). İnternetten alınan ve değişik kalitelere sahip görüntüler seçildiğinde ise doğruluk oranı %85-95 arasına inmektedir.

Akıllı saatler gibi giyilebilir teknolojiler, henüz herkes tarafından kullanılamasa da günümüzde yaygınlaşmaya başlamıştır. Bu saatlerin bazıları, günlük atılan adım ile hareketliliği ölçmenin yanı sıra, güvenilir düzeyde tek derivasyonlu elektrokardiyografi (EKG) çekilmesi, gün boyunca oksijen satürasyonu ve kalp hızı ölçümü gibi tıbbi veri toplama imkanlarını sunabilmektedir (28-30). Birçok nadir hastalığa eşlik edebilen doğuştan kalp hastalığı olan bireylerin akıllı saat ile alınmış EKG bulgularını değerlendiren bir çalışmada, kalp ritminin alan uzmanı tarafından düzgün saptanabildiği, amplitüdler ve intervallerin ise p dalgası haricinde, 12-derivasyonlu EKG ile arasında mükemmel bir korelasyona sahip olduğu bulunmuştur (31).

Yapılan çalışmalarda, ani kalp durmasıyla kalıcı hipoksik beyin hasarına veya ölüme sebep olabilen bir nadir hastalık olan uzun QT sendromunun, akıllı saat ile çekilmiş EKG incelenerek saptanabildiği gösterilmiştir (32). Bu hasta grubunda erken tanı konulabilirse kalp pili takılarak normal şekilde yaşamını idame ettirmesi sağlanabilir. İlerleyen dönemde gelişebilecek teknolojilerle maliyetlerin ucuzlaması ve herkesin bir akıllı saati olması halinde, toplum genelinde uzun QT taraması yapılabilir. Yapılan çalışmanın doğası gereği akıllı saat tarafından çekilen EKG ile klasik 12-derivasyonlu EKG çekimi karşılaştırılarak bir uzman tarafından mesai harcanarak değerlendirilmiş olsa da ulaşabilecek kişi sayısı ve yapılan tekrarlayıcı EKG çekimleriyle oluşabilecek büyük veri yükünün aynı şekilde değerlendirilmesi zor görünmektedir. Kısıtlı sayıdaki sağlık profesyonelinin iş yükünü azaltmak amacıyla EKG’de QT mesafesinin uzadığının tespit edilmesiyle ilgili uzmana acil başvuru yapması için kullanıcıyı uyarabilecek yapay zeka algoritması günümüz şartlarında kolaylıkla geliştirilebilecek düzeydedir.

Doğal Dil İşleme

Doğal Dil İşleme (DDİ), yapay zekanın bir diğer alt alanıdır. Temel hedefi bilgisayarların dili insanların anladığı şekilde algılayabilmesini sağlayan bir tür veri madenciliğidir. Daha çok, anamnez metni gibi yapılandırılmamış verilerde kullanılmaktadır. Metin üzerinden dil çevirileri, sohbet robotları, konuşmanın metne döndürülmesini sağlayan yazılımlar günümüzde yaygın kullanılmakla beraber, büyük ve karışık metinlerin analizinin yapılması, metnin özetlenmesi, açıklamalı metin oluşturulması gibi fonksiyonların gelişmesiyle birçok farklı alanda kullanılabilir hale gelmeye başlamaktadır (33-35).

Nadir hastalıkların, önceden belirtildiği gibi tanılamasında güçlükler mevcuttur. Tanı konulana kadar çok sayıda hastane başvurusu yapılabilmektedir. Son yıllarda fiziki hasta dosyası oluşturmak yerine elektronik sağlık kayıtları tutulması ön plana çıkmakta ve tercih edilmektedir. Bunun sonucunda dijital ortamda kolayca erişilebilecek hasta anamnezleri, laboratuvar sonuçları, tanıları, görüntüleme raporları gibi birçok metin bazlı veri yığını oluşturmaktadır. DDİ yöntemleriyle bu verilerin hızla işlenip değerlendirilebilmesi mümkündür. Örneğin pediatri alanında farklı organ sistemlerinde yaygın görülen 55 hastalık için geliştirilen bir modelde, 500.000’den fazla pediatrik hastanın elektronik sağlık kayıt sistemi verilerini kullanarak, deneyimli bir pediatri uzmanıyla kıyaslanabilecek ölçüde yüksek doğrulukla tanı konabildiği gösterilmiştir (36).

