HealthBench: Sağlıkta Yapay Zekâ Performansını Ölçmenin Yeni Dönemi

Sağlık sektöründe yapay zekâ (YZ) kullanımı hızla artarken, bu teknolojilerin güvenli, etkili ve sorumlu bir şekilde uygulanması için standartlara duyulan ihtiyaç kritik boyuta ulaşmıştır. HealthBench, OpenAI tarafından 2025 yılında tanıtılan açık kaynaklı bir değerlendirme standardı olup, büyük dil modellerinin (LLM) sağlık alanındaki performans ve güvenlik açılarından gerçekçi senaryolarda ölçülmesini sağlar. 5.000 adet çok yönlü sağlık diyaloğunu ve 262 doktorun katkısıyla oluşturulmuş ayrıntılı değerlendirme kriterlerini (rubrikleri) içeren bu benchmark, sağlık yapay zekâsının gerçek dünya koşullarına ne kadar hazır olduğunu ortaya koymaktadır.

Bu blog yazısında, HealthBench’in ne olduğu ve nasıl ortaya çıktığından başlayarak, tasarımındaki veri kaynakları ve etik çerçeveden değerlendirme metodolojisine kadar kapsamlı bir bakış sunulmaktadır. Özellikle hastane yöneticileri, CIO’lar ve klinik inovasyon liderleri için HealthBench’in sağlayacağı stratejik avantajlar vurgulanmaktadır: kurum içi model seçimi ve tedarikçi değerlendirmesinde objektif bir ölçüt olması, düzenleyici gerekliliklere uyumun kolaylaşması ve açık veri yaklaşımıyla sektör genelinde şeffaflığın artması gibi konular ele alınmaktadır. Ayrıca, dünyadan ve Türkiye’den gerçek kullanım örnekleri üzerinden model değerlendirme sonuçları ve performans iyileştirmeleri incelenmekte; Cleveland Clinic ve Mayo Clinic gibi öncü kurumların elde ettiği somut kazanımlar aktarılmaktadır.

Yazının ilerleyen bölümlerinde, bir sağlık kuruluşunda yapay zekâ çözümlerini HealthBench gibi bir benchmark kullanarak hayata geçirme yol haritası adım adım anlatılmakta, karşılaşılabilecek zorluklar ve bunlara karşı çözüm stratejileri tartışılmaktadır. Son olarak, 2025–2027 dönemindeki muhtemel trendler öngörülerek, sağlık yöneticilerine proaktif bir yaklaşım benimseyip HealthBench gibi veri temelli araçları stratejilerine dahil etmeleri için bir eylem çağrısı yapılmaktadır. Bu sayede, yapay zekânın sağlık hizmetlerinde güvenilir ve etkin bir şekilde konumlandırılması için gereken vizyon ve somut adımlar bütünsel bir çerçevede sunulmaktadır.

HealthBench Nedir?

HealthBench, büyük dil modellerinin sağlık alanındaki yetkinliklerini gerçek dünya senaryolarında ölçmek için geliştirilmiş açık kaynaklı bir benchmark (kıyaslama seti) sistemidir. 2025 yılı Mayıs ayında OpenAI tarafından duyurulan bu değerlendirme aracı, yapay zekânın tıp ve sağlık hizmetlerinde oluşturabileceği etkinin anlamlı, güvenilir ve ilerlemeye açık şekilde değerlendirilebilmesini amaçlamaktadır. HealthBench’in geliştirilmesinde 49 farklı dilde ve 26 uzmanlık alanında deneyimli, 60 ülkede görev yapmış 262 hekim aktif rol almıştır. Bu sayede, benchmark kapsamına 5.000 adet çoktan seçmeli sınav sorusuna indirgenmiş testler yerine, hastaların ve klinisyenlerin gerçek etkileşimlerini yansıtan 5.000 adet çok aşamalı (multi-turn) sağlık diyaloğu dahil edilmiştir. Her bir diyalog, ilgili senaryoya özel olarak doktorlarca yazılmış performans kriterleri (rubrikler) ile değerlendirilmektedir. Sonuçta modelin cevabı; tıbbi doğruluk, uygunluk, iletişim dili gibi boyutları içeren onlarca kritere göre puanlanarak kapsamlı bir skor elde edilir.

Tarihsel bağlama bakıldığında, HealthBench benzeri girişimler ihtiyaçtan doğmuştur. Öncesinde sağlık yapay zekâsını değerlendirmek için USMLE (ABD tıp lisans sınavı) soruları veya MedQA, MedMCQA gibi çoktan seçmeli sınav veri setleri yaygın biçimde kullanılıyordu. Örneğin, bir dönüm noktası olarak görülen Google’ın Med-PaLM modeli bu tür sınav tarzı sorularda insan seviyesine yakın başarı göstermişti (USMLE sorularında ~%85 doğruluk) ancak bu değerlendirmeler dar ve yapay kalıyordu. Sektör uzmanları, bu tarz testlerin artık “doyma noktasına” ulaştığını – birçok modelin bu sınav sorularında %90+ başarıya ulaştığını – vurgulayarak, gerçek klinik görevleri yansıtan yeni ölçütlere ihtiyaç olduğunu belirtiyorlar. Stanford Üniversitesi’nden Dr. Ethan Goh bu konuda, “Mevcut pek çok benchmark gerçekçi senaryoları kapsamadığı gibi, en iyi modeller için artık gelişim alanı bırakmıyor; HealthBench ise hasta ve klinisyen kullanım senaryolarını kapsayan görev düzeyinde bir değerlendirme boşluğunu dolduruyor” şeklinde görüş bildirmiştir.

HealthBench, bu boşluğu doldurmak üzere öncül ve bütüncül bir standart olarak tasarlanmıştır. Stanford araştırmacılarının gerçek elektronik sağlık kayıtlarına dayalı testler içeren MedHELM projesi ile “ruhsal açıdan uyumlu” (directionally aligned) olduğu belirtilen HealthBench, ancak ondan farklı olarak sağlık sistemi dışındaki (ör. evde bakım, genel toplum) senaryolara odaklanmaktadır. Stanford Üniversitesi’nden Nigam Shah, HealthBench’in kendi çalışmalarıyla yüksek derecede tamamlayıcı olduğunu, 60 ülkeye yayılan 262 hekimin katkısıyla ve 49 dilde örnekler içermesiyle dikkat çektiğini ifade etmektedir. Kurumsal olarak da, OpenAI’nin bu benchmark’ı ABD’nin ötesinde küresel bir işbirliğiyle (WHO, uluslararası sağlık kuruluşları vb. paydaşlarla) geliştirmiş olması, HealthBench’i diğer tek kurum odaklı test setlerinden ayıran önemli bir özelliktir. Sonuç olarak, HealthBench tanım itibarıyla yapay zekâ destekli sağlık uygulamalarının “altın standart” bir değerlendirme platformu olmayı hedefleyen ve bu doğrultuda geniş kabul görmeye başlayan bir referans noktasıdır.

Model Karşılaştırma Grafiği – HealthBench Genel Puanları

Yukarıdaki sütun grafiğinde HealthBench’in 0-1 ölçeğindeki “genel skor” metriğine göre:

Hekimlerin yardımsız ortalama performansı (%13) en düşük barı oluşturuyor.

En yeni OpenAI modeli o3, hekimsiz GPT-3.5’e göre neredeyse 4 kat daha yüksek puan alıyor.

2024’teki GPT-4o’dan 2025’teki GPT-4.1’e geçiş, ≈%50’lik ek bir iyileşme sağlıyor.

Tasarım ve Oluşturulma Süreci

HealthBench’in tasarımı ve oluşturulma süreci, veri kalitesi, etik hassasiyet ve yasal uyum ilkeleri göz önüne alınarak titizlikle yürütülmüştür. Öncelikle, veri kaynakları bakımından HealthBench, gerçek hasta verilerini doğrudan kullanmak yerine, sentetik veri üretimi ve insan tabanlı adversaryal testler kombinasyonunu tercih etmiştir. 5.000 adet sağlık diyaloğunun bir kısmı, büyük dil modelleri kullanılarak kurgulanmış senaryolardan oluşurken, önemli bir bölümü de doktorlar tarafından özellikle zorlayıcı ve model açıklarını ortaya çıkarıcı biçimde tasarlanmıştır. Bu yaklaşım, hem gerçekçiliği sağlamak (diyaloglar çok adımlı, hasta veya sağlıkçı dilini yansıtan, çeşitli uzmanlık alanlarını kapsayan şekilde oluşturulmuştur) hem de mahremiyeti korumak açısından avantaj sunar. Gerçek hasta verisi kullanılmaması sayesinde, kişisel sağlık verilerinin gizliliği riske atılmadan geniş bir senaryo yelpazesi elde edilmiştir. OpenAI ekibi, veri setini açık olarak paylaşırken dahi, model eğitiminin bozulmaması ve gizlilik için bu örneklerin doğrudan koda sızdırılmamasına yönelik uyarılarda bulunmuştur.

Veri etiketleme ve rubrik oluşturma süreci, HealthBench’in en yenilikçi yönlerindendir. Her bir diyalog örneği için, alanında uzman hekimler o senaryoya özel bir başarı kriterleri listesi (rubrik) hazırlamıştır. Örneğin, “acil durumda 112’yi arama talimatı vermek”, “gereksiz tıbbi jargon kullanmaktan kaçınmak” veya “hastanın sorusunu tam anlamıyla yanıtlamak” gibi somut kriterler belirlenmiştir. Her bir kriter, önem derecesine göre puan ağırlığına sahiptir; böylece model cevabının ne ölçüde “ideal yanıt”a yaklaştığı nesnel bir puan ile ifade edilir. HealthBench toplamda 48.562 adet benzersiz rubrik kriteri içermektedir ve bu sayede model performansının çok boyutlu bir analizi mümkün olmaktadır. Değerlendirme, GPT-4 tabanlı bir otomatik değerlendirici model (GPT-4.1) tarafından yapılmakta; her bir kriterin karşılanıp karşılanmadığı tespit edilerek model cevabına bir toplam puan verilmektedir. Ölçme aracının bu şekilde standardize edilmesi, sonuçların farklı modeller ve senaryolar arasında tutarlı biçimde kıyaslanabilmesine olanak tanır.

Tasarım aşamasında etik ve yasal çerçeve de gözetilmiştir. HealthBench, anlamlı, güvenilir ve doymamış (unsaturated) bir değerlendirme olması hedefiyle tasarlanmıştır. Anlamlılık, yani puanların gerçek dünyadaki etkileri yansıtması, sadece tıbbi sınav bilgisi değil kompleks klinik durumlar ve hastayla iletişim gibi unsurların da değerlendirmeye dahil edilmesiyle sağlanmıştır. Güvenilirlik, yani skorların uzman klinisyen yargısını temsil etmesi, doktorların öncelik verdiği ölçütlerin kullanılması ve sonuçların yine doktorlarca doğrulanması ile teminat altına alınmıştır. Son olarak, doymamışlık ilkesi gereği benchmark, mevcut en gelişmiş modellerin bile alabileceği en yüksek puanların mükemmellikten uzak olacağı şekilde zorluk derecesinde tasarlanmıştır. Nitekim GPT-4 gibi güçlü modeller dahi HealthBench puanlarında 100 üzerinden 60 civarında bir skora ulaşabilmektedir, yani iyileşme payı halen geniştir.

Yasal açıdan, HealthBench açık bir lisansla araştırma topluluğuna sunulmuştur (OpenAI, verileri ve değerlendirme aracını GitHub üzerinden paylaşmıştır). Bu açık veri politikası, şeffaflık ve hesap verebilirlik prensipleriyle uyumludur ve akademik camia ile endüstride bağımsız doğrulama ve tekrar edilebilirlik imkânı sağlamaktadır. Ayrıca, gerçek hasta verisi içermemesi sayesinde HIPAA gibi sağlık bilgi gizliliği yasaları veya KVKK gibi kişisel veri koruma düzenlemeleri bakımından daha esnek bir kullanım alanı mevcuttur. Bununla birlikte, HealthBench içindeki senaryoların ve kriterlerin geliştirilmesi sırasında tıpta etik ilkelere (ör. hastaya zarar vermeme, özerkliğe saygı, yarar sağlama) dikkat edilmiş; modelden beklenen “ideal” davranış tanımları bu etik ilkelerle uyumlu biçimde oluşturulmuştur. Dünya Sağlık Örgütü’nün 2021’de ortaya koyduğu yapay zekâ etiği prensipleri – örneğin insan özerkliğinin korunması, refah ve güvenliğin teşviki, açıklanabilirlik, hesap verebilirlik, kapsayıcılık ve sürdürülebilirlik – bu değerlendirmenin ruhunda kendini göstermektedir. Özetle, HealthBench tasarım süreci sadece teknik bir egzersiz olmayıp, çok paydaşlı ve disiplinler arası bir çalışmanın ürünüdür; bu yönüyle sağlık alanında yapay zekâ uygulamalarının geliştirilmesi ve değerlendirilmesi için model teşkil etmektedir.

Değerlendirme Metodolojisi

HealthBench değerlendirme metodolojisi, yapay zekâ modellerinin sağlık alanındaki performansını çok boyutlu ve karşılaştırmalı bir yaklaşımla ölçmeyi hedefler. Bu metodolojinin temel unsurları, ele alınan görevler (senaryolar), kullanılan metrikler ve insan performansı ile karşılaştırmalardır.

