Bilgisayarın icadı ve hayatımızın vazgeçilmez bir parçası olması ile birlikte insanlar şunları düşünmeye başladı. Bir bilgisayar ne kadar zeki olabilir? Yapay zeka mümkün müdür? Bilgisayarların kendi kendisine öğrenmesini nasıl sağlayabiliriz? Ve burda şu soru doğdu: Makine için öğrenmek nedir? 1959 yılında Arthur Samuel, bilgisayarların programlamadan bağımsız olarak öğrenme yetilerini kazanabileceklerini söyledi ve bir dama oyunu geliştirdi. Bu oyunu diğerlerinden ayıran özelliği geçmişteki hamlelerinden ders çıkararak kendini geliştirmesi oldu.
Makine Öğrenimi (Machine Learning) Nedir?
Makine öğrenimi (machine learning); istatistik, bilgi teorisi, algoritmalar ve fonksiyonel analizler gibi çeşitli disiplinlerin bir araya gelmesiyle, bilgisayarların veya geliştirilen yapay zeka içeren cihazların mevcut veriler üzerinden çıkarımlarda bulunmasıdır. Günümüzde ses tanıma, yüz tanıma, otonom araçlarda arama analizleri, veri madenciliği ve medikal uygulamalar gibi alanlarda makine öğreniminin kullanıldığını görüyoruz.
Makine öğreniminde ne aşamadayız?
Trend teknolojiler konusunda analizler yapan Gartner araştırma grubunun yükselen teknolojiler için hype döngüsünde makine öğreniminin, beklentilerin tepe noktası olarak adlandırılan “The peak of expectations” fazında olduğunu görüyoruz. Geçmişte bu noktada olan 3 boyutlu yazıcıların artık günümüzde çok kolay ulaşılabilir olduğunu ve hızlı şekilde geliştiklerini görüyoruz. Benzer şekilde yakın gelecekte makine öğrenimiyle daha sık karşılaşacağız.
Kişisel genomik ve biyosensörlerden alınan verilerden tutun da elektronik sağlık kayıtlarına (ESK) ve sağlık sigortası taleplerine kadar olan verilerin oluşturduğu ve sağlıkta dönüşüme odaklanmış büyük veriyi (big data) hepimiz biliyoruz artık. Makine öğrenimi, bu verilerin kullanımıyla bize çeşitli analizler sunarak destekleyici bazı tahminlerde bulunabilmektedir. Sağlık hizmetlerinde buna karar destek sistemleri denilmektedir. Bununla birlikte sağlık sektöründe çeşitli tahminlerde bulunmak yeni bir şey değildir (örneğin yoğun bakım hastalarının gidişatını ve yaşam kaybı riskini öngörmek için APACHE sınıflaması, kolesterol düşürücü ilaç ihtiyacını öngörmek için ASCVD risk hesaplama aracı gibi). Makine öğrenimi ve klinik verilerin kullanımıyla binlerce benzer klinik sorunlar üzerine tahmin modelleri oluşturabilir.
Sağlık Hizmetleri İçin Yapay Zekanın İşi Kolay Değil
Dünya üzerindeki salgınların tahmin edilmesini ve takip edilmesini amaçlayan Google Flu projesinin başarısız olmasının en büyük sebebi veri analizlerinde yaşanan hayal kırıklıkları olduğu görülmüştür. Gerçekten şu anda sağlık verilerinin aktarılması ve işlenmesi konusunda ciddi problemler yaşanmaktadır. Örnek vermek gerekirse, hasta kayıt işlemlerinde uygulanan geleneksel yöntemler ile kapsamlı veriler oluşturulurken günümüzdeki hasta veri kaynaklarının daha kısıtlı olduğunu görüyoruz (belli kalıplara uyma zorluğu).
Makine öğreniminin sağlık sektöründe uygulamaları; hastalık teşhisinden kişiselleştirilmiş tedaviye, ilaç keşiflerinden radyolojiye kadar birçok alanda görülmektedir. Makine öğreniminin gelişmesindeki en büyük engel verilerin standardizasyonu ve onların yönetimidir. Hype döngüsüne göre beklentilerin tepe noktasında olan bu teknoloji trendinin “hayal kırıklığı oyuğu” olarak adlandırılan 3. fazdan “aydınlanma eğimi” olan 4. faza daha hızlı ve etkili geçebilmesi için geçmişte yapılan hataların farkına varılmalıdır. Sağlık sektörü için düşündüğümüzde elektronik sağlık kayıt uygulamalarının daha verimli ve makine öğrenimi için daha etkili hale getirilmesi gerekmektedir.
