TÜRKİYE SAĞLIK SİSTEMİNDE YAPAY ZEKA TABANLI KLİNİK KARAR DESTEK SİSTEMLERİNİN ENTEGRASYONU İÇİN BİR SOSYO-TEKNİK ÇERÇEVE MODELİ

Year 2025, Volume: 9 Issue: 2, 271 - 294, 20.07.2025

Selçuk Özçelik Merve Saribekiroğlu

Abstract

Yapay zeka (YZ), sağlık hizmetlerinde devrim yaratma potansiyeli taşımakta ve Yapay Zeka Tabanlı Klinik Karar Destek Sistemleri (YZ-KKDS), bu dönüşümün merkezinde yer almaktadır. Bu sistemler, tanı doğruluğunu artırma, tedavi planlarını kişiselleştirme ve operasyonel verimliliği yükseltme gibi önemli vaatler sunmaktadır (Bulut, 2023). Ancak, YZ modellerinin geliştirilmesi, bu teknolojinin başarılı bir şekilde benimsenmesi için gereken sürecin yalnızca bir parçasıdır. Türkiye sağlık sisteminin kendine özgü dinamikleri; parçalı Hastane Bilgi Yönetim Sistemleri (HBYS) yapısı, Kişisel Verilerin Korunması Kanunu (KVKK) gibi katı yasal düzenlemeler, hekimlerin iş akışları ve teknolojiye yönelik tutumları gibi faktörler, entegrasyon sürecini karmaşık bir sosyo-teknik probleme dönüştürmektedir (Dizman, 2018; Önder, 2022). Bu makale, YZ-KKDS’nin Türkiye’de başarılı ve sürdürülebilir entegrasyonu için bütüncül bir yol haritası sunmayı amaçlamaktadır. Literatür taraması, Türkiye’deki mevcut durum analizi ve sistem tasarımı prensiplerini birleştiren bir metodoloji kullanılarak, teknolojik gelişimin ötesine geçen ve insan, organizasyon ve politika faktörlerini merkeze alan çok boyutlu bir çerçeve modeli önerilmektedir. Önerilen model; (1) Yönetişim ve Politika, (2) Teknik Altyapı ve Birlikte Çalışabilirlik, (3) Klinik Entegrasyon ve Kullanıcı Odaklılık, (4) Yasal ve Etik Uyum, (5) Eğitim ve Kapasite Geliştirme olmak üzere beş temel sütun üzerine inşa edilmiştir. Bu çerçeve, YZ-KKDS entegrasyonunun önündeki sosyo-teknik engelleri aşmak için politika yapıcılara, sağlık yöneticilerine ve teknoloji geliştiricilere stratejik bir rehber sunmaktadır.

Keywords

Yapay Zeka , Klinik Karar Destek Sistemleri , Sosyo-Teknik Sistemler , Teknoloji Entegrasyonu , Sağlık Bilişimi , Hastane Bilgi Yönetim Sistemleri (HBYS) , Türkiye Sağlık Sistemi , Teknoloji Kabul Modeli (TAM) , KVKK.

A SOCIO-TECHNICAL FRAMEWORK MODEL FOR THE INTEGRATION OF ARTIFICIAL INTELLIGENCE-BASED CLINICAL DECISION SUPPORT SYSTEMS INTO THE TURKISH HEALTHCARE SYSTEM

Abstract

Artificial Intelligence (AI) holds transformative potential in healthcare, with AI-Based Clinical Decision Support Systems (AI-CDSS) positioned at the core of this transformation. These systems offer significant promises such as improving diagnostic accuracy, personalizing treatment plans, and enhancing operational efficiency (Bulut, 2023). However, model development constitutes only one part of the process necessary for the successful adoption of this technology. The unique dynamics of the Turkish healthcare system - such as the fragmented structure of Hospital Information Management Systems (HIMS), strict legal regulations like the Personal Data Protection Law (PDPL), physicians' workflows, and their attitudes toward technology - turn the integration process into a complex socio-technical challenge (Dizman, 2018; Önder, 2022). This article aims to present a comprehensive roadmap for the successful and sustainable integration of AI-CDSS in Turkey. Employing a methodology that combines literature review, an analysis of the current state in Turkey, and system design principles, the study proposes a multidimensional framework model that goes beyond technological development and centers on human, organizational, and policy factors. The proposed model is built upon five core pillars: (1) Governance and Policy, (2) Technical Infrastructure and Interoperability, (3) Clinical Integration and User-Centeredness, (4) Legal and Ethical Compliance, and (5) Education and Capacity Building. This framework offers strategic guidance to policymakers, healthcare administrators, and technology developers in overcoming the socio-technical barriers to AI-CDSS integration.