Görevler (Senaryolar): HealthBench kapsamında modeller, 7 ana tema altında gruplanmış çeşitli senaryolarda teste tabi tutulur. Bu temalar arasında acil durumlar, belirsizliği yönetme (kararsızlık durumları), sağlık verisi ile ilgili görevler, küresel sağlık, uzmanlık seviyesine göre iletişim, bağlam sorgulama ve yanıt derinliği gibi kategoriler bulunmaktadır. Her tema, ilgili gerçek dünya etkileşimlerini temsil eden örnekleri içerir. Örneğin, “acil durum” teması altında bir hasta yakını tarafından sorulan hayati tehlike içeren bir durum sorusu veya “belirsizlik” teması altında doktorun kesin tanı koyamadığı bir durumda hastaya yanıt verme senaryosu yer alabilir. Senaryoların çeşitliliği, hasta ve klinisyen perspektiflerinin, farklı tıbbi branşların ve kültürel bağlamların kapsam içine alınmasıyla sağlanır. Hatta HealthBench, çok dilli yapısıyla (49 dil) farklı dil ve sağlık okuryazarlığı seviyesindeki iletişim zorluklarını da test eder niteliktedir. Modeller bu senaryolarda, kullanıcının (hasta veya doktorun) sorduğu soruya veya talebe en iyi olası yanıtı vermeye çalışır.

Metrikler: Model cevaplarının değerlendirilmesi, önceden belirtilen rubrik kriterlerinin sağlanma düzeyine dayanır. Her bir senaryoda ortalama 11–12 adet kriter tanımlanmıştır ve modelin yanıtı her kriter için “karşıladı” veya “karşılamadı” şeklinde işaretlenir. Bu kriterlerin bazıları pozitif (yapması beklenen şeyler) bazıları negatif (kaçınması gereken hatalar) olabilir ve HealthBench rubriklerinin yaklaşık %69’u pozitif kriterlerden oluşmaktadır – yani modeli istenen davranışlara teşvik eden bir yapıdadır. Örneğin bir pozitif kriter “hastayı acilen doktora yönlendirme tavsiyesini açıkça belirtmek” iken, negatif bir kriter “hastaya gereksiz korku verecek ifadeler kullanmamak” olabilir. Değerlendirme metriği olarak toplam puan, modelin yanıtının aldığı kriter puanlarının toplamının, kriterlerin maksimum puanına oranlanmasıyla hesaplanır. Basitçe, her senaryoda modelin performansı yüzde skoruna benzer bir puanla ifade edilir. Örneğin bir senaryoda mümkün olan maksimum puan 50 ise ve model cevabı buna karşılık 30 puan aldıysa, o senaryo puanı %60 olarak yorumlanır.

HealthBench ayrıca değerlendirme çıktısını özetlemek için bir genel skor üretir. Bir modelin HealthBench genel skoru, tüm senaryolar üzerindeki ortalama performansıdır. Burada önemli bir nokta, HealthBench skorunun mutlak değil nispi anlamda değerlendirilmesidir: Skor ne kadar yüksekse modelin hedeflenen ideal cevaba o kadar yaklaştığı anlaşılır ancak belirli bir eşik üzerinde “başarılı” sayılma gibi bir durum tanımlanmamıştır. Bu yönüyle HealthBench, sürekli iyileştirmeyi teşvik eden bir değerlendirme yapısı kurmuştur.

Karşılaştırmalar: İnsan vs. Model Performansı: HealthBench, yapay zekâ model sonuçlarını insan uzmanlarının performansıyla karşılaştırmalı olarak ele alan ilk kapsamlı çalışmalardan biridir. Bunu yapmak için, belirli bir alt set senaryoda insan doktorların ideal yanıtları ile modellerin yanıtları yan yana değerlendirilmiştir. OpenAI ekibi, 2024 yılı Eylül ayına ait modellerinin (ör. GPT-4o gibi) cevaplarını alarak bunları hekimlere göstermiş ve hekimlerden bu cevapları geliştirerek en iyi yanıtı yazmalarını istemiştir. Sonuçta ortaya çıkan “doktor+model işbirliği” yanıtları, model yanıtları ve tamamen doktorların kendi yazdığı yanıtlarla karşılaştırılmıştır. Bulgular, model destekli doktor yanıtlarının Eylül 2024 modelinin orijinal yanıtlarından daha üstün olduğunu, aynı zamanda model destekli doktorların kaynak (model) kullanmayan doktorları da geride bıraktığını göstermiştir. Yani bir yıl öncesinin model çıktıları dahi doktorlar için iyi bir taban oluşturmuş, ancak insan uzmanlığı ile daha da iyileştirilebilmiştir. İlgi çekici bir diğer deneyde ise, 2025 Nisan’ında sunulan en yeni modellerin (OpenAI o3 ve GPT-4.1 gibi) cevapları ele alınmış ve doktorlardan bunları iyileştirmeye çalışmalarını istenmiştir. Bu sefer, doktorların model yanıtlarını iyileştiremediği – yani en yeni model cevaplarının halihazırda uzman düzeyinde olduğu – görülmüştür. Bu bulgu, büyük dil modellerinin bazı dar görevlerde insan uzmanlığına denk ya da onu aşan bir performansa erişmeye başladığını göstermesi açısından çarpıcıdır. Örneğin, HealthBench puanları itibarıyla OpenAI’nin Nisan 2025’teki “o3” modelinin skoru %60 iken, önceki jenerasyon GPT-4o modeli %32’de kalmıştır; benzer şekilde GPT-3.5 Turbo modeli ise %16 gibi bir skorda idi. Yalnızca 1-2 yıl içindeki bu hızlı artış (%16’dan %60’a) yapay zekâ modellerinin sağlık özelinde giderek yetenek kazanmakta olduğuna işaret etmektedir.

HealthBench ayrıca “insan güvenliği” açısından da kritik bir değerlendirme sunar: Modellerin en kötü durum performansını incelemektedir. Örneğin, bir model aynı soruya birden fazla denemede farklı yanıtlar verebilir; bu durumda worst-of-n (n denemede en kötü performans) metriği hesaplanarak, modelin en kötü cevabının ne kadar tehlikeli veya hatalı olabileceği gözlenir. Sağlıkta tek bir hatalı yanıtın bile felakete yol açabileceği düşünülürse, bu güvenilirlik analizleri oldukça önemlidir. OpenAI’nin paylaştığı sonuçlarda, yeni modellerin bu en kötü durum performansında anlamlı iyileşme gösterdiği ancak halen daha kat edilmesi gereken mesafe olduğu belirtilmiştir.

Değerlendirme metodolojisinin bir parçası olarak, HealthBench veri setinin farklı versiyonları da sunulmuştur: HealthBench Consensus ve HealthBench Hard. HealthBench Consensus, doktorların fikir birliği sağladığı kriterleri içeren 3.671 örnekten oluşur; buradaki hedef, neredeyse hatasız kabul edilebilecek bir değerlendirme altkümesi sunmaktır. Bu versiyonda modeller için hata oranları raporlanmakta ve güçlü modellerin dahi nadiren de olsa kritik hatalar yapabildiği alanlar belirlenmektedir. HealthBench Hard ise mevcut modellerin en çok zorlandığı 1.000 örneği içerir; günümüz en iyi modelinin bu altkümedeki skoru sadece %32 düzeyindedir. Bu zorlu örnekler, gelecekteki model iyileştirmeleri için meydan okuma işlevi görmektedir.

Son olarak, HealthBench’in güvenirliği de yine bir metodoloji ile doğrulanmıştır: Trustworthiness of HealthBench analizinde, model-temelli otomatik puanlayıcının verdiği notlar ile doktorların verdiği notlar karşılaştırılmıştır. Sonuç olarak, model değerlendiricinin bir kriteri karşılayıp karşılamadığına dair yargıları ile bağımsız hekimlerin yargıları arasında büyük ölçüde uyum tespit edilmiştir. Hekimler arası uyum oranına yakın bir şekilde, yapay zekâ değerlendirici de hekimlerle aynı kanaate varabilmektedir. Bu da HealthBench’in değerlendirme yaklaşımının insan uzmanlığını yansıttığına dair güçlü bir kanıt sunar. Özetlemek gerekirse, HealthBench metodolojisi, çok çeşitli sağlık görevlerinde modellerin performansını puanlayan, bunları insan standardıyla kıyaslayan ve güvenilirliği yüksek bir çerçeve sunan kapsamlı bir değerlendirme sistemidir.

Avantajlar

HealthBench’in sağlık sektörüne kazandırdığı avantajlar, kurum içi teknoloji seçiminden düzenleyici uyuma, endüstriyel şeffaflıktan açık inovasyona uzanan geniş bir yelpazeyi kapsamaktadır. Üst düzey hastane yöneticileri ve CIO’lar için bu avantajlar stratejik önem taşır:

• Kurum İçi Model Seçimi: Sağlık kuruluşları, yapay zekâ tabanlı çözümleri (örneğin bir klinik karar destek sistemi veya hasta sohbet botu) hayata geçirmeden önce birçok alternatif model veya hizmet sağlayıcı arasında seçim yapmak durumundadır. HealthBench, bu seçim süreci için nesnel bir karşılaştırma platformu sağlar. Örneğin bir hastane, farklı firmaların sunduğu klinik asistan yazılımlarını ya da açık kaynak bir modeli fine-tune ederek geliştirdiği kendi modelini HealthBench senaryolarında test edebilir. Sonuçlar, hangi modelin daha yüksek tıbbi doğruluk ve güvenlik sergilediğini, hangisinin belirli alanlarda zayıf kaldığını sayısal olarak gösterecektir. Bu da satın alma veya geliştirme kararlarında kanıta dayalı bir yaklaşımı mümkün kılar. Cleveland Clinic örneğinde, kurum 5 farklı yapay zekâ tıbbi sekreter (AI scribe) sistemini kapsamlı pilotlarla test etmiş ve veriye dayalı olarak en iyi performansı göstereni seçmiştir. HealthBench gibi bir standardın varlığı, bu tür kıyaslamaları yaparken ortak bir dil ve metrik kullanılmasını sağlar; böylece kurum içi değerlendirmeler sübjektif deneyimlere veya pazarlama söylemlerine değil, somut performans verilerine dayanır.
• Düzenleyici Uyum ve Güvenilirlik: Yapay zekâ sistemlerinin sağlıkta kullanımında düzenleyici otoritelerin beklentileri giderek netleşmektedir. AB’nin 2024’te kabul ettiği Yapay Zekâ Tüzüğü (AI Act), sağlık alanındaki yapay zekâ uygulamalarını büyük ölçüde “yüksek riskli” kategoride tanımlamakta ve bu sistemler için sıkı gereklilikler getirmektedir. Bu gereklilikler arasında risk yönetimi, veri yönetişimi, insan denetimi ve objektif performans değerlendirmeleri yer almaktadır. HealthBench, bu bağlamda, üreticilerin veya sağlık kurumlarının bir yapay zekâ sisteminin güvenlik ve etkinliğini göstermesi için elinde bulundurabileceği standartlaştırılmış bir kanıt seti sunar. Regülatörler (örneğin FDA veya Türkiye’de TİTCK), piyasaya sunulacak bir klinik yapay zekâ ürünü için HealthBench sonuçlarını destekleyici bir metrik olarak talep edebilir. Benzer şekilde, hastane kalite ve hasta güvenliği komiteleri de bir modeli kullanıma almadan önce HealthBench skoru gibi göstergelere bakarak bilinçli onay verebilirler. Bu durum, yapay zekânın “kara kutu” olarak algılanmasından, şeffaflık ve hesap verebilirlik çerçevesine geçişi hızlandırır. Ayrıca, kurumsal risk yönetimi açısından da yöneticilere fayda sağlar: Örneğin bir modelin acil durum senaryolarında düşük puan aldığı görülürse, o modelin bu alanda kullanılmaması veya ek önlemlerle kullanılması kararı alınabilir.
• Açık Veri ve İnovasyon Ekosistemi: HealthBench’in açık kaynak olması, sektörde iş birliğini ve inovasyonu teşvik eder. Tüm sağlık kurumları ve araştırmacılar, aynı veri setini ve metrikleri kullanarak modellerini test edebilmektedir. Bu sayede bir kurumun elde ettiği sonuçlar başka bir kurum tarafından doğrulanabilir, paylaşılan bir öğrenme kültürü oluşur. Örneğin, Stanford Üniversitesi araştırmacıları kendi MedHELM çalışmaları kapsamında HealthBench’i de test sürecine dahil etmeyi planladıklarını ve verisetinin genişliği sayesinde çalışmalarına değer katacağını belirtmişlerdir. Açık bir benchmark, farklı paydaşlar (üniversiteler, kamu hastaneleri, özel sağlık grupları, start-up şirketler) arasında bilgi alışverişini kolaylaştırır. Özel sektör şirketleri, modellerini bağımsız bir benchmark’ta değerlendirmekten çekinmez hale gelir zira tüm rakipler için koşullar eşittir. Bu durum, rekabetin kalite ekseninde gelişmesini sağlar. Ayrıca, HealthBench verileri yeni araştırmalar için de kullanılabilir; örneğin akademisyenler bu verisetini kullanarak modellerin zayıf olduğu tıbbi alanları tespit eden çalışmalar yayınlayabilirler. Son olarak, açık bir platform oluşu, güven zeminini güçlendirir: Hastalar, doktorlar ve yöneticiler, model performansının objektif bir üçüncü parti ölçütüyle doğrulandığını bildiklerinde teknolojiye güvenleri artar.
• Kurumsal Karar Alma ve Strateji: Üst düzey yöneticiler için HealthBench, sadece teknik bir değerlendirme aracı değil, aynı zamanda stratejik planlama aracıdır. Hastanelerin dijital dönüşüm yol haritalarında, yapay zekâ projelerinin başarı kriterlerini tanımlamak önemlidir. HealthBench, bu kriterleri belirlerken bir referans çerçeve sunar. Örneğin, “Kurumumuzun yapay zekâ destekli klinik karar sistemi, HealthBench skorlarında ilk yıl %50 üzerine çıkacaktır” gibi somut hedefler konulabilir. Bu sayede başarının ölçümü netleşir ve yatırımların geri dönüşü izlenebilir. Ayrıca, yöneticiler HealthBench sonuçlarına bakarak kaynak tahsisi yapabilirler: Eğer belirli bir alanda (örneğin kadın sağlığı, veya belirli bir dilde iletişim gibi) modellerin zayıf kaldığı görülüyorsa, o alana özel Ar-Ge projelerine yatırım yapılmasına karar verilebilir. Bu tür bilinçli karar alma, kurumların kısıtlı kaynaklarını en çok değer yaratacak alanlara yönlendirmesine yardımcı olur.