DDİ çalışmalarında kullanılmak üzere uzmanlar tarafından yeterli sayıda açıklamalı metin oluşturulması ve verilerin etiketlendirilmesi önem arz ettiği için nadir hastalıklarda bu metodları kullanmak daha zordur (37). Bu nedenle nadir hastalıklar alanında benzer kapsamda DDİ işleme çalışmaları daha zor yapılabilmektedir. Ancak yine de çalışmalar sürmektedir. Örneğin; nadir hastalıklar alanında DDİ’de kullanılmak üzere hastalık isimleri, klinik bilgiler, eş anlamlılık, baş harf kısaltmaları gibi verileri içerecek açıklamalı metin çalışması yapılabilmiştir (38).

Dravet sendromu, genetik kaynaklı epilepsi ve gelişimsel bozukluğa yol açan bir ensefalopati olup, yaşamın ilk yılında başka bir sıkıntısı olmayan infantlarda febril konvülsiyon ve status epileptikus ile kendini gösterir. İki yaştan itibaren birçok farklı nöbet tipi eşlik etmeye başladığından ve başlangıçta febril konvülsiyonlar ile karıştırıldığından genelde tanı ilk nöbetten yıllar sonra konulabilir (39). Deneyimli bir uzmanın bile tanı koyması uzun süren bu hastalık için yapılan çalışmada DDİ yöntemi kullanılarak, Dravet sendromu ile febril konvülsiyon grubundaki hastaların önceki özgeçmiş metinleri incelenmiş ve 10’dan fazla kelimenin (sedasyon, myokloni, ataksi vb.) diğer gruba oranla daha sık kaydedildiği izlenmiştir (40). Bu çalışma, farkında olmadan kaydedilmiş bazı bulgu ve kayıt özelliklerine bakılarak, ilgili hastalıktan daha erken şüphelenilmesiyle genetik testlerin daha erken yapılmasına ve böylece erken tanı konulmasına olanak sağlayabilir.

Erken tanı sayesinde, bu hastalıkta nöbetleri azaltmak yerine şiddetlendirebilecek anti epileptik ilaç gruplarından uzak durulabilmesi, ateş ile daha kolay tetiklenen nöbetlerin varlığı nedeniyle ailelerin bilgilendirilerek ateşe erken ve doğru doz ilaç ve uygulamalarla müdahaleye yönlendirebilmesi, tüm bunlar ile tekrarlayan nöbetlerin azaltılabilmesi, ayrıca bu hastalıkta fayda görülmeyeceği bilinen epilepsi cerrahisi gibi girişim ve müdahalelerden uzak durulabilmesi söz konusu olabilecektir.

DDİ metotları, diğer medikal bilgilerin işlenmesinden farklı olarak ilgili dil özelinde yapılabilmektedir. Dolayısıyla bu alandaki çalışmalar, tıbbi literatürün en zengin olduğu İngilizce diline özgü oluşturulmaktadır. Ülkemizde kullanabilmek için bu çalışmalar örnek alınarak Türkçe DDİ çalışmalarının yeniden yapılması gerekmektedir.

Takip ve Tedavi Süreçleri

Nadir hastalıkların birçoğunda erken tanı ile erken tedavi başlanması önemlidir, hatta bazı durumlarda hastalık tamamen etkisiz hale getirilebilir. Erken tedavinin ön koşulu erken tanıdır. Örneğin fenilketonüri hastalığı, saptanamadığı takdirde zamanla geri dönüşümsüz beyin hasarına yol açarken, ülkemizde uygulanmakta olan “Yenidoğan Metabolik ve Endokrin Hastalık Tarama Programı” sayesinde hayatın ilk günlerinde saptanabilmekte ve sadece uygun diyet tedavisiyle bu bireyler herhangi bir zeka geriliği gelişmeden normal hayatlarını sürdürebilmektedirler (41).

