Sağlık Alanında Yapay Zekanın Kullanımı: Derleme

Yıl 2024, Cilt: 4 Sayı: 3, 75 - 85, 31.12.2024

Mehmet Kaplan , Fatih Çakar , Hasan Bingöl

Öz

Bu derlemenin amacı, yaşamın her alanında kullanımı giderek yaygınlaşan Yapay Zekâ (YZ)’nın tıp, alternatif tıp, fizyoterapi, hemşirelik ve ebelik gibi sağlık alanlarında kullanımına ilişkin bilgiler sunmaktır. Yapay Zeka’nın sağlık alanında kullanımı ile ilgili çalışmaları belirlemek için konu ile ilgili uygun anahtar kelimeler kullanılarak 3 araştırmacı tarafından PubMed (n=94), PEDro (n=18), ScienceDirect (n=614), Web of Science (n=129), ProQuest (n=249) and Cochrane Library (n=6) veri tabanlarında kapsamlı bir arama yapıldı. Çeşitli veri tabanlarından elde edilen makalelerden benzer olanlar ve Türkçe ve İngilizce tam metnine ulaşılamayanlar derlemeden hariç bırakıldı. Uygun anahtar kelimeler kullanılarak veri tabanlarından yapılan aramalar neticesinde toplam 1104 çalışmaya ulaşıldı. Bu çalışmalardan, dahil edilme kriterlerini karşılamayanlar hariç bırakıldıktan sonra geriye 43 çalışma kaldı. Üzerinde fikir birliğine varılamayan çalışmalarda, karşılıklı görüşmeler yapılarak fikir birliğine varıldı. Dahil edilen çalışmaların içerikleri detaylı bir şekilde incelendikten sonra sistematik bir şekilde bir araya getirildi. YZ, sağlık alanında teşhis, tedavi ve hasta sonuçlarına olumlu etkileri bulunmaktadır. Tıp, fizyoterapi, hemşirelik ve ebelik gibi alanlarda yaygınlaşan YZ, verimlilik ve maliyet avantajları sağlarken, veri gizliliği, etik sorunlar ve algoritma önyargısı gibi riskleri de taşımaktadır. Bu endişeleri dengeleyerek YZ'yi güvenli ve adil bir şekilde entegre etmek, sağlık hizmetlerinin kalitesini artırmada kritik öneme sahiptir.