Özetle, HealthBench sayesinde sağlık kurumları daha akıllı seçimler yapabilir, düzenlemelere proaktif uyum sağlayabilir ve sektör genelinde güvenilirlik ve şeffaflık kazanabilir. Bu da hem kısa vadede operasyonel iyileşmeleri (daha iyi teknoloji seçimi, hataların azaltılması) hem de uzun vadede kurumsal itibar ve liderlik pozisyonunu pekiştirmeyi beraberinde getirir.

Kullanım Senaryoları

HealthBench’in pratikte nasıl kullanılabileceğine dair pek çok senaryo mevcuttur. Bu bölümde, hastane ve sağlık kuruluşlarının model seçimi, tedarikçi analizi, sohbet botları ve benzeri alanlarda HealthBench’ten nasıl faydalanabileceği örneklerle ele alınmaktadır:

• Yapay Zekâ Modeli Seçimi ve Kıyaslaması: Bir sağlık kurumu, elektronik sağlık kayıtlarından otomatik özet çıkaracak bir dil modeli veya hastaların sorularına cevap verecek bir sohbet botu entegre etmek isteyebilir. Piyasada OpenAI GPT-4, Google’ın Med-PaLM, Meta’nın Llama 2 gibi farklı modeller veya bunları kullanan çeşitli iş ortakları bulunuyor. HealthBench, bu modellerin aynı koşullarda karşılaştırılmasını sağlar. Örneğin, bir CIO ekibi GPT-4 tabanlı bir çözümü, başka bir firmanın sağlık verilerine özel eğittiği modeli ve kendi kurum içi geliştirdikleri prototipi HealthBench verisetindeki tüm diyaloqlarda çalıştırıp puanlarını çıkarabilir. Sonuçta hangi modelin genel olarak daha iyi olduğu, hangisinin acil durumlarda hata yaptığı veya hangisinin hasta iletişiminde daha nazik bir dil kullandığı ortaya konur. Cleveland Clinic’in 2024 boyunca yaptığı pilot çalışması tam da bu yaklaşımı yansıtır: 80’den fazla uzmanlık dalında, 5 farklı yapay zekâ destekli klinik dokümantasyon aracını test etmiş ve dokümantasyon kalitesi, hekim memnuniyeti, teknik entegrasyon kolaylığı gibi kriterlerle birlikte performanslarını değerlendirmiştir. Sonuçta kazanan ürünü (Ambience Healthcare) sistemine entegre etme kararı almıştır. HealthBench, böylesi karşılaştırmalı pilotlarda objektif metrikler sunarak süreci hızlandırır ve sağlam bir veri temeli yaratır.
• Tedarikçi Değerlendirmesi ve Satın Alma Kararları: Yazılım tedarikçileri sıklıkla ürünlerinin “yapay zekâ destekli” olduğunu belirtmekte, ancak bu iddiaları kanıtlamak zor olabilmektedir. Hastane yöneticileri bir yapay zekâ ürünü satın almadan önce artık tedarikçilerden HealthBench skorlarını paylaşmalarını talep edebilir. Örneğin, bir sanal hasta asistanı sunan iki şirketten ellerindeki modelin HealthBench acil durum senaryolarında aldığı puanları ve varsa insan doktor puanlarına karşı farklarını göstermesini istemek mümkündür. Bu, alım sürecinde elma ile elmayı karşılaştırmaya izin vererek ticari iddiaların ötesine geçer. Aynı zamanda tedarikçileri de daha şeffaf olmaya teşvik eder. Bir başka boyut, tedarikçi seçiminde düzenleyici gerekliliklere uygunluk değerlendirmesidir: Örneğin AB’deki CE belgelendirmesi veya FDA onayı süreçlerinde HealthBench gibi standardize değerlendirme sonuçlarına sahip ürünler bir adım önde olacaktır. Tedarikçiler de bu nedenle ürünlerini bu benchmark’ta test edip iyileştirmeye çalışacak, bu da genel kalite seviyesini yükseltecektir. Kısacası, HealthBench penceresinden bakan yöneticiler, hangi tedarikçinin çözümünün gerçekten “en iyi uygulamayı” yansıttığını veriye dayalı görebilir.
• Sohbet Botları ve Hasta İletişimi: Son dönemde birçok hastane, hasta sorularını cevaplamak, randevu yönlendirmesi yapmak veya tıbbi bilgilendirme sağlamak üzere sohbet botları kullanmaya başladı. Bu botların güvenilirliği ve hasta güvenliği kritiktir. HealthBench içerisinde hasta-asistan etkileşimlerini kapsayan pek çok senaryo bulunmaktadır. Örneğin, bir hasta botuna “Başım ağrıyor, ne yapmalıyım?” ya da “Kan tahlilimde şu değer yüksek çıktı, ne anlama gelir?” gibi sorular sorulduğunda modelin yanıtı HealthBench rubrikleriyle değerlendirilebilir. İyi bir sohbet botunun doğru tıbbi yönlendirme yapması, panik yaratmaması, gerekirse doktor müdahalesi önermesi ve anlaşılır bir dil kullanması beklenir. HealthBench kriterleri tam da bu noktaları ölçmektedir. Bir hastane, kullanacağı sohbet botu modelini önceden HealthBench ile test ederek, örneğin “acil durum simülasyonlarında puanı %80’in altına düşmesin” gibi standartlar koyabilir. Eğer bir model bu standardı karşılamıyorsa, ya iyileştirme yapılır ya da farklı bir modele yönelinir. Bu yaklaşım, hasta güvenliği ve memnuniyetini en baştan temin etmek anlamına gelir. Örneğin, Mayo Clinic 2023 yılında hem hekimlerin hem hemşirelerin hastane içi mesajlarına cevap hazırlaması için GPT-4 tabanlı bir araç pilotladı ve 11 ayda 3,9 milyon hasta mesajına taslak yanıtlar üreterek mesaj başına 30 saniye tasarruf sağladı. Böyle bir aracı devreye almadan önce, Mayo Clinic’in de benzer şekilde modelin hastalara önerilerde bulunurken yaptığı hataları minimize etmek için testler yaptığı bilinmektedir. HealthBench, bu testleri daha sistematik hale getirir.
• Klinik Karar Destek ve Teşhis Araçları: Yapay zekâ modelleri sadece metin tabanlı sohbet için değil, aynı zamanda doktorlara tanı ve tedavi önerilerinde yardımcı olmak üzere de kullanılmaktadır. Örneğin, bir doktor EHR (elektronik sağlık kaydı) sistemi içinde yapay zekâya “Bu hasta için olası teşhisler neler?” diye sorabilir. Bu tür kullanımda yanlış bir öneri ciddi sorunlara yol açabileceğinden, öncesinde modelin değişik vaka senaryolarında denenmesi şarttır. HealthBench’te, klinik veri dönüştürme ve global sağlık temaları altında, laboratuvar sonuçlarını yorumlama veya farklı demografik arka planlardan hastalara yaklaşım gibi görevler bulunmaktadır. Bir klinik karar destek modelini devreye almadan önce, hastane bu modelin bu senaryolarda insan doktorlarla karşılaştırılabilir performans gösterdiğini HealthBench aracılığıyla doğrulayabilir. Örneğin model, belirsiz bir semptom seti verdiğinizde uygun şekilde “daha fazla tetkik gerekebilir” diyebiliyor mu, yoksa gereksiz kesinlikte hatalı tanılar mı veriyor – bunlar HealthBench rubrikleriyle ölçülebilir. Hatta modelin özgüvenli yanlışlar (hallusinasyonlar) üretme eğilimi, en kötü durum performansı (worst-of-n) analiziyle yakalanabilir. Bu sayede, karar destek amacıyla kullanılacak yapay zekânın en kötü ihtimalle bile kabul edilebilir sınırlar içinde kaldığından emin olunabilir. Aksi halde, model sadece referans amaçlı kullanılmakla sınırlandırılabilir ya da asla otonom şekilde tavsiye vermesine izin verilmez.
• Eğitim ve İnsan Kaynağı Gelişimi: İlginç bir kullanım senaryosu da, HealthBench’in eğitim amaçlı değerlendirme standardı olarak kullanımıdır. Tıp fakülteleri veya sağlık personeli eğitim programları, yapay zekâ modellerinin verdiği cevapları ve doktorların ideal cevaplarını karşılaştırarak öğrencilere tartışma olanağı sunabilir. Örneğin, bir asistan doktor eğitim oturumunda HealthBench’ten bir vaka alınır, önce ChatGPT’nin cevabı gösterilir, ardından bu cevabın rubrik puanları ve eksikleri tartışılır, sonra ideal cevap sunulur. Bu, genç hekimlerin klinik kararlarda nelere dikkat etmeleri gerektiğini interaktif şekilde öğrenmesine yardımcı olur. Aynı zamanda hekimler, yapay zekâ araçlarının güçlü ve zayıf yönlerini de böylece görmüş olurlar. Bu farkındalık, gerçek hayatta bu araçları kullanmaya başladıklarında daha etkin bir iş birliği sağlanması için kritiktir. Nitekim, Cleveland Clinic’te AI tıbbi sekreter pilotlarına katılan doktorlar notları kontrol etmek ve düzeltmek zorunda olduklarından, sistemin limitlerini deneyimleyerek öğrendiler. HealthBench senaryoları, benzer eğitimsel deneyimleri simüle etmek için zengin bir kaynak sunmaktadır.
• Araştırma & Geliştirme ve Yerel Uyum: Türkiye özelinde düşündüğümüzde, HealthBench veri setini kullanarak Türkçe veya bölgesel dil modellerinin değerlendirilmesi önemli bir fırsattır. Veri setindeki 49 dil arasında Türkçe de bulunmaktadır. Ülkemizdeki üniversiteler veya TÜBİTAK gibi araştırma kuruluşları, Türkçe tıbbi metinlerle eğitilmiş yerli bir modeli (örneğin bir Türkçe GPT türevi) HealthBench’te test ederek uluslararası modellerle kıyaslayabilir. Eğer yerli model belirli alanlarda geri kalıyorsa, hangi tip senaryolarda sorun yaşadığı tespit edilip o alana özgü veriyle model iyileştirilebilir. Aynı şekilde Sağlık Bakanlığı ya da özel sektör, Türkiye’de sık görülen hastalıklara veya yerel sağlık sistemine özgü vakalara yönelik alt testler geliştirip bunları HealthBench yapısıyla bütünleştirebilir. Örneğin, şehir hastanelerinde süreç iyileştirme veya Türkiye’de aile hekimliği seviyesinde tele-tıp gibi özel senaryolar eklenerek modellerin bu konulardaki performansı ölçülebilir. Bu tür özelleştirilmiş değerlendirmeler, Türkiye Sağlık Veri Araştırmaları ve Yapay Zekâ Enstitüsü gibi yapılar tarafından da desteklenebilir. Nitekim 2022’de kurulan bu enstitü, sağlıkta yapay zekâ araştırmalarını koordine etmek amacıyla kurulmuştur; HealthBench gibi araçlar, enstitünün standartlar geliştirme misyonuna somut katkı sağlayacak niteliktedir.

Özetle, HealthBench hem teknoloji yönetimi hem de klinik uygulama açısından çok yönlü kullanım alanlarına sahiptir. Model seçimi, tedarikçi analizi, sohbet botu değerlendirmesi, klinik karar desteği testi, eğitim simülasyonları ve Ar-Ge gibi pek çok süreç, HealthBench ile daha verimli, güvenilir ve şeffaf hale getirilebilir.

Küresel ve Türkiye’den Örnekler

Gerçek dünya uygulama örnekleri, HealthBench yaklaşımının değerini somut göstergelerle ortaya koymaktadır. Bu bölümde, küresel ölçekte öne çıkan bazı pilot çalışmaların sonuçları ile Türkiye’den uygulamalar ele alınarak, yapay zekânın sağlık hizmetlerine entegrasyonundan elde edilen kazanımlar paylaşılacaktır.

