Yapay Zeka, Büyük Veri Ve Tıpta Bilimsel Araştırmalar

Yıl 2026, Cilt: 11 Sayı: 1, 104 - 110, 05.02.2026

Osman Hayran

https://doi.org/10.35232/estudamhsd.1872416

Öz

Tıbbi uygulamalar ile araştırmalarda yapay zekadan (YZ) ve büyük veriden yararlanma konusunda her kesimde yarışa dönüşmüş bir acelecilik ve telaş gözlenmektedir. Ne var ki bu uygulamaların yararları yanında şimdiden ortaya çıkan sorunlu yanları ve ortaya çıkma olasılığı yüksek olan sakıncaları bulunmaktadır.
YZ sorunlara insandan, profesyonellerden daha hızlı çözüm bulmakta, karmaşık işleri kolaylaştırmaktadır. Ancak bunu yaparken nasıl yaptığı, tercihlerinin gerekçeleri, alternatif seçenekler, durum değerlendirmeleri tüm ayrıntıları ile bilinemediği için bir tür kara-kutu uygulaması söz konusu olmaktadır. Bu da insan odaklı ve kanıta dayalı tıp uygulamalarına ters düşen bir durumdur.
Abartılan ve yanlış kullanılan bir diğer konu da araştırma amacıyla büyük veriden yararlanma konusudur. Örnek büyüklüğü açısından büyük verinin temsil gücünün çok yüksek olabileceği düşünülse de bu doğru değildir. Öte yandan büyük veri analizi sonucu saptanan istatistiksel ilişkileri (korelasyonları) nedensel ilişkiler şeklinde değerlendirmek, kullanmak da mümkün değildir. Sağlık ve hastalıklarla ilgili durumların neredeyse tamamı çok değişkenli, birbiri ile doğrudan ya da dolaylı şekilde bağlantısı olan karmaşık ilişkilerin sonucu ortaya çıkmaktadır.
YZ’nın temelini oluşturan büyük dil modelleri (LLM’ler) insanlar tarafından üretilen verilerle eğitildiğinden, bu modellerin mevcut sağlık hizmetlerindeki ayrımcılığı arttırarak sürdürme olasılığı bulunmaktadır. Eğitim verilerindeki çeşitli yanlılıklardan kaynaklanan ve algoritmik yanlılık olarak bilinen bu ayrımcılık belirli toplum gruplarının yeterince temsil edilmemesi ile daha da derinleşebilmektedir. Bu durumun hizmet sunumu ve kalitesinde eşitsizliklere yol açması kaçınılmazdır.
Başka bir deyişle bir tür arama motoru olan YZ ile dijital atık çöplüğü niteliğindeki büyük veriden mucizeler beklememek, yüzyılların emeği ile oluşmuş bilimsel yöntemlerden ödün vermemek gerekir.

Anahtar Kelimeler

Yapay zeka , büyük veri , tıbbi araştırmalar , sağlık hizmetleri

Etik Beyan

Gerekli değildir.

Destekleyen Kurum

Yok.

Teşekkür

Yok.

Artificial Intelligence, Big Data And Scientific Research In Medicine

Öz

There is a crazy rush and excitement across all sectors to utilise artificial intelligence (AI) and big data in medical applications and research. Besides some benefits of these applications, problematic issues have already emerged, and potential drawbacks seem to arise.
It is true that AI finds solutions to some problems faster than humans and simplifies complicated tasks. However, because the details of solution mechanisms, the rationale behind its choices, alternative options, and situation assessments are not fully understood, it may be seen as a kind of black-box application. This is contrary to human-centred and evidence-based medical practices.
The use of big data for research purposes is another issue that is exaggerated and misused. Despite the opinion that big data has a very high representativeness in terms of sample size, this is not true. On the other hand, it is not correct to consider the statistical associations (correlations) found by big data analysis as causal relationships since almost all situations of health and disease are the result of complex relationships of multiple variables that are interacted with each other.
Because the large language models (LLMs) that are the basis of AI are trained on data produced by humans, there will always be a possibility for them to perpetuate and exacerbate existing discrimination in healthcare system. This discrimination, known as algorithmic bias, will probably be further deepened by the underrepresentation of certain social groups. This situation inevitably will result in healthcare service inequalities.
Miracles should not be expected from AI, since it is not more than a talented search engine dealing with big data that resembles a huge digital waste dump, nor should be compromised on scientific methods that have been developed and evolved over centuries.

