Sağlıkta veri bilimi ve makine öğreniminin mevcut durumu
Sağlık sektörü dijitalleşme ve dijital dönüşümle sürekli ilerlerken, veri bilimi ve makine öğreniminden en iyi şekilde yararlanabilecek sektörlerden biri haline geldi. 2015’ten bu yana, yalnızca Avrupa’da sağlık alanındaki yapay zekâ şirketlerine yapılan girişim sermayesi yatırımları 22 kat arttı (McKinsey).
Veri bilimi ve makine öğrenimi, hasta bakımından ilaç sektörüne kadar pek çok dikeyde sağlık hizmetlerini dönüştürüyor. Ancak sağlıkta veri biliminin etkisini ölçeklendirmek; uyumluluk, veri yönetişimi ve denetimi, veri kültürü ve veri becerilerinin mevcudiyeti gibi pek çok zorluğun dikkatle ele alınmasını gerektirir.
Sağlıkta veri bilimi ve makine öğrenimi için fırsatlar
Bugün, yüksek hacimli sağlık verisi ve halk sağlığı sonuçları için çok sayıda uygulanabilir kullanım örneği nedeniyle sağlık alanı, makine öğrenimi ve veri bilimi için elverişli bir ortam sunuyor. Statista’ya göre, küresel sağlık endüstrisinde yıllık üretilen veri miktarı yaklaşık 2.314 exabayt’tır (1 exabayt = 1 milyar gigabayt) ve 2013’ten bu yana küresel sağlıkta üretilen veri miktarında 15 kat artışa işaret eder.
Toplum için, nüfus sağlığı sonuçlarının iyileştirilmesi açısından sayısız fayda vardır. Deloitte, veri bilimi ve makine öğrenimi kullanım örneklerinden sağlanan verimliliklerin yalnızca Avrupa’da 380.000 ila 403.000 arasında hayat kurtarabileceğini tahmin ediyor. Veri bilimi ve makine öğrenimi, önleme ve erken tespitten tanıya, tedavi ve bakım yönetimine kadar hasta yolculuğunun tamamına entegre edilebilir.
Örneğin, bireyler kişiselleştirilmiş uygulamalar ve giyilebilir cihazlardan erken hastalık tespiti ve önleme için yararlanabilir ya da derin öğrenme destekli tıbbi görüntüleme analizi ile daha kısa bekleme süreleri deneyimleyebilir. Araştırma ve geliştirme alanı da otomatik ilaç keşfinden, DeepMind’ın AlphaFold algoritmasıyla protein katlanmasına dair ilerlemelerine kadar sağlık sonuçlarında büyük kazanımlar elde etmeye hazırlanıyor.
Dikeyler genelinde sağlık hizmeti sağlayıcıları, maliyet tasarrufu ve artırılmış verimlilik açısından da büyük kazanımlar elde edebilir. Örneğin, veri bilimi ve makine öğreniminin operasyonelleştirilmesi, Avrupa sağlık sistemine yılda 170,9 ila 212,4 milyar avro arasında tasarruf sağlayabilir (Deloitte). Verimlilik kazanımları; ilaç şirketlerinin tedarik zinciri akışlarını iyileştirmesinden, sigorta sağlayıcılarının müşteri kaybını tahmin ederek ticari harcamaları optimize etmesine, bir dizi dikeyde iş akışı otomasyonu yoluyla üretkenliğin artmasına kadar geniş bir yelpazeye yayılabilir.
Sağlıkta veri bilimi ve makine öğrenimi kullanım örnekleri
Hasta Bakımı
Veri bilimi ve makine öğrenimi kullanım örnekleri, bireylerin sağlık sonuçlarını iyileştirebilir ve sağlık profesyonelleri için zaman alan idari görevleri otomatikleştirebilir.
Randevu yönetimi: Makine öğrenimi ve kural tabanlı yapay zekâ kullanımıyla, sağlık hizmeti sağlayıcıları otomatik randevu yönetimi sayesinde hasta sonuçlarını optimize edebilir ve kaynakların yanlış yönetilmesini azaltabilir.
Erken tanı ve önleme: Sağlık izleme uygulamaları ve giyilebilir cihazlar, bireyin sağlığının çeşitli yönleri hakkında önemli içgörüler sağlamak için makine öğrenimi ve betimleyici analitikten yararlanır. Bu araçlar, bireyleri sağlıklarına ilişkin veri odaklı kararlar almaya güçlendirir ve olası hastalıkları erken evrede teşhis etmeye yardımcı olabilir.