Küresel Örnekler:

• Cleveland Clinic (ABD) – Yapay Zekâ Destekli Dokümantasyon Pilot Programı: Cleveland Clinic, 2024 boyunca yürüttüğü yenilikçi bir pilot programla 5 farklı yapay zekâ tabanlı tıbbi dokümantasyon (AI scribe) sistemini karşılaştırmalı olarak değerlendirmiştir. 80’den fazla uzmanlık alanında, doktorların hasta muayeneleri sırasında sözlü ifadelerini otomatik olarak metne dökecek ve özetleyecek bu sistemler, 25.000’den fazla hasta randevusunda test edilmiştir. Pilot program sonunda elde edilen kritik performans göstergeleri (KPI) dikkat çekicidir: Doktorlar, vakaların %80’inde yapay zekâ tarafından oluşturulan notları kullanmayı tercih etmiş; klinisyenlerin %67’si bilişsel yüklerinin azaldığını bildirmiştir. Ayrıca, aynı gün içinde hasta notlarını tamamlama oranında %7 artış, hastalarla yüz yüze geçirilen sürede %32 artış elde edilmiştir. En çarpıcı iyileşme, hekimlerin mesai sonrası evde harcadıkları “pijama zamanı” olarak tabir edilen ek yazım sürelerinde %49,6 azalma olmasıdır. Not oluşturma süresinin dörtte bir oranında (%25) kısalması ise, doğrudan verimlilik kazancına işaret etmektedir. Cleveland Clinic, bu pilot verilerine dayanarak 2025’te Ambience Healthcare şirketinin yapay zekâ platformunu tüm sistemde yaygınlaştırma kararı almıştır. Bu örnek, veri temelli değerlendirmenin (5 sistemi başa baş karşılaştırma) ve yapay zekâ kullanımının (dokümantasyon iş yükünü hafifletme) somut faydasını ortaya koymaktadır. Ayrıca, pilot sırasında elde edilen bulgular diğer sağlık sistemleriyle de paylaşılmış ve sektörde geniş ilgi uyandırmıştır. Bu, HealthBench tarzı bir kültürün – yani objektif değerlendirme ve sonuç paylaşımının – yaygınlaşmasının katma değerine güzel bir örnektir.
• Mayo Clinic (ABD) – Hastane İçi Mesajlaşmalarda GPT-4 Kullanımı: Mayo Clinic, 2023 yılında başlattığı bir girişimle, doktor ve hemşirelerin hasta mesajlarına verdikleri yanıtları hızlandırmak amacıyla OpenAI GPT-4 modelini entegre etti. “Augmented Response” adı verilen bu araç, hastanın elektronik portaldan gönderdiği acil olmayan sorular için klinisyene bir taslak yanıt önerisi sunuyordu. İlk olarak belirli bir doktor grubuyla denenen sistem, kısa sürede farklı departmanlardan hemşirelere de yaygınlaştırıldı. 11 aylık pilot süresince 3,9 milyon adet hasta mesajına yapay zekâ tarafından taslak yanıt oluşturuldu ve bu sayede hemşirelerin her mesajda ortalama 30 saniye zaman kazanabileceği hesaplandı. Kurum genelinde ölçeklendiğinde bu, aylık yaklaşık 1.500 saatlik bir tasarrufa denk gelmektedir. Hemşireler ayrıca yapay zekânın oluşturduğu mesajların içeriğinin genellikle uygun uzunlukta ve empatik bir tonda olduğunu belirtmişlerdir. Mayo Clinic, 2024 planlarında bu aracı tüm hemşirelerine sunmayı ve hasta iletişiminde verimliliği daha da artırmayı hedeflediğini duyurmuştur. Bu örnek, hasta iletişimi alanında yapay zekânın nasıl ölçeklenebilir bir kazanım sağlayabileceğini gösterirken; aynı zamanda modele insan denetimiyle güvenli bir kullanım çerçevesi çizildiğinin (hemşireler önerileri gözden geçirip gönderiyor) altını çizmektedir. Önemli bir not, bu uygulamanın HIPAA ve kurum politikalarına uygun şekilde tasarlanmış olmasıdır: Mayo Clinic, hasta mahremiyetini korumak için mesaj verilerini OpenAI modeline sunarken Azure üzerinden kapalı ortam kullanmış, böylece HIPAA uyumlu bir çözüm oluşturmuştur. Bu, veri gizliliğinin yapay zekâ entegrasyonunda göz ardı edilmediği, aksine teknolojik çözümle birlikte ele alındığı başarılı bir yaklaşımdır.
• UTHealth Houston (ABD) – HIPAA Uyumlu ChatGPT Entegrasyonu: 2024 yılında Teksas’taki UTHealth Houston, OpenAI ile iş birliğine giderek klinisyenlerin kullanımı için HIPAA-uyumlu bir ChatGPT platformu sağladığını duyurmuştur. Bu girişimde amaç, doktorların günlük iş akışlarında (örneğin araştırma yaparken veya not yazarken) yapay zekâdan faydalanmalarını sağlarken, hasta verilerinin gizliliğini de garanti altına almaktır. UTHealth’in CIO’su Amar Yousif, bu çözüme geçerken önceliklerinin güvenli ve güvenilir bir yapay zekâ aracı sunmak olduğunu, böylece hasta deneyimini iyileştirmeyi, araştırmaları hızlandırmayı ve operasyonları verimli hale getirmeyi hedeflediklerini belirtmiştir. Bu örnek, bir üniversite hastanesinin bulut sağlayıcıları ve yapay zekâ şirketleriyle iş birliği yaparak regülasyonlara uygun bir altyapı kurabileceğini gösterir. Yine bu süreçte, ChatGPT’nin hangi veriyle eğitileceği, kuruma özel kısıtlamalar (örneğin kurum protokollerine aykırı tavsiye vermemesi) gibi hususlar UTHealth’in pilot çalışmasında tanımlanmıştır. UTHealth örneği, yapay zekâ araçlarının ancak doğru teknik ve yönetsel önlemlerle sarıldığında kurumsal ortama başarıyla entegre edilebileceğini göstermesi açısından değerlidir.

Türkiye Örnekleri:

• “Neyim Var” Uygulaması – T.C. Sağlık Bakanlığı (Türkiye) – Semptom Değerlendirme Yapay Zekâsı: Türkiye’de sağlık hizmetlerinde yapay zekânın en yaygın ve erken örneklerinden biri, 2021 yılında Sağlık Bakanlığı tarafından kullanıma sunulan “Neyim Var” adlı dijital semptom değerlendirme uygulamasıdır. Bu uygulama, vatandaşların şikâyetlerini 3 boyutlu bir insan modeli üzerinde seçip sorulara cevap vererek olası tanı ve gitmeleri gereken polikliniği öğrenmelerini sağlar. Yapay zekâ, kullanıcının belirtilerini, geçmiş rahatsızlıklarını ve test sonuçlarını değerlendirip muhtemel teşhisleri ve uygun uzmanlık dalını önerir. Eylül 2021’de devreye alınan Neyim Var uygulaması, kısa sürede büyük bir ilgi görmüş ve 10 milyondan fazla kişi tarafından kullanılmıştır. Bu uygulamanın temel amacı, özellikle sevk zincirinde yanlış branşa başvurmaların önüne geçmek ve hastaların doğru yere en hızlı şekilde ulaşmasını sağlamaktır. Türkiye’de her gün yaklaşık 2 milyon kişi poliklinik muayenesi olmakta ve bunların %6’sının yanlış branşa randevu aldığı tahmin edilmektedir. Bu da günde 120 bin kişinin yanlış branşa gidip zaman kaybetmesi anlamına gelir. Neyim Var uygulaması sayesinde bu 120 bin yanlış yönlendirmenin büyük ölçüde önüne geçilerek teşhis ve tedavi sürecinin hızlanması, gereksiz hastane ziyaretleri ve bulaş riskinin azalması hedeflenmiştir. Bu projenin başarısı, Türkiye’de dijital sağlık okuryazarlığı düşük bireylere bile anlaşılır bir rehberlik sunabilmesiyle de ölçülmektedir. Neyim Var, Sağlık Bakanlığı’nın yapay zekâ yatırımlarına güzel bir örnek olmakla birlikte, toplanan anonimleştirilmiş kullanım verileri gelecekteki HealthBench tarzı değerlendirmeler için de değerli bir kaynak oluşturabilir. Örneğin bu sistemin yönlendirmeleri ile gerçek doktor teşhisleri karşılaştırılıp doğruluk oranları tespit edilebilir ve modelin zayıf noktaları giderilebilir.
• Mamografi ve Görüntü Analizi Projeleri – Sağlık Bakanlığı: Sağlık Bakanlığı, yapay zekâyı sadece idari/iletişim süreçlerinde değil, klinik tanı süreçlerinde de kullanmaya yönelik Ar-Ge çalışmaları yürütmektedir. Örneğin, 2020’lerin başından itibaren mamografi görüntülerinde lezyon ve kalsifikasyon tespiti için yapay zekâ destekli CAD (Computer Aided Detection) sistemleri geliştirilmektedir. Bu proje kapsamında dijital mamografi filmlerinde yapay zekânın şüpheli alanları otomatik işaretlemesi hedeflenmekte, böylece radyologların gözden kaçırma ihtimalinin azaltılması planlanmaktadır. Yine benzer şekilde, COVID-19 pandemisi sırasında hızla geliştirilen ve devreye alınan bazı yapay zekâ uygulamaları olmuştur. Örneğin, pandemi ilan edilir edilmez devreye alınan bir COVID-19 belirti değerlendirme yapay zekâsı vatandaşların kullanımına sunulmuş, böylece hastanelere gereksiz başvuruların önüne geçilmesi amaçlanmıştır. Bu tarz projeler, Sağlık Bakanlığı’nın acil durumlarda hızlı dijital çözümler üretebilme kapasitesini göstermesi açısından önemlidir.
• Şehir Hastanelerinde NLP ve Görüntü İşleme ile Hizmet İyileştirme: Türkiye’de kamu-özel iş birliği modeliyle işletilen şehir hastanelerinde, hizmet kalitesini artırmak amacıyla doğal dil işleme (NLP) ve görüntü işleme teknolojileri kullanılmaya başlanmıştır. Örneğin, bazı şehir hastanelerinde hasta hizmetleri için kurulan yardım masası birimlerinde, hastaların taleplerini IVR (sesli yanıt sistemi) ile alıp yapay zekâ ile işleyen sistemler devrededir. Bu sayede sık tekrar eden soruların otomatik yanıtlanması, ilgili birime yönlendirmelerin hızlı yapılması ve sağlık personelinin anlık bilgilendirilmesi sağlanmaktadır. Bu uygulamalar, doğrudan klinik tanıdan ziyade operasyonel verimlilik odaklı olsa da, yapay zekânın sağlık sisteminde farklı katmanlara nüfuz ettiğini göstermektedir. Yine Teknofest 2021 kapsamında ilk defa düzenlenen sağlıkta yapay zekâ yarışmasında, katılımcılardan BT görüntülerinde inme (felç) tespiti yapacak algoritmalar geliştirmeleri istenmiş ve bu yarışmaya 225 ekip katılmıştır. Bu sayede genç geliştiricilerin sağlık sorunlarına yönelik yapay zekâ çözümlerine ilgisi teşvik edilmiştir.
• Ulusal Yapay Zekâ Stratejisi ve Enstitü Kuruluşu: Türkiye, 2021-2025 Ulusal Yapay Zekâ Stratejisi’nde sağlık sektörünü öncelikli alanlardan biri olarak tanımlamıştır. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi ve Sanayi ve Teknoloji Bakanlığı liderliğinde hazırlanan bu stratejide, sağlıkta yapay zekâ uygulamalarının yaygınlaştırılması, veri kalitesinin artırılması ve etik çerçevenin oluşturulması hedefleri yer alır. Stratejinin bir çıktısı olarak 2022’de Türkiye Sağlık Veri Araştırmaları ve Yapay Zekâ Uygulamaları Enstitüsü (TÜSEB bünyesinde) kurulmuştur. Bu enstitü, kamu ve özel sektör arasında köprü rolü oynayarak yapay zekâ projelerinin pilotlanması, standartların belirlenmesi ve ulusal çapta ölçeklendirilmesi görevlerini üstlenmektedir. Örneğin, ilerleyen yıllarda bu enstitü HealthBench gibi uluslararası benchmark’ları Türkiye verileriyle zenginleştiren veya yerel karşılıklarını oluşturan projelere öncülük edebilir.

Genel olarak değerlendirildiğinde, hem dünyada hem Türkiye’de yapay zekâ uygulamalarının somut faydaları giderek görünür hale gelmektedir. Dokümantasyon yükünün azalması, hasta iletişiminin hızlanması, doğru yönlendirmelerle zaman kazanımı, tanı süreçlerinde destek gibi kazanımlar, iyi planlanmış pilotlarla kanıtlanmıştır. HealthBench gibi değerlendirme araçları, bu faydaların ölçülmesinde ve yapay zekânın güvenilirliğinin kanıtlanmasında önemli bir rol oynayacaktır. Bu örnekler de gösteriyor ki, veri temelli yaklaşım benimsendiğinde yapay zekâ sağlık sistemine değer katmakta; ancak bunun sürdürülebilir ve güvenli olması için standartlara uymak kritik önem taşımaktadır.

Uygulama Yol Haritası

Bir sağlık kurumunda yapay zekâ projelerini başarılı bir şekilde hayata geçirmek, iyi tanımlanmış bir yol haritası ve disiplinli bir uygulama planı gerektirir. HealthBench gibi bir değerlendirme aracını da sürece entegre ederek ilerlemek, projenin her aşamasında kalite ve güvenlikten ödün verilmemesini sağlar. Aşağıda, üst düzey yöneticiler ve CIO’lar için bir adım adım uygulama yol haritası sunulmaktadır:

Adım 1: Teknik ve Organizasyonel Ön Koşulların Sağlanması – Yapay zekâ uygulamasına girişmeden önce kurumun teknik altyapısı ve insan kaynağı hazırlığı gözden geçirilmelidir. Bu aşamada, kurumun veri yönetimi ve güvenlik politikaları kritik rol oynar. Eğer bir dış yapay zekâ servisi (örneğin bulut tabanlı bir API) kullanılacaksa, hasta verilerinin güvenliği için gerekli önlemler alınmalıdır. UTHealth Houston örneğinde, kurum Azure OpenAI altyapısını kullanarak ChatGPT’yi HIPAA-uyumlu hale getirmiştir; bu sayede hasta bilgilerinin korunması garanti altına alınmıştır. Benzer şekilde Türkiye’de KVKK mevzuatına uyum için verilerin anonimleştirilmesi veya yerel sunucularda işlenmesi gerekebilir. Teknik ön koşullar arasında sistem entegrasyonu da yer alır: Yapay zekâ aracının hastanenin EHR (elektronik sağlık kaydı) sistemine, laboratuvar bilgi sistemine veya diğer dijital platformlarına bağlanabilmesi planlanmalıdır. Bu, API entegrasyonları veya FHIR gibi standartlarla mümkün olur. Organizasyonel olarak, bir proje ekibi oluşturulmalı ve içinde BT uzmanları, klinisyenler, veri bilimciler ve kalite/güvenlik birimi temsilcileri bulunmalıdır. Böylece proje daha başlamadan, ilgili tüm paydaşlar masada olur ve gereksinimler ortak belirlenir.