Kistik fibrozis hastalığı, kistik fibroz transmembran iletkenlik düzenleyici (CFTR) gendeki mutasyonlara bağlı gelişen otozomal resesif geçişli bir nadir hastalıktır (42). Solunum sistemi başta olmak üzere birçok organ sistemini etkileyerek ilerleyici solunum yetmezliğine yol açar (43). Yapılan bir çalışmada “AutoPrognosis” adı verilen makine öğrenmesi algoritmasında İngiltere’deki kistik fibrozis hastaların %99’undan alınan veriler kullanılarak bu hastalık grubunda prognozun tahmin edilerek akciğer transplantasyonu gibi tedavi seçeneklerinin karar verilmesinde yardımcı olabileceği görülmüştür (44).

Kistik fibrozis hastalarında hastalığın seyrini değerlendirmede Brasfield radyografi skorlaması kullanılabilir. Bu sistemde hava hapsi, bronşiektazi lezyonları, genel ciddiyet gibi 5 alanda puanlama yapılır (45). Bu amaçla, akciğer radyografilerinden Brasfield skorlaması yapabilen bir derin evrişimli sinir ağı modeli geliştirilmiştir (46). İlgili model, 5 pediatrik radyoloji uzmanı tarafından yapılan değerlendirmelerle arasında yüksek korelasyon saptanmıştır (0,79-0,83). İlgili radyologların kendi arasındaki korelasyonu ile benzerdir (0,85-0,90). Nadir hastalığın deneyimli bir radyoloji uzmanı tarafından değerlendirilmesini sağlamak zor olabilmektedir. İlgili hastalar uzmanlaşmış merkezlerden uzakta ikamet ederken de bu gibi değerlendirmelerin anlık olarak yapılması mümkün olabilecektir.

Bazen önceden keşfedilmiş bir ilaç, çeşitli hastalıklarda endikasyon dışı olarak kullanılarak fayda gösterebilmektedir. Bu nedenle birçok hastalıkta, moleküler temelin anlaşılması tanı ve tedavide kritik öneme sahiptir. “URSAHD” sisteminde 300’den fazla hastalık için yüzlerce karmaşık koşuldan elde edilen genetik ve moleküler bilgilere dayanılarak ilaçların farklı kullanım alanları bulunmaya çalışılmıştır (47). Benzer şekilde, büyük miktarlarda tarama verisinden yararlanarak ilaçların terapötik hedeflerinin biyoaktivitesini ve moleküler özelliklerini yüksek doğrulukla tahmin edebilen bir makine öğrenmesi algoritması geliştirilmiştir (48).

Yapay Zeka Uygulamalarında Karşılaşılabilecek Sorunlar

Yapay zeka çalışmalarının sayısı çok hızlı artmakla beraber, kalitesini değerlendirmek üzere literatürde bazı rehber ve kılavuzlar oluşturulmaya başlanmıştır (49). Temel olarak değerlendirilmesi gereken hususlar Tablo 1’de belirtilmiştir.

Yapay zekanın değerlendirilmesi için sunulacak verilerin belirli bir kalite veya standartta olması daha doğru sonuçlara ulaşmasını sağlamaktadır (50). Bu nedenle pratik hayattaki uygulamaların yaygınlaşması ve daha iyi sonuçlar alınması için verilerdeki ön işlemlerin düzgün yapılmasının bu amaçta önemli bir yere sahip olduğu düşünülebilir. Yine de uzmana erişimin olmayacağı ya da çok geç ulaşılabileceği durumlarda ön fikir alınabilmesi veya hasta sevkinde öncelik verilebilmesi amacıyla daha düşük kalitede verilerin kullanılması düşünülebilir.