Hasta yönlendirme (triage): Makine öğrenimi destekli semptom kontrol uygulamaları kullanılarak, sağlık hizmeti sağlayıcıları hastaları ihtiyaç ve aciliyetine göre önceliklendirebilir. Bu, hastalar için bekleme sürelerinde büyük düşüşlere ve sağlayıcılar için önemli verimlilik kazanımlarına yol açabilir.
Tıbbi görüntüleme ve tanı: Sağlıkta veri bilimi ve makine öğreniminin belki de en önemli kullanım örneklerinden biri (McKinsey) olan tıbbi görüntüleme ve tanı, genel olarak geniş kapsamlı verimlilikler ve iyileştirilmiş sağlık sonuçları vaat eder. Derin öğrenme kullanımıyla, sağlık hizmeti sağlayıcıları iş akışlarını otomatikleştirip hastalara daha hızlı değer sunabilir.
İş Süreçleri ve Yönetim
Her sektörde olduğu gibi, sağlıkta veri bilimi ve makine öğrenimi uygulamaları da operasyonel verimlilik ve müşteri deneyimini iyileştirmeye yönelik çok çeşitli kullanım örneklerini kapsar.
Robotik süreç otomasyonu: Makine öğrenimi ve kural tabanlı yapay zekânın birleşimiyle, farklı dikeylerdeki sağlık hizmeti sağlayıcıları iş akışlarını kolaylaştırabilir ve süreçleri dijitalleştirebilir.
Müşteri kaybı (churn): Sigorta sağlayıcıları, hangi müşterilerin ayrılacağını tahmin etmek için makine öğrenimini kullanabilir; bu da müşterileri elde tutmalarına ve pazarlama harcamalarını optimize etmelerine yardımcı olabilir.
Chatbot’lar: Chatbot kullanımıyla, hastanelerden sigorta şirketlerine kadar sağlık hizmeti sağlayıcıları sağlık hizmeti tüketicilerine daha iyi müşteri hizmeti ve daha hızlı değer sunumu gerçekleştirebilir.
İş Zekâsı: İş zekâsı; kuruluşların daha veri odaklı kararlar almasına yardımcı olmak için iş analitiği, veri işleme ve görselleştirmeyi birleştirir. Veri içgörülerinden yararlanarak, sağlık hizmeti sağlayıcıları finansal operasyonlara daha fazla görünürlük kazanabilir, uyumluluk raporlamasını otomatikleştirebilir ve çok daha fazlasını yapabilir (Villanova University).
İlaç Sektörü
Yapay zekâ destekli ilaç keşfi ve iyileştirilmiş tedarik zinciri yönetimiyle, ilaç şirketleri bireyler için daha fazla değer sunmak üzere veri bilimi ve makine öğreniminden yararlanabilir.
İlaç keşfi: AI Index Report 2021’e göre, yapay zekâ destekli ilaç keşfi girişimleri tüm sektörler arasında en fazla özel yapay zekâ yatırımını aldı. ML tabanlı ilaç keşfinin vaatleri meyvelerini vermeye başladı ve nüfus sağlığı sonuçlarında büyük kazanımlara yol açabilir.
Tedarik zinciri planlaması: Tedarik zinciri planlamasında veri bilimi ve makine öğrenimi kullanımı, üretime geçiş süresini kısaltabilir, aşı teslimatlarındaki bekleme sürelerini azaltabilir ve ilaç şirketleri için tedarik zinciri harcamalarını optimize edebilir.
Öngörü (forecasting) mükemmelliği: Basitten karmaşığa tahminleme araçlarını kullanarak, ilaç şirketleri belirli ilaçlara yönelik arz ve talebi nüfus sağlığı verileriyle öngörebilir; ayrıca finans, pazarlama, satış ve daha fazlasında iş süreçlerini genel olarak optimize edebilir.
Klinik deney süreçlerinin iyileştirilmesi: Veri bilimi ve giyilebilir cihazların kullanımı, klinik deneyler sırasında ortaya çıkabilecek olumsuz etkileri otomatik olarak izleyip işaretleyerek hastalar için riskleri azaltabilir. Ayrıca, makine öğrenimi destekli uygulamalar; hasta uygunluğunu değerlendirme, ön tarama ve rastgeleleştirme ile klinik deneyleri hızlandırabilir.