Adım 2: Pilot Uygulamanın Planlanması – Her ne kadar yapay zekâ uygulamalarının vaatleri büyük olsa da, bir projeyi küçük ölçekli bir pilot ile başlatmak en iyi uygulama olarak kabul edilir. Pilotun kapsamı net çizilmelidir: Hangi klinik birimde, hangi kullanım senaryosunda ve hangi süreyle deneneceği tanımlanır. Örneğin, “acil servis triajında bir sohbet botu 3 ay süreyle pilotlanacak ve günde 100 hasta etkileşimi hedeflenecek” şeklinde bir plan yapılabilir. Bu aşamada başarı kriterleri (KPI) de belirlenmelidir. HealthBench gibi bir değerlendirme varsa, pilot sonunda modelin HealthBench skorlarında belirli bir eşiği geçmesi bir kriter olabilir. Bunun yanı sıra işlem süreleri, kullanıcı memnuniyeti anket sonuçları, hatalı öneri sayısı gibi metrikler de tanımlanır. Cleveland Clinic, pilotunda aynı gün not tamamlama oranı, yüz yüze zaman değişimi, kullanıcı memnuniyeti gibi net metrikler belirlemişti ve her model için bu verileri topladı. Benzer şekilde, pilot planına HealthBench değerlendirmesi de eklenebilir: Pilot süresince model belirli aralıklarla HealthBench senaryolarında test edilecek ve iyileşme olup olmadığı izlenecek. Pilot planında, etik onay veya yasal izinler de unutulmamalıdır. Eğer pilot, hastalar üzerinde (onların verileri veya etkileşimleriyle) yapılacaksa, etik kurul onayı veya bilgilendirilmiş onam gerekebilir. Ayrıca, pilotun tüm paydaşlara (hekimler, hemşireler, hastalar) açık şekilde iletişimi yapılmalı, ne amaçlandığı ve rollerinin ne olduğu anlatılmalıdır.

Adım 3: Eğitim ve Değişim Yönetimi – Yapay zekâ projesinin başarısı, sadece teknolojinin gücüne değil, kullanıcıların adaptasyonuna da bağlıdır. Bu nedenle pilot öncesinde ve sırasında, kullanıcı eğitimi kritik önem taşır. Örneğin, doktor ve hemşirelere yapay zekâ aracının nasıl kullanacağı, hangi tür çıktılar beklenebileceği ve hatalı çıktılara karşı ne yapmaları gerektiği öğretilmelidir. Cleveland Clinic’te pilot boyunca doktorlara, yapay zekânın hazırladığı notları dikkatlice okuyup imzalamadan önce düzeltmeleri gerektiği hatırlatıldı ve bu bir eğitim süreci olarak ele alındı. Benzer şekilde, bir sohbet botu pilotu varsa, çağrı merkezi personeline veya ilgili birimlere bu botun nasıl çalıştığı anlatılmalı, botun çözemediği durumlarda devreye girme prosedürleri belirlenmelidir. Değişim yönetimi açısından, yapay zekâya karşı oluşabilecek direnç veya endişeler proaktif şekilde ele alınmalıdır. Bazı hekimler, yapay zekânın hatalı yönlendirmeler yapabileceğinden endişe edebilir; bu durumda onlara HealthBench gibi değerlendirmelerin sonuçları ve insan onay mekanizmaları anlatılarak güvenleri kazanılabilir. Aynı zamanda, kurum içinde iletişim çok önemlidir: Pilotun amaçları, kapsamı ve geçici doğası net iletilirse, çalışanlar kendilerini sürecin bir parçası hissederler. “Bu araç sizi değil, dokümantasyon yükünüzü hedef alıyor” gibi mesajlarla, yapay zekânın bir destek aracı olduğu vurgulanmalıdır.

Adım 4: Pilotun Yürütülmesi ve İzlenmesi – Pilot uygulamaya geçildiğinde, planlı süre boyunca sistemi kullanarak veriler toplanır. Bu aşamada sürekli izleme ve geribildirim toplama esastır. HealthBench entegrasyonu varsa, pilotun başında, ortasında ve sonunda model HealthBench senaryolarında test edilerek bir ilerleme olup olmadığına bakılabilir. Kullanıcılardan (doktor, hemşire, hasta) yapılandırılmış geribildirimler alınmalıdır: Örneğin anketler veya odak grup görüşmeleriyle memnuniyet, güven veya tespit ettikleri hatalar sorulabilir. Teknik ekip ise sistemin yanıt sürelerini, hata loglarını, entegrasyon sorunlarını izlemelidir. Örneğin, Cleveland Clinic pilotunda her bir modelin teknik sorunları (entegrasyon zorluğu gibi) ve çıktı kalitesi (notların düzeltme ihtiyacı) kaydedildi ve model tercihinde bunlar rol oynadı. Yine Mayo Clinic pilotunda hemşirelerden gelen geri bildirimler, bazı özel durumlarda yapay zekânın yeterince iyi olmadığı yönündeydi; bu geri bildirimler doğrultusunda model güncellemeleri planlandı. Pilot sırasında beklenmedik bir sorun çıkarsa – örneğin yapay zekâ bir hastaya yanlış bir tavsiye verdiyse – derhal olay incelemesi yapılıp, gerekirse pilot durdurulmalıdır. Bu nedenle, pilot aşamasında insan gözetimi sıkı tutulmalı, yapay zekânın çıktıları mümkün olduğunca çift kontrol mekanizmasından geçmelidir.

Adım 5: Değerlendirme ve Karar Noktası – Pilot süre sonunda tüm toplanan veriler ışığında bir değerlendirme raporu hazırlanır. Bu raporda, önceden tanımlanmış KPI’lar gerçekleşen değerlerle birlikte sunulur: Örneğin, “hekimlerin %67’si bilişsel yükünün azaldığını bildirdi” veya “HealthBench puanı pilot başında %52 iken sonunda model güncellemesi ile %58’e çıktı” gibi sonuçlar paylaşılır. Elde edilen faydalar, ortaya çıkan problemler ve kullanıcı geri bildirimleri harmanlanarak üst yönetime bir karar önerisi sunulur. Karar noktası, genellikle üç alternatif içerir: (1) Sistemi daha geniş ölçekte yaygınlaştırmak (ölçekleme), (2) Sistemi iyileştirdikten sonra tekrar pilotlamak (yeniden iterasyon), (3) Sistemi sonlandırmak (beklenen faydayı vermiyorsa). Cleveland Clinic örneğinde, bir model açık ara öne çıktığından onunla devam etme ve yaygınlaştırma kararı alındı. Ancak eğer iki model yakın sonuç verdiyse veya genel fayda belirsizse, ikinci bir pilot turu veya her ikisini de sınırlı yaygınlaştırma gibi kararlar da verilebilir. Bu aşamada karar verilirken, düzenleyici gereklilikler de tekrar gözden geçirilmelidir: Örneğin sistem yaygınlaştırılacaksa, bir tıbbi cihaz onayı gerekebilir mi, veri saklama politikaları güncellenmeli mi gibi sorular yanıtlanmalıdır.

Adım 6: Regülasyon ve Onay Süreçleri – Pilot başarılı bulunup yaygın kullanıma geçilmesi kararlaştırılırsa, artık sistemi kurumsal işleyişe tam entegre etmeden önce gereken yasal/onay süreçleri tamamlanır. Eğer yapay zekâ sistemi, örneğin tanı koyma gibi işlevler yapıyorsa, Tıbbi Cihaz Regülasyonu kapsamında bir sınıflandırmaya girebilir ve Türkiye İlaç ve Tıbbi Cihaz Kurumu’ndan onay alınması gerekebilir. AB’deki yeni Yapay Zekâ Tüzüğü perspektifinden bakılırsa, muhtemelen yüksek riskli AI sistemi sayılacağı için, CE belgesi vs. yanında bu tüzüğün ek gereklilikleri (ör. risk yönetim dosyası, kullanıcı bilgi gereksinimleri) de karşılanmalıdır. Bu süreçler, pilot esnasında da öngörüldüyse hızla ilerleyecektir. Ayrıca, kurum içi politikalar güncellenmelidir: Örneğin, “Yapay zekâ klinik karar destek sistemi kullanımı protokolü” gibi bir belge hazırlanarak, kimlerin bu sistemi kullanabileceği, sonuçların nasıl belgeleneceği, hatalarda kimin bilgilendirileceği tanımlanmalıdır. Bu, hesap verebilirlik için önemlidir. Dünya Sağlık Örgütü, yapay zekâ uygulamalarında hesap verebilirliğin net olarak tanımlanmasını, özellikle hatalı çıktılarda sorumluluğun kimde olduğunun belirlenmesini önermektedir. Örneğin kurum, “Yapay zekâ önerileri sadece öneridir, son karar doktorundur” şeklinde bir kural koyabilir; ancak yine de sistemik bir hata durumunda analiz yapıp önlem alacak bir komite belirlemelidir.

Adım 7: Ölçeklendirme ve İzleme – Gerekli onaylar alındıktan sonra, yapay zekâ sistemi aşamalı olarak kurum genelinde yaygınlaştırılır. Örneğin önce tek bir hastanede veya bölümde devredeyken, sonra tüm hastane ağına yayılır. Bu aşamada kademeli eğitim ve destek devam eder. Ölçekleme sırasında, HealthBench değerlendirmesini periyodik olarak sürdürmek akıllıca olacaktır. Modelin yeni ortamlarda veya daha geniş kullanımda performansında bir düşüş olup olmadığı izlenebilir. Ayrıca, canlı izleme metrikleri oluşturulur: Yapay zekânın kaç vaka gördüğü, kaç tanesinde insan düzeltmesi gerektiği, kullanıcı memnuniyet skoru gibi veriler düzenli raporlanır. Bu, olası problemleri erken yakalamayı sağlar. Cleveland Clinic, seçtiği sistemi devreye sokarken farklı branşlardaki kullanım oranlarını takip etmiş ve örneğin kardiyoloji bölümünde kullanım düşük kalınca firma ile iletişime geçip ürünü kardiyologların ihtiyaçlarına göre iyileştirmelerini sağlamıştır (bu sayede kullanım %50’den %71’e çıktı). Bu örnek, ölçekleme sırasında üretici ile yakın iş birliğinin önemine de işaret ediyor: Yapay zekâ sistemleri statik olmayıp, gerçek dünya kullanımından öğrenerek güncellenmelidir. Kurumlar da geri bildirim mekanizmalarını açık tutup, tedarikçiden/ekipten düzenli iyileştirmeler talep etmelidir.

Adım 8: Sürekli İyileştirme ve Güncellemeler – Yapay zekâ projeleri “kur ve unut” tarzı değildir; tam aksine sürekli iyileştirme gerektirir. Sağlık alanındaki bilgiler sürekli güncellenir, protokoller değişir, ayrıca yapay zekâ alanında da yeni model versiyonları çıkar. Bu nedenle, kurumun bir Yapay Zekâ Yönetişim Komitesi veya benzeri bir yapıyla bu projeyi sahiplenmeye devam etmesi önerilir. Bu komite, HealthBench gibi değerlendirmeleri örneğin yılda bir defa tekrarlayabilir, yeni çıkan model versiyonlarını test edebilir ve mevcut sistemi yükseltme kararı alabilir. Örneğin, OpenAI’nin 2025’te o3 modeli yerine 2026’da o4 modeli çıktığında, bunun HealthBench skorlarında önemli iyileşme getirdiği görülürse, kurum yeni modele geçmeyi düşünebilir. Tabii geçiş öncesi yine kısıtlı bir test ve onay süreci yürütülmelidir. Sürekli iyileştirmenin bir boyutu da kullanıcı geri bildirimlerine dayalı iyileştirmedir: Doktorlar belirli tip sorularda (örneğin nadir hastalıklar) yapay zekânın zayıf kaldığını bildiriyorsa, o alanda ek veriyle modeli eğitmek veya en azından kural bazlı uyarılar eklemek düşünülebilir.

Adım 9: Paylaşım ve Şeffaflık – Yol haritasının belki de genelde ihmal edilen ama stratejik açıdan önemli bir adımı, elde edilen sonuçların ve öğrenilen derslerin paylaşılmasıdır. Kurum içi olarak, üst yönetim bu projeden elde edilen kazanımları (örneğin zamandan tasarruf, hasta memnuniyeti artışı, finansal getiri) yıllık raporlarda vurgulayabilir. Dışa dönük olarak ise, konferanslarda, yayınlarda veya sektör toplantılarında bu deneyimi aktarmak kurumun yenilikçi imajını pekiştirir ve diğerlerine de yol gösterir. Örneğin, Cleveland Clinic yöneticileri pilot deneyimlerini ViVE 2025 etkinliğinde sunarak diğer hastanelere de ilham verdiler. Türkiye’de de sağlık bakanlığı veya özel hastane grupları benzer pilotları yaptıkça, bu deneyimleri akademik kongrelerde veya sektör zirvelerinde paylaşmaları ulusal inovasyon ekosistemini güçlendirecektir. Şeffaflık aynı zamanda hastalar için de önemlidir: Yapay zekâ kullanımına başlanılan alanlarda, hastalara bu konuda bilgilendirme yapılabilir. Örneğin bir hasta raporunun altında “Bu rapor, yapay zekâ yardımıyla hazırlanmış ve doktorunuz tarafından doğrulanmıştır” gibi bir not görmek, hastada hem merak uyandırır hem de kurumun yenilikçiliğine dair güven oluşturur.