İleri bir gelecekte yapay zekaya güvenerek normal test basamakları ve uzman görüşlerinin atlanması veya ihmal edilmesi söz konusu olabilir. Bir hastalıktan şüphelenildiğinde yaygın kullanımda bulunan bir algoritmanın hasta olan kişinin normal olduğunu bildirmesi halinde hasta zarar görülebilir. Ayrıca yapay zeka metodları kullanılarak yapılan bir tıbbi hatada kimin sorumlu olacağı da halen tartışılmaktadır. İlgili hastayla ilgilenen hekimin mi, algoritmayı üreten kişinin mi yoksa başka bir kurumun mu sorumlu tutulacağı yasal düzenlemelerle güvence altına alınmadan muhtemelen yaygın kullanıma geçilmesi mümkün olmayacaktır.

Veri güvenliği sağlanamazsa bireylerin “etiketlenme” problemi etik bir sorun olarak karşımıza çıkabilecektir. Nadir hastalığı olan bireyler veya ailelerinin bu konuda şüphe duymaları halinde verilerinin kullanımına izin vermekten vazgeçmeleri muhtemeldir. Bu problem daha çok genetik hastalıklarda karşılaşılabilecek olup, birçok nadir hastalığın genetik temeli olması nedeniyle bu sorundan etkilenmesi beklenebilir. Bu nedenle gelecekte toplum genelinde uygulanabilecek yapay zeka metotlarının kullanımında veri güvenliğinin sağlanması için ilk basamakta hekimlerden ve diğer sağlık çalışanlarından başlayarak sonrasında sağlık hizmet sunucularının ve merkezi sağlık veri sistemlerine kadar her yerde ciddi önlemler alınması gereklidir.

Sonuç

Mevcut sağlık sistemleri ilk aşamada öncelikle çok toplumda yaygın görülen diyabet, hipertansiyon gibi hastalıkları tanımaya ve tedavi vermeye odaklanmaktadır. Sağlık çalışanlarına ve hastane olanaklarına ihtiyaçları çok daha fazla olan ve genellikle birçok sistemde tutulum yapan nadir hastalıklar öncelik sırasında geride kalmaktadır.

Bazı nadir hastalıkları erken yakalayabilmek için geniş kapsamlı tarama programları yürütmek gerekebilir. Ülkemizde Spinal Musküler Atrofi evlilik öncesi tarama programı Aralık 2021 itibariyle başlamıştır (51). Böyle durumlarda çok sayıda kişinin taranması, yüksek insan iş gücüne ve maliyete ihtiyaç duyulması beklenir. Uygun şekilde kurgulanmış, doğruluk oranı yüksek olan derin öğrenme algoritmalarının kullanımıyla hali hazırdaki programların kapsamı dışında kalan bazı nadir hastalıkların toplum genelinde hızla taranması mümkün olabilir.

Çeşitli yöntemlerle herhangi bir sağlık kuruluşunda alınacak bir görüntü veya tetkikin, çeşitli yapay zeka metotlarının tüm sağlık sistemine entegrasyonu ile nadir hastalıkların hızlı tanı alıp ilgili tıbbi süreçlerin başlamasını sağlayabilecek karar destek sistemlerinin gelişimini desteklemenin faydalı olabileceğini düşünülebilir. Nadir hastalıklar alanında yapay zeka çalışmalarında karşılaşılabilecek temel problemler hem sayılarının azlığı nedeniyle hem de bazı hastalıkların olgudan olguya oldukça değişken ilerlemesi nedeniyle çok sayıda veriye ihtiyaç duyabilecek derin öğrenme algoritmalarının eğitiminde yeterli verinin toplanmasının daha zor olmasıdır.

Sonuç olarak gelişen teknolojiden yararlanım noktasında yapay zeka kullanımında ülke olarak gerekli çabayı göstermeli, disiplinler arası iş birliklerini artırarak bu alandaki çalışmalarımızı ilerletmeliyiz.