Sağlıkta veri bilimi ve makine öğrenimini operasyonelleştirmenin zorlukları ve riskleri
Veri Kalitesi ve Altyapı
Veri bilimi ve makine öğrenimini operasyonelleştirip ölçeklemek isteyen herhangi bir kuruluş için en önemli zorluklardan biri; modern, güvenli, merkezileştirilmiş ve keşfedilebilir bir veri altyapısı sağlamaktır (DataCamp). Bu sorun, verinin hâlâ dijitalleştirildiği ve büyük veri kümeleri oluşturmanın, veri birlikte çalışabilirliğinin eksikliği ve sağlayıcılar arasındaki kalite uyumsuzlukları nedeniyle zorlaştığı sağlık kuruluşları için özellikle geçerlidir (McKinsey).
Uyumluluk ve yönetişim
Sağlık kuruluşları son derece değerli ve hassas veriler topladığından, yönetişim ve uyumluluk; sağlıkta veri bilimi ve makine öğrenimini operasyonelleştirmenin temel unsurlarıdır (Collibra). Düzenlemeler bölgelere göre farklılık gösterse de (McKinsey), sağlık sektörü en karmaşık düzenleyici manzaralardan birine sahiptir. Örneğin ABD’deki Health Insurance Portability and Accountability Act (HIPAA), hastaların sağlık verilerinin korunması ve yönetimine ilişkin ulusal standartları belirler.
Bu tür sağlık özelindeki düzenlemeler, sağlık sektörü için karmaşık düzenleyici manzaranın yalnızca bir yönüdür. Avrupa Birliği’ndeki Genel Veri Koruma Tüzüğü (GDPR) ve California Consumer Protection Act (CCPA) gibi veri koruma yasaları, veri bilimi ve makine öğrenimi uygulamaları için farklı veri kümeleri oluşturulup birbirine bağlanırken sağlık kuruluşları açısından ilave karmaşıklık yaratır. Bu nedenle, güçlü veri yönetişimi ve uyumluluk oluşturmak; sağlıkta veri bilimi ve makine öğrenimini operasyonelleştirmenin vazgeçilmezidir.
Beceriler
Veri altyapısını etkinleştirmek ve düzenleyici çerçeveler üzerinde mutabakat sağlamak, sağlıkta veri bilimi ve makine öğrenimini operasyonelleştirmenin temelidir. Ancak bu teknolojilerin sağlıkta benimsenmesine yönelik en büyük tehdit, veri becerileri açığıdır. Nitekim Qlik araştırmasına göre, farklı sektörlerin veri okuryazarlığı sıralamasında sağlık sektörü en düşük performans gösteren sektördür. Sağlık kuruluşları içindeki veri becerisi eksikliği, dikeyler genelinde veri bilimi ve makine öğreniminden yararlanılmasını engeller ve kuruluşların veri girişimlerine yönelik benimseme yaratma yeteneğini sınırlar.
Örneğin, ön saflarda çalışan sağlık personelinin, makine öğrenimi tabanlı sistem ve uygulamaları anlayıp onlarla etkileşim kurabilmesi için temel yapay zekâ okuryazarlığına sahip olması gerekir (McKinsey). İlaç veya sigorta şirketlerindeki yöneticiler ve liderler, veri bilimi ve makine öğrenimiyle nelerin mümkün olduğunu anlamalıdır ki veri girişimlerini yönlendirebilsinler ve veri odaklı bir kültürün gelişimine katkıda bulunabilsinler (DataCamp).
Yalnızca yetenekli veri çalışanlarını işe almak yeterli değildir. Sağlığın karmaşıklıklarını anlayan yetenek açığı olduğu gibi, genel anlamda veri bilimi yeteneğinde de bir arz açığı bulunmaktadır (Forbes).
Veri okuryazarlığı eksikliği, mücadele ettiğimiz en büyük düşman. Dünya giderek daha fazla veri tarafından yönlendirilirken bu daha da büyük bir meydan okuma haline geliyor. Herkes temelleri anlamalı ve bunu sezgisel ve eğlenceli bir şekilde aktarabilmeliyiz
Bill Zhang, Veri ve Analitikten Sorumlu Başkan, AIG Japan
Veri eğitimi, sağlık sektörünün veriyle ilgili zorluklarını nasıl çözer
Veri becerileri açığının giderilmesi, sağlıkta veri bilimi ve makine öğreniminin operasyonelleştirilmesinin temelidir. Dünya Ekonomik Forumu’na göre, sağlık ve ilaç sektörlerinde dijital ve veri eğitimi, 2030’a kadar küresel GSYİH’yi 400 milyar doların üzerinde artırabilir. Sürekli öğrenme kültürü oluşturmak; sağlıkta bir sonraki nesil liderleri inşa etmek için zorunludur (McKinsey). Bu liderler, veri ve biyomedikal bilimleri birleştirerek, sağlıkta veri bilimi ve makine öğreniminin değerini ölçeklendirip operasyonelleştirecektir.