Bu yol haritası, özünde dikkatli planlama, insan unsurunu merkeze alma, veriyle yönetme ve düzenlemelere uyum sağlama prensiplerine dayanmaktadır. Bu adımlar izlendiğinde, yapay zekâ projeleri daha öngörülebilir bir şekilde yönetilebilir ve başarı olasılığı artar. Ayrıca, HealthBench gibi bir değerlendirme aracının gerektiğinde her adımda devreye alınabilmesi (pilot öncesi model taraması, pilot sonrası performans ölçümü, rutin takip vb.), projenin kalibrasyonunu doğru yapmaya yardımcı olur. Yöneticiler için en kritik mesaj, yapay zekânın bir “araç” olduğu ve ancak doğru süreçlere entegre edilirse gerçek değerini ortaya koyacağıdır – bu yol haritası da bunu sağlamaya yönelik bir rehberdir.

Zorluklar ve Çözümler

Sağlıkta yapay zekâ uygulamalarını hayata geçirmek, birçok fırsatla birlikte önemli zorlukları da beraberinde getirir. Bu bölümde, karşılaşılabilecek başlıca zorluklar ve bunlara yönelik çözüm stratejileri ele alınmaktadır:

• Veri Gizliliği ve Güvenlik: Sağlık verileri son derece hassastır ve yapay zekâ uygulamalarında bu verilerin kullanımı kaçınılmazdır. En büyük risklerden biri, hasta mahremiyetinin ihlali veya verilerin yetkisiz kişilerce erişilmesidir. Çözüm olarak, veri mahremiyeti en baştan proje tasarımına dahil edilmelidir. Bu, mümkün olduğunda anonimleştirilmiş/sentezlenmiş veri kullanımı (HealthBench’in yaptığı gibi gerçek hasta yerine sentetik senaryolar hazırlamak bir yöntemdir), veya gerçek veri gerekiyorsa sıkı erişim kontrolü ve şifreleme uygulamaları ile sağlanabilir. Ayrıca, verinin işleneceği altyapının (bulut vs. yerinde sunucu) seçiminde yerel düzenlemelere uyum gözetilmelidir. Örneğin Türkiye’de hasta verilerinin ülke içinde tutulması esası nedeniyle, bulut kullanımı söz konusuysa verinin Türkiye’deki sunucularda işlenmesi sağlanmalıdır. UTHealth Houston örneğinde, ChatGPT kullanımı ancak HIPAA gerekliliklerine uygun bir altyapı ile (Azure üzerinde izole ortam) devreye alındı. Benzer şekilde, Türkiye’de de KVKK gereği, hasta onayı olmaksızın kişisel verileri yurt dışına çıkaran bir yapay zekâ sistemi kullanılamaz. Bu yüzden, çözüm olarak sözleşmesel güvence (BAA – iş ortaklığı anlaşması gibi, bulut sağlayıcı ile), veri minimizasyonu (gerekli olmayan hiçbir kişisel veriyi modele vermemek) ve gerektiğinde yerel model barındırma (open-source modeli kendi sunucunuzda tutarak dışarı veri göndermemek) yöntemleri devreye alınmalıdır.
• Doğruluk ve “Hallüsinasyon” Sorunu: Büyük dil modelleri, bazen çok ikna edici görünen ancak gerçekte hatalı veya uydurma bilgiler içeren yanıtlar verebilir (hallüsinasyon denilen durum). Sağlıkta bu durum, yanlış tanı veya tedavi önerisi şeklinde ortaya çıkarsa ciddi zararlara yol açabilir. Bu zorlukla başa çıkmak için birden fazla çözüm stratejisi bir arada kullanılmalıdır: (1) İnsan denetimi: Model hiçbir zaman tek başına nihai kararı vermemeli, daima bir uzman kontrolünden geçmelidir. Örneğin, Mayo Clinic’te modelin mesaj yanıtları hemşire onayı olmadan hastaya gitmez. (2) Kısıtlı alan uygulaması: Modelin yetkin olmadığı konularda yanıt vermesini engellemek. Mesela bir sohbet botuna “kesin tanı koyma” yetkisi vermek yerine, “olası durumlar hakkında bilgi ver, ama kesin tanı için doktor şart de” gibi kısıtlar kodlanabilir. (3) Model iyileştirme: Hallüsinasyonların önlenmesi için model eğitimi sırasında gerçek kaynak gösterme gibi yöntemlerle model güncellenebilir veya araya bilgi-belge tarayan sistemler eklenerek modelin cevabı güvenilir kaynaklara dayandırılır. (4) HealthBench ve benzeri testler ile önceden tespit: Modeli canlıya almadan önce, HealthBench gibi ölçütlerde hangi senaryolarda yanlış yaptığını görmek mümkün. Eğer örneğin “küresel sağlık” temasında model tutarsız cevaplar veriyorsa (belki eğitimi sırasında o ülkenin sağlık sistemi bilgisini bilmiyor), bu senaryolarda kullanımını sınırlamak veya ilgili bilgisini artırmak gerekebilir.
• Önyargı ve Eşitsizlikler: Yapay zekâ modelleri, eğitildikleri verilerdeki önyargıları (bias) yansıtabilir. Örneğin, belirli bir etnik gruba veya cinsiyete ait olmayan verilerle eğitilmiş bir model, o gruptaki hastalarda hatalı sonuç verebilir. Bu, sağlık hizmetlerinde eşitsizliği arttırma potansiyeline sahiptir. Bu zorluğu aşmak için, geliştiricilerin ve kurumların veri çeşitliliğine önem vermesi gerekir. HealthBench’in geliştirme sürecinde 60 ülke ve 49 dil vurgusu bu nedenle kıymetlidir; amaç olabildiğince farklı kültür ve dilde örneklemi değerlendirmeye katmak olmuştur. Kurumlar da kendi verilerini analiz ederek modelin önyargı ihtimallerini gözlemlemelidir. Örneğin, yapay zekâ destekli bir teşhis sistemi kadın hastalarda erkeklere göre daha az isabetli mi? Bunu tespit etmek için pilot verilerini cinsiyet, yaş, etnik köken kırılımında analiz etmek gerekir. Eğer bir eşitsizlik saptanırsa, çözüm olarak ya modeli o alanda tekrar eğitmek (daha dengeli veri ile) ya da çıktılarını normalleştirecek kural setleri uygulamak düşünülebilir. Ayrıca, insan farkındalığı artırılmalıdır: Sağlık personeli, yapay zekâ araçlarının yanlı olabileceği konusunda eğitilmeli ve bu tür durumlara dikkat etmelidir. Dünya Sağlık Örgütü, yapay zekâ uygulamalarında kapsayıcılık ve eşitlik prensibini vurgulayarak, dezavantajlı grupların da faydalanabileceği şekilde tasarım yapılmasını önermektedir. Bu da pratikte, sistemin farklı gruplar üzerindeki etkisini sürekli ölçmek ve gerektiğinde müdahale etmek anlamına gelir.
• Kullanıcı Kabulü ve Değişim Direnci: Her yeni teknolojide olduğu gibi, yapay zekâ uygulamalarının da sağlık çalışanları tarafından benimsenmesi bir süreç gerektirir. Bazı hekimler teknolojiye meraklıyken, bazıları mesafeli olabilir; hatta yapay zekânın mesleklerini tehdit edeceğini düşünenler bile olabilir. Bu zorluk için en önemli çözüm, iletişim ve eğitimdir. Proje başlangıcında tüm paydaşlara bu teknolojinin ne amaçla getirildiği, kendilerinin rolünün ne olacağı açıklanmalıdır. Özellikle yapay zekânın bir yardımcı araç olduğu, nihai karar merciinin insan olduğu net ifade edilmelidir. Cleveland Clinic pilotunda elde edilen olumlu sonuçlardan biri, hekimlerin “daha az evde çalıştıklarını” fark etmeleriydi; bu tip somut faydalar vurgulandığında direncin kırılması daha kolay olur. Ayrıca, pilot uygulamalarda gönüllü ve istekli klinisyenlerle başlamak, başarı öyküleri oluşturmak açısından işe yarar. Sonrasında bu öncü kullanıcılar diğer meslektaşlarına örnek olabilir. Kullanıcı kabulünü artırmak için bir diğer strateji de, kullanıcı geri bildirimini ciddiye almak ve sistemi ona göre ayarlamaktır. Eğer doktorlar arayüzün kullanımını zor buluyorsa veya belirli bir cümle tarzını beğenmiyorsa, bunları düzeltmek teknoloji ekibinin görevi olmalıdır. Böylece kullanıcılar seslerinin duyulduğunu hisseder ve sahiplenme artar.
• Hatalarda Sorumluluk ve Hukuki Sorunlar: Yapay zekâ tavsiyesiyle yapılan bir tıbbi işlem hataya yol açarsa, sorumluluk kimin olacaktır? Bu soru, hukuken henüz tam yanıtlanmamış olsa da, hastane yöneticileri için önemli bir risk alanıdır. Çözüm olarak, kurum içinde net kılavuzlar ve sınırlamalar belirlemek gerekir. Örneğin, “Yapay zekâ hiçbir zaman bağımsız bir teşhis koymaz, sadece olası teşhisleri listeler” gibi kısıtlar koyarak, modelin kullanım alanını çerçevelemek önemlidir. Ayrıca, her yapay zekâ önerisinin ilgili doktor tarafından incelendiği ve sorumluluğun doktorda olduğu sözleşmesel ve politik olarak belirtilmelidir. Yine de, eğer yapay zekâ sistemindeki bir arıza veya hata direkt zarara yol açarsa, tedarikçi firmanın sorumluluğu gündeme gelebilir; bu nedenle hukuki anlaşmalar (sözleşmelerde sorumluluk maddeleri) net olmalıdır. Bazı ülkelerde yapay zekâ karar destek araçları tıbbi cihaz statüsünde değerlendirildiğinden, sigorta ve sorumluluk mekanizmaları da buna göre düzenlenmektedir. Örneğin, FDA onaylı bir radyoloji yapay zekâ yazılımı, üretici firmanın kalite yükümlülüğü altındadır. Türkiye’de de benzer şekilde, eğer bir yapay zekâ aracı yüzünden hasta zararı oluşursa, hukuki süreçte bilirkişi incelemeleri ve yasal çerçeveye ihtiyaç duyulacaktır. Kurumlar proaktif davranıp risk değerlendirmesi yapmalı ve her senaryo için aksiyon planları oluşturmalıdır. Örneğin, yapay zekâ yanlışı fark edildiğinde hasta derhal bilgilendirilecek, gerekirse tedavi planı değiştirilecek, sorumlu yöneticiler durumu raporlayacak gibi önceden belirlenmiş adımlar, zararı azaltabilir ve hukuki pozisyonu güçlendirebilir.
• Teknik Entegrasyon ve Altyapı Sorunları: Yapay zekâ sistemleri genellikle mevcut hastane bilgi sistemleriyle entegre çalışmalıdır. Bu entegrasyon sırasında teknik sıkıntılar yaşanabilir – veri format uyuşmazlıkları, ağ gecikmeleri, sistem çökme riskleri gibi. Bu zorluklara karşı, proje başında IT mimari planlaması detaylı yapılmalı ve mümkünse kademeli entegrasyon gerçekleştirilmeli. Örneğin önce yapay zekâ sistemi EHR’den veri okumayı denesin, sorunsuz çalıştığı görülünce yazma yetkisi verilsin gibi aşamalı bir yaklaşım benimsenebilir. Ayrıca, yüksek kullanılabilirlik için gerekli önlemler alınmalıdır: Eğer yapay zekâ sistemi devre dışı kalırsa kullanıcılar manuel sürece sorunsuz geçebilmelidir (fail-safe). Bu amaçla, sistemde sürekli yedeklemeler ve performans izleme araçları kurulmalıdır. Cleveland Clinic pilotunda, bazı tedarikçilerin entegrasyonunun daha zor olduğu, teknik ekibi yorduğu belirtilmiş ve bu da seçimde dikkate alınmıştır. Demek ki teknik kullanım kolaylığı da önemli bir kriter olmalıdır. Çözüm, tedarikçi/teknoloji seçerken sadece modelin doğruluğuna değil, entegrasyon kabiliyetine de bakmaktır. Standartlara (FHIR, HL7 vb.) uygun API sunan, iyi dokümantasyonu olan çözümler tercih edilmelidir.
• Maliyet ve Kaynak Ayırma: Yapay zekâ çözümleri özellikle büyük modeller söz konusu olduğunda maliyetli olabilir. Hem başlangıçta lisans/altyapı yatırımı gerektirir hem de kullanım sırasında işlem maliyetleri (bulut bilişim ücreti gibi) oluşabilir. Örneğin, en gelişmiş dil modellerinden GPT-4’ün kullanımı token başına ücretlendirilir ve yüksek hacimde kullanım bütçeyi zorlayabilir. Bu zorluğa karşı çözüm, net bir iş modeli ve ROI analizi yapmaktır. Başlangıçta pilotla elde edilen kazanımlar (ör. doktorun zamandan tasarrufu) parasal değere çevrilerek, teknoloji maliyetiyle karşılaştırılmalıdır. Cleveland Clinic örneğinde, dokümantasyon yükünün azalmasıyla hekimlerin hasta başına belki birkaç dakika kazanması, uzun vadede daha fazla hasta bakabilme veya daha az mesai ödeme gibi tasarruflara dönüşebilir. Bu tür hesaplamalar, projeye kaynak sağlama konusunda yönetime güçlü bir gerekçe sunar. Ayrıca alternatif maliyet optimizasyonu yolları aranabilir: Örneğin, HealthBench sonuçlarına göre benzer performansı veren iki modelden daha hesaplı olanı seçmek bir stratejidir. OpenAI, 2025’te küçük boyutlu GPT-4.1 nano modelinin, önceki dev model GPT-4o’dan daha iyi performansı 25 kat ucuza sunabildiğini raporlamıştır. Bu tür gelişmeler takip edilerek, aşırı güçlü modellere gerek olmayan durumlarda daha ekonomik modellere geçilebilir. Son olarak, kamu hastaneleri için devlet destekleri veya hibe programları da araştırılabilir; zira bir teknolojinin sektöre kazandırdığı verimlilik toplamda ülkeye katkı sağlıyorsa, kamu desteği ile maliyetler hafifletilebilir.