Keywords

Artificial Intelligence , Clinical Decision Support Systems (CDSS) , Socio-Technical Systems , Technology Integration , Health Informatics , Hospital Information Management Systems (HIMS) , Turkish Healthcare System , Technology Acceptance Model (TAM) , Personal Data Protection Law (PDPL).

References

• Abdullah, R., & Fakieh, B. (2020). Health care employees’ perceptions of the use of artificial intelligence applications in medical services in Saudi Arabia. Journal of Multidisciplinary Healthcare, 13, 867-877.
• Akalın, B. (2020). Sağlık hizmetleri ve yönetiminde yapay zekâ. Hiper Yayıncılık.
• Akalın, B., & Veranyurt, Ü. (2022). Sağlık hizmetleri ve yönetiminde yapay zekâ. Journal of Aware, 7(1), 1-15.
• Al Fadeel, S., Al-Jeraisy, M., Al-Qahtani, A., Al-Duhayan, A., Al-Otaibi, R., & Al-Harbi, S. (2021). Perception of healthcare professionals towards artificial intelligence in medicine in Riyadh, Saudi Arabia. Journal of Family Medicine and Primary Care, 10(7), 2623-2628.
• Beede, E., Baylor, E., Hersh, F., Iurillo, M., Lumsden, M., & Martin, K. (2020). A human-centered evaluation of a deep learning system for diabetic retinopathy. Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems, 1-12.
• Bozkurt, İ. (2020). Teknoloji kabul modeli çerçevesinde sağlık profesyonellerinin yeni tedavi yöntemlerini kullanma eğilimlerinin incelenmesi (Özel hastane örneği). Gevher Nesibe Journal of Medical & Health Sciences, 5(12), 87-101.
• Bulut, C. (2023). Yapay zekâ destekli karar destek sistemlerinin sağlık sektöründe kullanımı: Sistematik bir derleme. Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 9(2), 235-250.
• Çiriş, M. Ş. (2020). Klinik karar destek sistemleri. Nobel Akademik Yayıncılık.
• Çiriş, M. Ş., Çelik, Y., & Yılmaz, F. (2020). Klinik karar destek sistemlerinin sağlık hizmetlerinde kullanımı. Sağlık ve Hemşirelik Yönetimi Dergisi, 7(2), 215-224.
• Davis, F. D. (1989). Perceived usefulness, perceived ease of use, and user acceptance of information technology. MIS Quarterly, 13(3), 319-340.
• Davis, F. D., Bagozzi, R. P., & Warshaw, P. R. (1989). User acceptance of computer technology: A comparison of two theoretical models. Management Science, 35(8), 982-1003.
• Dizman, H. (2018). Hastane yönetim bilgi sistemlerinin hizmet kalitesine etkisi: Bir kamu hastanesi örneği. Journal of Social and Humanities Sciences Research, 5(25), 1845-1854.
• Filiz, M., & Karagöz, Y. (2023). Sağlık çalışanlarının mental iyi oluş algılarının yapay zeka kaygı düzeyleri üzerindeki etkisi. Journal of Academic Value Studies, 9(1), 1-12.
• Hersh, W. R. (1999). “A world of knowledge at your fingertips”: The promise and peril of the internet for health care. MD Computing, 16(4), 36-38.
• Hoşgör, H., & Güngördü, Z. (2022). Radyolojide yapay zeka: Mevcut durum ve gelecek perspektifleri. Türkiye Klinikleri Tıp Bilimleri Dergisi, 42(3), 315-322.
• Kaplan, B. (2001). Evaluating informatics applications—some alternative approaches: theory, social interactionism, and qualitative methods. International Journal of Medical Informatics, 64(1), 39-55.
• Kaya, F., Aydın, F., Schepman, A., Rodway, P., Yetişensoy, O., & Demir-Kaya, M. (2022). The roles of personality traits, AI anxiety, and demographic factors in attitudes toward artificial intelligence. International Journal of Human-Computer Interaction, 39(12), 1-18.
• Khan, S., Drawbacks of artificial intelligence and their potential solutions in the healthcare sector. Biomed Mater Devices. (2023).
• Khoong, M. Y. (1995). An integrated medical informatics education program. Proceedings of the Annual Symposium on Computer Application in Medical Care, 731-735.