Anahtar Kelimeler

Artificial intelligence , big data , medical research , health services

Etik Beyan

-

Destekleyen Kurum

-

Teşekkür

-

Kaynakça

• Porta MS, Greenland S, Hernán M, dos Santos Silva I, Last JM, editors. A dictionary of epidemiology. 6th ed. Oxford: Oxford University Press; 2014.
• Merriam-Webster. Research. In: Merriam-Webster. com dictionary [Internet]. Springfield (MA): Merriam-Webster; 2024. Erişim adresi: https://www.merriam-webster.com/dictionary/research
• Knottnerus JA, Tugwell P. Ethics of research methodology requires a methodology of research ethics. J Clin Epidemiol. 2018;100:v-vi. DOI: 10.1016/j.jclinepi.2018.07.001
• Eysenbach G. Infodemiology: the epidemiology of (mis)information. Am J Med. 2002;113(9):763-5.
• Hayran O. Infodemiology and Metascience to Prevent Disinformation. J Biotechnol and Strategic Health Res. 2025;9(3):147-53. DOI:10.34084/bshr.1820357.
• Bjerring JC, Busch J. Artificial Intelligence and Patient-Centered Decision-Making.Philos. Technol. 2021; 34: 349–71. DOI: 10.1007/s13347-019-00391-6.
• Véliz C, editor. Oxford handbook of digital ethics [Internet]. Oxford: Oxford University Press; 2021 [Erişim tarihi: 10 Ocak 2026]. Erişim adresi: https://doi.org/10.1093/oxfordhb/9780198857815.002.0003
• University of Michigan-Dearborn. AI’s mysterious ‘black box’ problem, explained [İnternet]. Dearborn (MI): University of Michigan-Dearborn; 2023 [Erişim tarihi: 10 Ocak 2026]. Erişim adresi: https://umdearborn.edu/news/ais-mysterious-black-box-problem-explained
• Rudin C. Stop Explaining Black Box Machine Learning Models for High Stakes Decisions and Use Interpretable Models Instead. Nature Machine Intelligence 2019;1(5):206–15.
• Herzog L. Algorithmic bias and access to opportunities. In: Véliz C, editör. Oxford handbook of digital ethics [İnternet]. Oxford: Oxford University Press; 2021 [Erişim tarihi: 11 Ocak 2026]. Erişim adresi: https://doi.org/10.1093/oxfordhb/9780198857815.013.21
• Ienca M, Effy V. Digital nudging: exploring the ethical boundaries. In: Véliz C, editör. Oxford handbook of digital ethics [İnternet]. Oxford: Oxford University Press; 2021 [Erişim tarihi: 11 Ocak 2026]. Erişim adresi: https://doi.org/10.1093/oxfordhb/9780198857815.013.19
• Rejeleene R, Xu X, Talburt J. Towards trustable language models: investigating information quality of large language models [İnternet]. arXiv [Preprint]. 2024 [Erişim tarihi: 11 Ocak 2026]. Erişim adresi: http://arxiv.org/abs/2401.13086
• Omar M, Soffer S, Agbareia R ve diğ. Sociodemographic biases in medical decision making by large language models. Nat Med 2025;31:1873–81. DOI:10.1038/s41591-025-03626-6.
• Sturmberg JP, Kühlein T. Transparency in Science Reporting: A Call to Researchers and Publishers. Cureus 2025;17(2): e79493. DOI:10.7759/cureus.79493.
• Hayran O. Bilimsel araştırmalarda tekrar edilebilirlik sorunları ve açık bilim. ESTÜDAM Halk Sağlığı Dergisi. 2023;8(3):375-81.
• Ioannidis JPA. Hundreds of thousands of zombie randomised trials circulate among us. Anaesthesia. 2021;76(4):444–7.
• Ioannidis JPA, Maniadis Z. Quantitative research assessment: using metrics against gamed metrics. Intern Emerg Med 2024;19: 39–47. DOI: 10.1007/s11739-023-03447-w.
• Retraction Watch. Retractions by Nobel Prize winners [Internet]. New York (NY): Center for Scientific Integrity. [Erişim tarihi: 11 Ocak 2026]. Erişim adresi: https://retractionwatch.com/retractions-by-nobel-prize-winners/
• Büyük veri. Wikipedia [Internet]. Wikimedia Foundation. [Erişim tarihi: 11 Ocak 2026]. Erişim adresi: https://tr.wikipedia.org/wiki/Büyük_veri
• T Tang JL, Li LM. Some random reflections on evidence-based medicine, precision medicine, and big data research. In: Ye DQ, editör. Progress in China epidemiology [İnternet]. Singapur: Springer; 2022. Erişim adresi: https://doi.org/10.1007/978-981-19-2199-5_19
• Feyerabend P. Yönteme karşı. Başer E, çeviren. 4. baskı. İstanbul: Ayrıntı Yayınları; 2010.
• O’Neil C. Weapons of math destruction: how big data increases inequality and threatens democracy. New York: Penguin Books; 2016.