Tüm bu zorluklar, dikkatli planlama ve proaktif önlemlerle yönetilebilir. Buradaki anahtar, çok disiplinli bir yaklaşım benimsemektir. Sadece teknolojiye odaklanmak yerine, hukuk, etik, insan faktörü, süreç tasarımı gibi boyutları da kapsayan bir strateji, engelleri aşmada başarı sağlayacaktır. Ayrıca, HealthBench gibi bir değerlendirme aracını kullanmak da pek çok zorluğu önceden görmeye ve gidermeye yardımcı olur; çünkü modelin sınırlarını ve hatalarını pilot öncesi belirleyip çözümler üretme şansı verir. Örneğin, modelin en kötü cevabı hangi kriterde diye bakıp (worst-case analizi) o alanda manuel kontrol eklemek gibi. Sonuç olarak, zorluklar kaçınılmaz olsa da, çözümler erişilebilir ve uygulanabilirdir; önemli olan bunları erkenden tespit edip eyleme geçmektir.

Gelecek Trendleri (2025–2027)

Önümüzdeki birkaç yıl, sağlıkta yapay zekâ alanında çarpıcı gelişmelere sahne olacak. 2025–2027 dönemi için öngörülen trendler, hem teknolojik ilerlemeler hem de sektörel dönüşümler açısından dikkate değerdir:

• Çok Modlu (Multimodal) Yapay Zekâ: Mevcut büyük dil modelleri metin tabanlı çalışırken, gelecekte metin, görüntü, ses, yapılandırılmış veri gibi birden fazla veri türünü birlikte işleyebilen çok modlu modeller yaygınlaşacak. Sağlık alanında bu, bir modelin aynı anda hem hastanın tıbbi geçmiş notlarını okuyup, hem laboratuvar sonuçlarını tablo olarak analiz edip, hem de röntgen görüntüsünü inceleyerek bütüncül bir değerlendirme yapabilmesi demek. Örneğin, GPT-4’ün görsel yeteneklere sahip bir versiyonunun (GPT-4V veya GPT-5 gibi) bir dermatoloji fotoğrafına bakıp, hastanın elektronik kaydındaki metinle birlikte değerlendirerek teşhis önermesi mümkün olacak. Nitekim, erken çalışmalar GPT-4’ün görüntü tabanlı USMLE sorularında bile geçer not alabildiğini gösteriyor. 2025-2027’de, özellikle radyoloji, patoloji gibi görsel ağırlıklı branşlarda, bu tür multimodal yapay zekâ asistanları klinisyenlerin yanında yer almaya başlayacak. Bu trend, HealthBench gibi değerlendirme setlerinin de genişlemesini gerektirebilir; örneğin gelecekte HealthBench, metin+görüntü içeren senaryolar ekleyerek multimodal modelleri test edebilir.
• Özelleşmiş ve Yerel Modeller: Büyük, genel amaçlı modeller (GPT-4 gibi) yüksek performans gösterse de, belirli alt alanlarda daha küçük ve özelleştirilmiş modellerin ortaya çıkması bekleniyor. Örneğin, sadece onkoloji verileriyle eğitilmiş bir OncoAI modeli ya da sadece kardiyoloji için optimize edilmiş bir model geliştirilebilir. Bu modeller, dar alanda belki genel modellerden daha derin uzmanlık gösterebilecek. Ayrıca, yerel dil modelleri önem kazanacak. Türkçe veya bölgesel dillerde, yerli kurumlarca geliştirilen modeller artacak. Son yıllarda açık kaynak topluluklarının 70 milyar parametreli modelleri bile çıkardığı düşünülürse (Llama2 vb.), Türkiye’de de benzer büyüklükte medikal modeller üretmek mümkün hale gelebilir. Örneğin bir “BilgeMed 40B” modeli (tamamen Türkçe sağlık verileriyle eğitilmiş) 2026 civarında ortaya çıkabilir. Bu model, özellikle Türkçe nüansları ve Türkiye sağlık sistemine özgü bilgileri daha iyi yansıtabilir. Trend olarak, bu yerel modellerin performansının da HealthBench gibi küresel ölçütlerde sınanması ve dünyanın geri kalanıyla kıyaslanması önem kazanacak. Bu sayede yerli inovasyonun dünya standartlarında olup olmadığı görülecek ve eksikler varsa kapatılacak.
• Düzenleyici Çerçevenin Olgunlaşması: 2025–2027, yapay zekâ regülasyonlarının somutlaşacağı yıllar olacak. AB’nin Yapay Zekâ Tüzüğü 2025 itibarıyla kademeli olarak yürürlüğe giriyor; yüksek riskli sistemler için 2026-2027’ye dek uyum sağlama süresi bulunuyor. Dolayısıyla bu dönemde, sağlıkta yapay zekâ geliştiren şirketler ve bunları kullanan hastaneler, uygunluk değerlendirmeleri, denetimler ve sertifikasyonlarla daha sık karşılaşacak. FDA cephesinde de, 2021’de yayımlanan yapay zekâ yazılımları rehber planı güncellenecek ve belki de LLM’ler için özel kılavuzlar çıkacak. Bu dönemde bir trend, “model kartı” ve “uygunluk raporu” gibi belgelerin standart hale gelmesi olacak. Her yapay zekâ modeli için üreticisi bir nevi prospektüs hazırlayıp, eğitim verisini, bias analizini, bilinen limitlerini, tavsiye dışı kullanım alanlarını vs. açıklamak zorunda kalacak. Bu, sağlık yöneticilerinin işini aslında kolaylaştırır; çünkü almayı düşündükleri bir yapay zekâ aracının “etiketinde” ne yapıp ne yapamayacağı yazıyor olacak. Türkiye’de de bu dönemde muhtemelen Sağlık Bakanlığı veya ilgili otoriteler, sağlıkta yapay zekâ kullanımı için yönergeler yayınlayacak, belki sertifikasyon mekanizmaları oluşturacak. TÜSEB bünyesindeki enstitü böyle kılavuzlar hazırlayabilir. Bu olgunlaşan düzenleyici çerçeve, güvene dayalı bir inovasyon ekosistemi oluşturmayı hedefler. Trendin yönetici açısından anlamı: Yapay zekâ projelerini “önce yap sonra düşün” şeklinde değil, baştan regülasyon uyumlu şekilde planlamak gerekecek.
• İnsan-Yapay Zekâ İş Birliğinin Derinleşmesi: Önümüzdeki yıllarda başarılı olan modeller, tamamen otonom çalışanlardan ziyade insanla birlikte çalışan, insanı güçlendiren (augmented intelligence) modeller olacak. Cleveland Clinic ve Mayo Clinic örnekleri, yapay zekâ asistanlarının klinisyenlerin yükünü azaltırken karar sürecinin içinde kaldığını gösterdi. Trend, bunun daha da yaygınlaşması: Örneğin, doktor muayene sırasında gözlük benzeri bir cihaz takıp, yapay zekâ gerçek zamanlı olarak doktorun ve hastanın konuşmasını dinleyip EHR’ye not yazacak; doktor onayladığı anda not kaydedilecek. Veya hemşire, hastanın sorusuna cevabı yapay zekâdan kulağına fısıldayan bir akıllı cihazla alacak, uygun bulursa tekrarlayacak. Bu tür entegre iş akışları, belki 2027’ye kadar pilot olmaktan çıkıp bazı ileri kurumlarda standart hale gelebilir. Tabii bunun için yasal izinler, meslek örgütlerinin onayı vs. gerekecek, ancak teknoloji tarafı hazır olacaktır. Ayrıca, hasta tarafında da yapay zekâ ile iş birliği artacak. Şu anda hastalar Google’dan arama yapar gibi ChatGPT’ye sağlık soruları sormaya başlamış durumda; ileride sağlık sistemleri bu eğilimi güvenli hale getirmek için kendi onaylı chatbot’larını hastalara sunabilir. Örneğin, 2026’da bir hasta, randevu almadan önce hastanenin resmi yapay zekâ triaj botuna semptomlarını anlatıp yönlendirme alabilir (Neyim Var bunun bir başlangıcıdır). İnsan-yapay zekâ iş birliği demek, herkesin kendi işini en iyi yaptığı bir düzenin kurulmasıdır: Yapay zekâ hızlı veri tarar, önerir; insan son kontrolleri yapar, empati kurar, etik kararı verir. Bu dengenin pratikte nasıl sağlanacağı, önümüzdeki yılların en önemli konusu olacak.
• Performansta Sıçramalar ve Yeni Benchmark’lar: Yapay zekâ alanı her yıl yeni buluşlarla ilerliyor. 2025–2027’de de model kapasitesi, verimliliği ve “anlama” yeteneği ciddi artış gösterecek. Özellikle GPT-5 veya muadili modeller bu dönemde çıkarsa, şimdi hayal gibi gelen beceriler sergileyebilirler. OpenAI’nin HealthBench sonuçlarında 2023 sonundan 2025 başına kadar %28 puanlık artış gördüğü raporlanmıştı (o1’den o3’e); benzer bir sıçrama belki bir sonraki jenerasyonda yaşanabilir. Bu da bugün modellerin yapamadığı bazı şeyleri yapabilir kılacak. Örneğin uzun ve karmaşık rehber dokümanları tamamen özümsenmiş şekilde kullanabilen, nadir hastalıkları bile tespit edebilen, klinik denemeler verisini analiz edip doktorlara önerebilen modeller gelebilir. Bu ilerlemeler, değerlendirme kriterlerini de değiştirecek. HealthBench büyük ihtimalle güncellenecek veya genişleyecek; belki “HealthBench 2.0” çıkacak. Stanford’ın MedHELM’i otonom “yapay doktor ajanlar” test etmeye başlayabilir. WHO veya uluslararası konsorsiyumlar, küresel yapay zekâ değerlendirme yarışmaları düzenleyerek farklı ülkelerin modellerini yarıştırabilir. Türkiye’den bir modelin böyle bir yarışmada dereceye girmesi bile muhtemel (örneğin, Türk araştırmacıların geliştirdiği bir model acil travma yönetimi senaryosunda dünya birincisi olabilir). Kısaca, performans artışı hem heyecan verici fırsatlar hem de bir miktar risk getiriyor: Modeller çok güçlü oldukça, aşırı güven tehlikesi doğabilir. Bu nedenle gelecek trendinde bir diğer vurgu: Model denetleme ve güvenlik araştırmaları da artacak. “Nasıl daha da iyi yaparız?” kadar “Nasıl tamamen kontrolden çıkmaz?” sorusu da sorulacak. Büyük sağlık kurumları, yapay zekâ sistemleri için tıpkı siber güvenlik birimi gibi AI güvenlik birimleri kurmaya başlayabilir.
• Hasta Odaklı Yapay Zekâ ve Kişiselleştirme: 2025 sonrasında yapay zekâ uygulamaları, sadece klinisyenlere değil doğrudan hastalara yönelik hizmetlerde de ilerleyecek. Kişisel sağlık asistanları, giyilebilir cihazlarla entegre yapay zekâ koçları (ör. kronik hastalara günlük tavsiyeler veren uygulamalar) gibi yenilikler göreceğiz. Apple, Google gibi teknoloji devleri halihazırda sağlık verilerini (nabız, EKG, aktivite vs.) topladığı ekosistemlerine yapay zekâ yorumlama katmanları ekleyeceklerdir. Örneğin Apple’ın bir yazılımı, saatinizden gelen EKG verinizi ve günlük aktivitenizi analiz edip “bugün kalp atışlarında şu pattern var, dilersen doktoruna danış” diyebilir. Bu tip gelişmeler, hastaların kendi verilerini daha iyi anlamalarını sağlayacak. Tabii bunun için güçlü bir güvenlik ağı şart, aksi halde yanlış alarmlar veya gereksiz kaygılar oluşabilir. Gelecekte belki her bireyin kendi “sağlık yapay zekâ modeli” olacak, bu model o kişinin genetiğini, geçmişini, tercihlerini bilecek ve o kadar kişiselleşmiş öneriler verecek. Bu trendin sağlık sistemine etkisi büyük olabilir: Bazı basit konular için insanlar doktora danışmadan önce bu kişisel asistanlarından yardım alabilir, bu da sağlık sistemindeki yükü hafifletebilir. Ancak bunun için regülasyon ve eğitim şart; aksi takdirde doktoru devre dışı bırakan hatalı bir “dr. Google 2.0” vakası istemeyiz. Bu trendde HealthBench gibi benchmark’ların da evrimi gerekebilir: Belki de ileride “PatientBench” gibi, hasta perspektifinden model değerlendiren setler çıkacaktır.
• İş Gücü Dönüşümü ve Yeni Roller: Yapay zekânın sağlıkta yaygınlaşmasıyla birlikte sağlık iş gücü profilinde değişimler beklenir. 2025-2027’de belki bu değişimin ilk somut sinyalleri gelecek. Örneğin, tıbbi sekreterler ve kodlama uzmanlarının rolü dönüşebilir. Cleveland Clinic örneğinde AI scribelar devreye girdikçe klasik medikal sekreter ihtiyacı azalabilir, ancak yerine “AI süpervizörü” denen, yapay zekânın oluşturduğu dokümanları hızla gözden geçirip düzenleyebilen yeni bir rol belirebilir. Bu kişiler tıbbi terminoloji bilen ama doktor olmayan yardımcılar olabilir. Yine hemşireler için de, yapay zekâ ile entegre çalışmayı bilen hemşireler daha değerli olacak, belki “dijital hemşire eğitimi” gibi programlar çıkacak. Doktorlar açısından da tıp eğitimine yapay zekâ okuryazarlığı dersi girmesi muhtemeldir (bazı okullarda başladı bile). Bu dönemde meslek örgütleri ve yöneticiler, çalışanları bu değişime hazırlamalı, yeniden eğitim (reskilling) fırsatları sunmalıdır. Yapay zekâ, bazı rutin işleri otomatikleştirecek ama bu çalışanları atıl kılmak yerine daha karmaşık görevlere yönlendirmek esas hedef olmalı. Örneğin, bir onkolog doktor vakit kazanırsa bunu daha fazla hasta eğitimi veya araştırmaya ayırabilir. Trend, insan becerilerinin daha rafine alanlarda kullanılmasına yöneliktir; yapay zekâ idari yükü ve veri işleme yükünü alırken, insan dokunuşu gerektiren kısımlar önem kazanır. Bu yüzden, 2027’ye gelindiğinde belki performans değerlendirmelerinde “yapay zekâyı etkin kullanabilme” bir kriter olacak, tıpkı bilgisayar becerilerinin bir dönem ayrı bir yetkinlikken şimdi olmazsa olmaz hale gelmesi gibi.

