Yapay Zeka Mamografi Taramalarında Maliyetleri %30 Düşürebilir

AI-İnsan Görev Paylaşımı, Mamografi Taraması Maliyetlerini %30’a Varan Oranda Azaltabilir

Illinois Üniversitesi’nin Nature Communications’da yayınlanan araştırması, yapay zekânın (AI) meme kanseri taramalarında insan radyologlarla işbirliği yaparak maliyetleri %30’a kadar düşürebileceğini ortaya koydu. AI’nın düşük riskli mamogramları tarayıp yüksek riskli vakaları radyologlara yönlendirdiği “delegasyon” stratejisi, hasta güvenliğini korurken verimliliği artırıyor.

AI ve Radyologlar: Meme Kanserinde Güç Birliği

Meme kanseri taramaları, erken teşhis için kritik bir halk sağlığı aracı olsa da, radyolog eksikliği ve yüksek maliyetler bu süreci zorlaştırıyor. Illinois Üniversitesi Urbana-Champaign’den Prof. Mehmet Eren Ahsen’in ortak yazarlığını yaptığı ve Nature Communications’da yayınlanan yeni bir çalışma, yapay zekânın (AI) meme kanseri taramalarında insan radyologlarla işbirliği yaparak maliyetleri %30’a kadar düşürebileceğini gösteriyor. Araştırma, AI’nın tamamen radyologların yerini alması yerine, delegasyon stratejisi ile düşük riskli mamogramları tarayıp yüksek riskli vakaları uzmanlara yönlendirmesinin en etkili yöntem olduğunu ortaya koydu.

Prof. Mehmet Eren Ahsen, “Sıkça sorulan soru: AI, şu veya bu mesleğin yerini alabilir mi? Araştırmamız, cevap olarak ‘Tamamen değil, ama kesinlikle yardımcı olabilir’ diyor. AI’nın gerçek değeri, insanları değiştirmekten değil, stratejik görev paylaşımıyla desteklemekten geliyor,” diyor.

Çalışma: Üç Strateji Karşılaştırması

Araştırma, meme kanseri taramasında üç karar verme stratejisini karşılaştıran bir karar modeli geliştirdi:

1. Uzman-Yalnız Strateji: Mevcut klinik norm; radyologlar her mamogramı inceliyor.
2. Otomasyon Stratejisi: AI, insan gözetimi olmadan tüm mamogramları değerlendiriyor.
3. Delegasyon Stratejisi: AI, ilk taramayı yaparak düşük riskli vakaları ayırıyor ve yüksek riskli veya belirsiz vakaları radyologlara yönlendiriyor.

Model, şu faktörleri dikkate aldı:

• Uygulama maliyetleri
• Radyologların zaman maliyeti
• Takip prosedürleri
• Potansiyel dava maliyetleri

Değerlendirme, 2016-17 Beyaz Saray Bilim ve Teknoloji Politikası Ofisi’nin Kanser Ayışığı Girişimi kapsamında desteklenen küresel bir AI kalabalık kaynak yarışmasından elde edilen gerçek dünya verilerine dayandı.

Ana Bulgular:

• Delegasyon Üstün: Delegasyon modeli, tam otomasyon ve uzman-yalnız yaklaşımlarını geride bırakarak %30,1’e varan maliyet tasarrufu sağladı.
• AI’nın Gücü: AI, düşük riskli mamogramları hızlı ve doğru bir şekilde tanımlamada mükemmel.
• İnsan Uzmanlığı: Yüksek riskli veya belirsiz vakalarda radyologlar, mevcut AI sistemlerinden daha iyi performans gösteriyor.

Ahsen, “AI, nispeten basit ve yorumlaması kolay düşük riskli mamogramları belirlemede harika. Ancak yüksek riskli veya belirsiz vakalarda radyologlar hala AI’yı geride bırakıyor. Delegasyon stratejisi bu gücü kullanıyor: AI iş yükünü kolaylaştırıyor, insanlar en zor vakalara odaklanıyor,” diyor.

Meme Kanseri Taramasının Zorlukları

ABD’de her yıl yaklaşık 40 milyon mamogram yapılıyor, ancak süreç şu sorunlarla karşı karşıya:

• Zaman ve Maliyet: Mamogramların incelenmesi emek yoğun ve pahalı.
• Yanlış Pozitifler: %10’luk bir yanlış pozitif oranı, yılda 4 milyon kadının gereksiz takip randevuları, testler ve biyopsiler için hastaneye çağrılması anlamına geliyor.
• Yanlış Negatifler: Kaçırılan kanser vakaları, hastalar ve sağlık sistemi için ciddi sonuçlar doğuruyor.

Ahsen, “Mamogram sayısının çokluğu nedeniyle çok fazla yanlış pozitif ve negatif sonuç ortaya çıkıyor. 40 milyon mamogramın %10’u yanlış pozitifse, bu 4 milyon kadının stresli bir süreçten geçmesi demek. Takip randevuları haftalar sürebiliyor, bu da hastalar için büyük bir endişe kaynağı,” diyor.

Delegasyon modeli, bu sorunlara çözüm sunuyor:

• Hızlı Triage: AI, tarama sırasında şüpheli vakaları anında işaretleyerek takip sürecini hızlandırabilir.
• Verimlilik: Hastalar, aynı hastane ziyareti sırasında sonuç alabilir, böylece stres ve bekleme süresi azalır.
• Maliyet Azaltımı: Daha az yanlış pozitif ve optimize edilmiş radyolog zamanı, sağlık sistemi yükünü hafifletir.