• Kuş, H., & Bozkurt, S. (2016). Klinik karar destek sistemleri ve hemşirelik. İnönü Üniversitesi Sağlık Hizmetleri Meslek Yüksek Okulu Dergisi, 4(2), 55-66.
• Magrabi, F., Ammenwerth, E., & McNair, J. B. (2019). Artificial intelligence in clinical decision support: Challenges. Yearbook of Medical Informatics, 28(01), 12-17.
• Maskara, R., Şengül, R., & Çelik, Y. (2017). Hekimlerin bilişim teknolojileri kullanımına yönelik tutumları. Sağlık Akademisyenleri Dergisi, 4(2), 85-91.
• Oh, S., Kim, J. H., Choi, S. W., Lee, H. J., Hong, J., & Kwon, S. H. (2019). Physician confidence in artificial intelligence: an online mobile survey. Journal of Medical Internet Research, 21(3), e12422.
• Orhan, G., Özdemir, L., & Uslu, R. (2018). Sağlık bilgi sistemleri ve teknolojileri. Journal of Social and Administrative Sciences, 5(39), 645-653.
• Önder, Ö. (2022). Epistemolojik ve etik açıdan klinik karar destek sistemleri. İçinde T. Bardakçı & M. İhsan Karaman (Ed.), Yapay zeka etiği (s. 147-160). Isar Yayınları.
• Öz, E. (2012). Aile hekimliği bilgi sisteminin kullanılabilirlik testi (Doktora tezi). Hacettepe Üniversitesi, Ankara.
• Persidis, A., & Persidis, A. (1991). The application of artificial intelligence in medicine. Computer Methods and Programs in Biomedicine, 34(2-3), 81-91.
• Sağlık Bakanlığı. (2024). Yapay zekâ ve yenilikçi teknolojiler dairesi başkanlığı.(https://sbsgm.saglik.gov.tr/TR-95323/hbysapi-ve-ybbysapi-dokumanlari-surum-10-yayimlanmistir.html) Schoonderwoerd, T. A., Jorritsma, W., Neerincx, M. A., & van den Bosch, K. (2021). Human-centered XAI: A systematic literature review and design framework. International Journal of Human-Computer Studies, 154, 102667.
• Şengül, R. (2022). Sağlık profesyonellerinin yapay zeka kaygı düzeylerinin incelenmesi. Journal of Academic Value Studies, 8(1), 1-11.
• T.C. Cumhurbaşkanlığı Dijital Dönüşüm Ofisi. (2021). Ulusal yapay zekâ stratejisi (2021-2025). https://cbddo.gov.tr/
• TÜBİTAK. (2025). TÜBİTAK ve Çin Ulusal Doğa Bilimleri Vakfı (NSFC) ile 2025 yılı ikili işbirliği çağrısı. https://www.tubitak.gov.tr
• TÜSEB. (2025). Türkiye sağlık veri araştırmaları ve yapay zekâ uygulamaları enstitüsü (TÜYZE). https://tuyze.tuseb.gov.tr/
• Uyanık, K. C. (2024). Hekimlerin yapay zekâ teknolojilerine yönelik tutumlarının incelenmesi [Anket]. Hacettepe Üniversitesi.
• Venkatesh, V., & Davis, F. D. (2000). A theoretical extension of the technology acceptance model: Four longitudinal field studies. Management Science, 46(2), 186-204.
• Venkatesh, V., Morris, M. G., Davis, G. B., & Davis, F. D. (2003). User acceptance of information technology: Toward a unified view. MIS Quarterly, 27(3), 425-478.
• Veranyurt, Ü., Deveci, A. F., Esen, M. F., & Veranyurt, O. (2020). Disease classification by machine learning techniques: Random Forest, K-Nearest Neighbor and Adaboost algorithms applications. Uluslararası Sağlık Yönetimi ve Stratejileri Araştırma Dergisi, 6(2), 275-286.
• Wang, S., & Wang, H. (2019). A new scale for measuring artificial intelligence anxiety. International Journal of Human-Computer Interaction, 36(17), 1-11.
• Yiğit, A., & Erdem, R. (2016). Sağlık teknolojisi değerlendirmesi: Kavramsal bir çerçeve. Süleyman Demirel Üniversitesi Sağlık Yönetimi Dergisi, 1(1), 1-19.
• Yiğit, S., Berşe, S., & Dirgar, E. (2023). Yapay zekâ destekli dil işleme teknolojisi olan ChatGPT’nin sağlık hizmetlerinde kullanımı. Eurasian Journal of Health Technology Assessment, 7(1), 57-65.
• Zihni, E., Cavusoglu, H., & Benbasat, I. (2020). The “black box” of a clinical decision support system: A study of the effects of system-generated advice characteristics on user compliance. Journal of the Association for Information Systems, 21(5), 1251-1281.