Anahtar Kelimeler

Yapay Zeka, YZ, sağlık, tıp, alternatif tıp, hemşirelik, fizyoterapi

Etik Beyan

Bu çalışma için etik kurul gerekmemektedir

Destekleyen Kurum

yok

Proje Numarası

Yok

Teşekkür

Yok

Kaynakça

• Akalın, B., & Veranyurt, Ü. (2020). Sağlikta Dijitalleşme ve Yapay Zekâ. SDÜ Sağlık Yönetimi Dergisi, 2(2), 128-137.
• Aksoy, Ö., Yiğit, F., & Yurtseven, E. (2022). Perinatoloji sağlık eğitimi: Gelişen ve değişen dinamikler. Atlas Üniversitesi Tıp ve Sağlık Bilimleri Dergisi, 2(3), 12-25.
• Alpkoçak, A. (2024). Sağlıkta açıklanabilir yapay zekâ. TOTBİD Dergisi S, 23, 18-19.
• Argent, R., Daly, A., & Caulfield, B. (2018). Patient involvement with home-based exercise programs: can connected health interventions influence adherence? JMIR mHealth and uHealth, 6(3), e8518.
• Atianashie, M., & Adaobi, C. (2024). From data to diagnosis: leveraging deep learning architectures in healthcare IoT. Academia Medicine, 1.
• Avci, C. B., Bagca, B. G., Shademan, B., Takanlou, L. S., Takanlou, M. S., & Nourazarian, A. (2024). Machine learning in oncological pharmacogenomics: advancing personalized chemotherapy. Functional & Integrative Genomics, 24(5), 182.
• Avola, D., Cinque, L., Foresti, G. L., & Marini, M. R. (2019). An interactive and low-cost full body rehabilitation framework based on 3D immersive serious games. Journal of biomedical informatics, 89, 81-100.
• Bini, S. A. (2018). Artificial intelligence, machine learning, deep learning, and cognitive computing: what do these terms mean and how will they impact health care? The Journal of arthroplasty, 33(8), 2358-2361.
• Computing, E. (2020). Wearables, Implantables, Embeddables, Ingestibles Edited by: DOI: ISBN (electronic): Publisher: Isabel Pedersen, Andrew Iliadis The MIT Press 2020 10.7551/mitpress/11564.001. 0001 9780262357791
• Cox, T., Zahradka, N., Billups, R. L., Blunk, B., Campo, R., Carelock, T., Martin, C. (2023). Standardization of outpatient care after CAR-T therapy across a large cell therapy network-through technology and decentralized virtual nurses: preliminary results. Blood, 142, 254.
• Davids, J., Lidströmer, N., & Ashrafian, H. (2022). Artificial Intelligence for Physiotherapy and Rehabilitation. In Artificial Intelligence in Medicine (pp. 1789-1807). Springer.
• DeFrank, J., & Luiz, A. (2022). AI-based personalized treatment recommendation for cancer patients. Journal of Carcinogenesis, 21(2).
• Deo, R. C. (2015). Machine learning in medicine. Circulation, 132(20), 1920-1930.
• Eibeck, A., Zhang, S., Lim, M. Q., & Kraft, M. (2024). A simple and efficient approach to unsupervised instance matching and its application to linked data of power plants. Journal of Web Semantics, 80, 100815.
• Ekici, T., & Gölgeli, A. (2021). Geleneksel Ve Tamamlayici Tipta Apiterapi. Sağlık Bilimleri Dergisi, 30(2), 200-203.
• Ekrem, E. C., & Daşıkan, Z. (2021). Perinatal dönemde yapay zekâ teknolojisinin kullanımı. Eurasian Journal of Health Technology Assessment, 5(2), 147-162.
• Erdem, İ., & Cinbirt, E. N. C. (2022). Sağlik Hizmetlerinde Robotik Cerrahi. Sağlık Yönetiminde Yenilikçi Yaklaşımlar, 81.
• Fotis, T. (2024). Educating the Next Generation of Perianesthesia Nurses to Navigate the Future of Tech-enabled Care. Journal of PeriAnesthesia Nursing, 39(3), 489-490.
• Gaikwad, S. R., Bontha, M. R., Devi, S., & Dumbre, D. (2024). Improving Clinical Preparedness: Community Health Nurses and Early Hypoglycemia Prediction in Type 2 Diabetes Using Hybrid Machine Learning Techniques. Public health nursing (Boston, Mass.).
• Gülpınar, Ş., & Boyraz, B. Sanatın dijital çağda yeniden tanımlanması: Yapay zekâ perspektifinden bir inceleme. Yıldız Sosyal Bilimler Enstitüsü Dergisi, 8(1), 1-14.
• Güvercin, C. H. (2020). Yapay zekâ ve tıp etiği. Türkiye Klinikleri, 1, 7-13.