Daha Geniş Etkiler ve Uygulamalar

Çalışma, AI’nın sağlık hizmetlerinde nasıl entegre edileceği ve düzenleneceği konusunda önemli sorular ortaya koyuyor:

• Prevalans Faktörü: Delegasyon stratejisi, meme kanseri prevalansının düşük veya orta olduğu durumlarda en iyi sonucu veriyor. Yüksek prevalanslı popülasyonlarda insan uzmanlara daha fazla güven gerekebilir.
• Radyolog Eksikliği: Gelişmekte olan ülkeler gibi radyologların sınırlı olduğu bölgelerde AI-heavy stratejiler faydalı olabilir.
• Yasal Sorumluluk: AI sistemleri, insan klinisyenlerden daha katı sorumluluk standartlarına tabi tutulursa, sağlık kuruluşları AI kullanımından kaçınabilir.

Araştırma, patoloji ve dermatoloji gibi teşhis doğruluğunun kritik olduğu diğer tıp alanlarına da uygulanabilir. Ahsen, “AI’nın sonsuz çalışma kapasitesiyle, 7/24 kullanılabilir ve kahve molasına ihtiyaç duymaz. AI, sağlık hizmetlerine giderek daha fazla entegre olacak ve çerçevemiz, hastanelere, sigortacılara, politika yapıcılara ve sağlık pratisyenlerine AI entegrasyonu için kanıta dayalı kararlar almada rehberlik edebilir,” diyor.

Çalışmanın Önemli Noktaları

• Maliyet Tasarrufu: Delegasyon stratejisi, hasta güvenliğini korurken %30,1’e varan maliyet azaltımı sağlıyor.
• AI-İnsan Sinergisi: AI, düşük riskli vakaları tararken, radyologlar yüksek riskli vakalara odaklanıyor.
• Hızlı Triage: AI, şüpheli vakaları anında işaretleyerek takip sürecini hızlandırıyor.
• Yanlış Pozitif/Negatif: Delegasyon, yanlış pozitifleri azaltarak hasta stresini ve sistem yükünü hafifletiyor.
• Daha Geniş Uygulama: Patoloji ve dermatoloji gibi alanlarda da potansiyel var.

Sınırlamalar ve Gelecek Adımlar

• AI Sınırları: Mevcut AI sistemleri, karmaşık veya sınırda vakalarda insan yargısının yerini alamıyor.
• Veri Kapsamı: Çalışma, belirli bir veri setine dayanıyor; farklı popülasyonlarda doğrulama gerekiyor.
• Yasal ve Etik Sorular: AI’nın sorumluluk standartları ve hasta mahremiyeti, entegrasyon için engel oluşturabilir.

Araştırmacılar, şu alanlarda çalışmayı planlıyor:

• Daha Büyük Denemeler: Farklı sağlık sistemlerinde delegasyon modelinin test edilmesi.
• AI İyileştirmeleri: AI’nın karmaşık vakalardaki doğruluğunu artırmak.
• Politika Geliştirme: AI entegrasyonu için düzenleyici çerçeveler oluşturmak.

Çalışmanın Kahramanları

Çalışma, Illinois Üniversitesi’nden Prof. Mehmet Eren Ahsen ile Teksas Üniversitesi Dallas’tan Mehmet U. S. Ayvaci ve Radha Mookerjee ve NYU Grossman Tıp Fakültesi’nden Gustavo Stolovitzky tarafından gerçekleştirildi.

Finansman ve Destek

Makalede spesifik finansman kaynakları belirtilmemiş, ancak çalışma, Beyaz Saray Bilim ve Teknoloji Politikası Ofisi’nin Kanser Ayışığı Girişimi’nden veri desteği aldı.

Yayın Tarihi ve Kaynak

Yayın Tarihi: 7 Mayıs 2025
Kaynak: University of Illinois at Urbana-Champaign, News Bureau
Referans: Mehmet Eren Ahsen, Mehmet U. S. Ayvaci, Radha Mookerjee, Gustavo Stolovitzky. Economics of AI and Human Task Sharing for Decision Making in Screening Mammography. Nature Communications, 2025; 16 (1) DOI: 10.1038/s41467-025-57409-1

Ek Notlar

• Pratik Öneri: Kadınlar, meme kanseri taramalarına düzenli olarak katılmalı ve sağlık sağlayıcılarıyla AI destekli tarama seçeneklerini tartışmalı.
• Toplumsal Etki: AI-İnsan işbirliği, sağlık sistemlerinde maliyetleri düşürerek ve erişimi artırarak meme kanseriyle mücadelede eşitlik sağlayabilir.
• Gelecek Beklentileri: 2030’lara doğru, AI destekli delegasyon modelleri, meme kanseri taramalarında standart bir uygulama haline gelebilir ve diğer teşhis alanlarına yayılabilir.

Bu çalışma, AI’nın sağlık hizmetlerinde devrim yaratma potansiyelini gösteriyor, ancak insan uzmanlığının vazgeçilmezliğini vurguluyor. AI ve radyologların güç birliği, daha verimli, uygun maliyetli ve hasta odaklı bir tarama süreci vadediyor.