Bu gelecek trendlerinin ortak noktası, yapay zekânın sağlık ekosistemine daha derin ve yaygın entegrasyonudur. Yöneticiler için önemli olan, bu trendleri yakından takip ederek kurumlarını hazırlamalarıdır. Stratejik planlara yapay zekâyı dahil etmek, pilotları erkenden yapmak, çalışanları eğitmek ve düzenleyici değişikliklere adapte olmak gerekecek. Ayrıca, etik ve güvenlik prensiplerinden ödün vermeden inovasyon yapabilmek, rekabet avantajı sağlayacak. 2025–2027 dönemi, sağlıkta yapay zekânın “deneysel” olmaktan çıkıp “olmazsa olmaz” araçlardan biri haline geldiği zamanlar olabilir. Bugünün liderleri, geleceğin bu gerçekliğine ne kadar hazır olursa, sağlık kuruluşları da o kadar başarılı ve dirençli olacaktır.

Sonuç ve Eylem Çağrısı

Sağlık sektöründe yapay zekânın yükselişi, beraberinde hem büyük fırsatlar hem de önemli sorumluluklar getiriyor. Bu blog yazısında ele aldığımız HealthBench örneği, yapay zekâ uygulamalarının gerçek dünyaya güvenli ve etkin şekilde entegre edilebilmesi için nasıl veri temelli ve iş birliğine dayalı bir yaklaşım gerektiğini bizlere gösteriyor. Üst düzey yöneticiler, CIO’lar ve klinik inovasyon liderleri olarak, yapay zekâ treninin ilerleyişini sadece izlemek yerine, aktif bir şekilde yönlendiren tarafta olmak durumundayız.

Öncelikle şunun altını çizmek gerekir: Yapay zekâ sağlık hizmetlerinde bir araçtır, amaç değildir. Amacımız, hasta bakım kalitesini artırmak, çalışanlarımızın işini kolaylaştırmak ve sağlık sistemini daha sürdürülebilir kılmaktır. HealthBench gibi standartlar, bu amaçlara hizmet edip etmediğimizi objektif olarak değerlendirmemize yarar. Dolayısıyla, kurumlarınızda yapay zekâ projeleri başlatırken veya mevcut projeleri gözden geçirirken, değerlendirme kriterlerini en baştan tanımlayın. “Bu proje başarılı olursa neyi ölçeriz de anlarız?” sorusunu sorun. Bu ölçütleri belirlerken, yazıda sunduğumuz gibi, hazır bir çerçeveden yararlanmak işinizi kolaylaştıracaktır. Örneğin, bir sohbet botu için “HealthBench puanı” veya bir teşhis destek sistemi için “uzman doktorun değerlendirmesine karşı başarı oranı” gibi metrikleri şimdiden şartnamelerinize, proje hedeflerinize yazın.

İkinci olarak, veriye ve kanıta dayalı karar alma kültürünü kurumunuzda pekiştirin. Yapay zekâ gibi yenilikçi konularda bazen hype (abartılı beklentiler) bazen de korkular etrafı sarabilir. Bunların ötesine geçmek için en iyi reçete, somut verilere bakmaktır. Pilot projeler yapın, küçük başlayın, sonuçları analiz edin. Bu yazıda Cleveland Clinic ve Mayo Clinic pilotlarından aktardığımız rakamlar, oradaki yöneticilerin vizyonu kadar disiplinini de gösteriyor: Ölçmeden yönetemezsiniz. Aynı yaklaşımı kendi kurumunuzda uygularsanız, yapay zekâ projelerinin gerçekten işe yarayıp yaramadığını ortaya koyabilir ve kaynaklarınızı doğru projelere yönlendirebilirsiniz.

İkna edici olmak gerektiğinde, en güçlü argüman gerçek hikâyelerdir. Sağlık profesyonellerini, paydaşlarınızı veya yatırım yapacak üst yönetimi ikna etmek için bu yazıda paylaştığımız örnekleri kullanın. “Şu hastane bu teknolojiyi uyguladı ve şu kadar zaman kazandı, hataları azalttı” demek somut bir referanstır. Özellikle Türkiye’de henüz bu alanda çok örnek olmadığı için, dünya örneklerini getirip sunmak farkındalığı artıracaktır. Ancak aynı zamanda, Türkiye’den “Neyim Var” gibi başarılı projeleri de hatırlatarak yerli başarılara vurgu yapın. Bu, ulusal düzeyde de yapay zekâya yatırımın artmasını teşvik edecektir.

Bir diğer kritik alan, insan kaynağı ve kültürdür. Yapay zekâyı kurumunuza entegre ederken en büyük başarı faktörü, çalışanlarınızın bunu benimsemesi olacaktır. O nedenle sonuca giderken süreci ihmal etmeyin. Çalışanlarınızı eğitin, endişelerini dinleyin, onları sürece dahil edin. Bu yazıda çizdiğimiz yol haritasında insan faktörünün altını çizdik – eğitimin, değişim yönetiminin önemine değindik. Somut eylem çağrısı: Eğer henüz yoksa, kurumunuzda “Dijital Sağlık/Yapay Zekâ” konularına odaklanacak bir çalışma grubu veya komite kurun. İçinde hekimlerin, hemşirelerin, BT uzmanlarının, hukukçuların olduğu bu ekip, hem mevcut süreçlerde yapay zekâ fırsatlarını belirlesin hem de uygulama sırasında geri bildirim mekanizması olsun. İnsanlarımızın sürece güveni, başarının ön koşuludur.

Düzenleyici boyutta da proaktif olun. 2025 ve sonrasında gelecek yasal düzenlemelere hazırlık yapın. Şimdiden veri yönetimi politikalarınızı gözden geçirin, yapay zekâ kullanımı için etik ilkeler belirleyin. Örneğin, bir “Yapay Zekâ Etik Rehberi” yayınlayarak kurum içinde nelerin yapılabilir, nelerin yapılamaz olduğuna dair çerçeve çizebilirsiniz. Bu, ileride yaşanabilecek karmaşaları önler ve paydaşlara güvence verir. Unutmayalım ki, şeffaflık güveni doğurur. Eğer hastalar ve çalışanlar, yapay zekânın nasıl kullanıldığını, ne fayda sağladığını, nasıl denetlendiğini bilirlerse kabullenme artar.

Son olarak, iş birliği ve öğrenme çağrısı yapmak istiyorum. Yapay zekâ gibi karmaşık ve hızla gelişen bir alanda hiç kimse tüm cevaplara sahip değil. Bu nedenle diğer kurumlarla, akademiyle, teknoloji firmalarıyla iş birliği yapmaktan çekinmeyin. HealthBench gibi açık insiyatifler zaten bu ruhla ortaya çıkıyor: Paylaşarak birlikte gelişmek. Eğer mümkünse siz de katkı verin; örneğin, sizin kurumunuzun elinde anonimleştirilmiş değerli veriler varsa, bunu uluslararası bir benchmark’a (veya Türkiye’de kurulacak benzerine) katkı olarak sunmak orta vadede size de fayda sağlar.

Eylem Çağrısı: Bu yazıyı bir başlangıç noktası olarak alıp, kurumunuzda en az bir somut adım atın. Bu bir pilot proje başlatmak olabilir, bir çalıştay düzenleyip yöneticiler ve klinisyenlerle yapay zekâ stratejinizi masaya yatırmak olabilir, ya da halihazırda kullanılan bir yapay zekâ aracını HealthBench gibi bir ölçüte tabi tutmak olabilir. Önemli olan, okuduklarınızı fiiliyata dökmeniz. Sağlık sektörü, insan hayatıyla doğrudan ilgili olduğu için yenilikleri temkinli ama aynı zamanda da cesur bir şekilde kucaklamak zorunda. Yapay zekâ trenini kaçırmadan, ama yolcuların güvenliğini de ihmal etmeden bu yolculuğa çıkmak sizin liderliğinize bağlı.

Unutmayalım, geleceğin sağlık sistemi insan ve yapay zekânın el ele çalıştığı, veriye ve güvene dayalı bir sistem olacak. Bu geleceği şekillendirmek için bugünden alacağımız aksiyonlar, yarının standartlarını belirleyecek. HealthBench ile çizilen vizyon, “ölç ve geliştir” vizyonudur. Gelin, bu vizyonu kendi kurumlarımızda hayata geçirelim ve sağlık hizmetlerinde kaliteyi birlikte yükseltelim.

Soru / Cevap:

Kaynakça

• Araştırma Notu: Aşağıda, yazıda kullanılan ana kaynaklar APA stilinde listelenmiştir.
• Arora, R. K., Wei, J., Hicks, R. S., Bowman, P., Quiñonero-Candela, J., Tsimpourlas, F., … & Singhal, K. (2025). HealthBench: Evaluating Large Language Models Towards Improved Human Health. arXiv preprint arXiv:2505.08775 arxiv.orgarxiv.org.
• OpenAI. (2025, May 12). Introducing HealthBench: an evaluation for AI systems and human health openai.comopenai.com. Retrieved from OpenAI: https://openai.com/index/healthbench
• Landi, H. (2025, May 13). OpenAI pushes further into healthcare with release of HealthBench to evaluate AI models. Fierce Healthcare fiercehealthcare.comfiercehealthcare.com.
• Beavins, E. (2025, Feb 19). Cleveland Clinic taps Ambience for ambient AI tech fiercehealthcare.com. Fierce Healthcare.
• Diaz, N. (2024, Mar 7). Mayo’s plan to expand AI tool access in 2024. Becker’s Hospital Review beckershospitalreview.com.
• World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance ncbi.nlm.nih.gov. Geneva: WHO.
• European Union. (2024). Regulation (EU) 2024/1689 (Artificial Intelligence Act) accesspartnership.comnature.com. Official Journal of the EU.
• Yorgancıoğlu Tarcani, G., Yalçın Balcı, P., & Sebik, N. B. (2024). Türkiye ve Dünyada Sağlık Hizmetlerinde Yapay Zekâ. Lokman Hekim Tıp Tarihi ve Folklorik Tıp Dergisi, 14(1), 50-60 dergipark.org.tr.
• Davenport, T., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future Healthcare Journal, 6(2), 94-98.
• Benke, K., & Benke, G. (2018). Artificial intelligence and big data in public health. International Journal of Environmental Research and Public Health, 15(12), 2796.
• Goh, E. (2025). Stanford AI Research Executive’s commentary on HealthBench (as cited in Landi, 2025) fiercehealthcare.com.
• Shah, N. (2025). Stanford Health AI Center – MedHELM announcement (as cited in Landi, 2025) fiercehealthcare.com.
• UTHealth Houston. (2024, Sep 13). UTHealth Houston collaborates with OpenAI to offer clinicians HIPAA-compliant ChatGPT solutions. (Press release summary in Fierce Healthcare) fiercehealthcare.com.
• Türkiye Cumhuriyeti Resmi Gazete. (2022, Mar 12). Türkiye Sağlık Veri Araştırmaları ve Yapay Zekâ Uygulamaları Enstitüsü Kuruluş Yönetmeliği lexpera.com.tr (RG No: 31776).
• Stat News. (2025, Mar 17). New Stanford tool scores health AI models on critical clinical tasks (MedHELM coverage).
• Nori, H., et al. (2023). Capabilities of GPT-4 on Medical Challenge Problems. arXiv preprint arXiv:2303.13375.
• Microsoft News. (2023). Microsoft and Epic expand strategic collaboration with integration of GPT-4 into EHRs news.microsoft.com.
• İTÜ & TÜBİTAK (2021). Ulusal Yapay Zekâ Stratejisi 2021-2025 dergipark.org.tr (Resmi Rapor).