• Hashimoto, D. A., Rosman, G., Rus, D., & Meireles, O. R. (2018). Artificial intelligence in surgery: promises and perils. Annals of surgery, 268(1), 70-76.
• Hospodarskyy, A., & Tsvyakh, A. (2019). An application of artificial intelligence for teler-ehabilitation of patients with injuries of the lower extremities. Health Res Policy Res, 7(4), 11-12.
• Kidziński, Ł., Delp, S., & Schwartz, M. (2019). Automatic real-time gait event detection in children using deep neural networks. PloS one, 14(1), e0211466. 13
• Krittanawong, C., Zhang, H., Wang, Z., Aydar, M., & Kitai, T. (2017). Artificial intelligence in precision cardiovascular medicine. Journal of the American College of Cardiology, 69(21), 2657-2664.
• Li, Q., Guan, X., Wu, P., Wang, X., Zhou, L., Tong, Y., Wong, J. Y. (2020). Early transmission dynamics in Wuhan, China, of novel coronavirus–infected pneumonia. New England journal of medicine, 382 (13), 1199-1207.
• Mak, K.-K., & Pichika, M. R. (2019). Artificial intelligence in drug development: present status and future prospects. Drug discovery today, 24(3), 773-780.
• McKinney, S. M., Sieniek, M., Godbole, V., Godwin, J., Antropova, N., Ashrafian, H., . . . Darzi, A. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577(7788), 89-94.
• Morley, J., Machado, C. C., Burr, C., Cowls, J., Joshi, I., Taddeo, M., & Floridi, L. (2020). The ethics of AI in health care: a mapping review. Social science & medicine, 260, 113172.
• Naik, N., Hameed, B. Z., Shetty, D. K., Swain, D., Shah, M., Paul, R., . . . Smriti, K. (2022). Legal and ethical consideration in artificial intelligence in healthcare: who takes responsibility? Frontiers in surgery, 9, 862322.
• Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447-453. Pacci, Z., Şengül, Y. A., Attar, R., Alagöz, O., & Uyar, A. (2021). Yapay Zeka Tabanlı Klinik Karar Destek Sistemi ile Tüp Bebek Tedavisi Gebelik Sonucu Tahmini. EMO Bilimsel Dergi, 11(22), 27-35.
• Pizzulo, A. (2024). Using ChatGPT to engage students and promote critical thinking. Nursing made Incredibly Easy, 22(6), 43-47.
• Prates, M. O., Avelar, P. H., & Lamb, L. C. (2020). Assessing gender bias in machine translation: a case study with google translate. Neural Computing and Applications, 32, 6363-6381.
• Rabbi, M., Aung, M. S., Gay, G., Reid, M. C., & Choudhury, T. (2018). Feasibility and acceptability of mobile phone–based auto-personalized physical activity recommendations for chronic pain self-management: Pilot study on adults. Journal of medical Internet research, 20(10), e10147.
• Rui, G., & Amarasena, A. (2024). Integrating Advanced Technologies in Elderly Care: Lessons from Nursing Homes in Tongling City, China. International journal of advanced smart convergence, 13(3), 89-100.
• Shortliffe, E. H., & Sepúlveda, M. J. (2018). Clinical decision support in the era of artificial intelligence. JAMA, 320(21), 2199- 2200.
• Tack, C. (2019). Artificial intelligence and machine learning| applications in musculoskeletal physiotherapy. Musculoskeletal Science and Practice, 39, 164-169.
• Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature medicine, 25(1), 44-56.
• Ünal, A. S., & Avcı, A. (2024). Evaluation of neonatal nurses' anxiety and readiness levels towards the use of artificial intelligence. Journal of Pediatric Nursing.
• Ventura-Silva, J., Martins, M. M., Trindade, L. d. L., Faria, A. d. C. A., Pereira, S., Zuge, S. S., & Ribeiro, O. M. P. L. (2024).
• Artificial Intelligence in the Organization of Nursing Care: A Scoping Review. Nursing Reports, 14(4), 2733-2745.
• Wang, Y., Shi, X., Efferth, T., & Shang, D. (2022). Artificial intelligence-directed acupuncture: a review. Chinese medicine, 17(1), 80.
• Yüceler Kaçmaz, H., Kahraman, H., Akutay, S., & Dağdelen, D. (2024). Development and Validation of an Artificial Intelligence–Assisted Patient Education Material for Ostomy Patients: A Methodological Study. Journal of Advanced Nursing.