Diyabetik Retinopati Tarama: Onaylı Yapay Zekâ Ne Kadar Güvenilir?

Diyabetle yaşayan milyonlarca insan için en sessiz risklerden biri gözde başlar: diyabetik retinopati (DR). Sorun şu ki, görme kaybına giden yol çoğu zaman belirti vermeden ilerler. Hastanın şikâyeti yoktur; ama retina damarları çoktan hasar almaya başlamıştır. Erken teşhis burada “iyi olur” değil, görmeyi korumanın şartıdır.

Bu noktada sağlık sektöründe yapay zekâ ve dijital sağlık yaklaşımı sahaya iniyor: fundus (göz dibi) fotoğraflarından DR tespiti yapan, regülatör onayı almış derin öğrenme sistemleri. 2025’te yayımlanan kapsamlı bir sistematik derleme ve meta-analiz, “Onaylı” diye anılan bu sistemlerin klinik doğruluğuna daha yakından bakıyor. Benim duruşum net: Bu teknoloji doğru kurgulanırsa taramada kapasiteyi büyütür, gecikmeleri azaltır ve göz hekimi zamanını daha kritik vakalara ayırır. Ama yanlış entegrasyonla sahada güven erozyonuna da yol açabilir.

Regülatör onayı neden fark yaratıyor?

Regülatör onayı, tek başına “mükemmel” anlamına gelmez; ama minimum klinik kanıt standardını geçtiğini söyler. Diyabetik retinopati taramasında bu özellikle önemli çünkü tarama testinin iki kritik sorumluluğu var:

1. Yüksek duyarlılık (sensitivity): Sevk edilmesi gereken (referable) DR vakasını kaçırmamak.
2. Yeterli seçicilik (specificity): Gereksiz sevkleri patlatıp göz polikliniklerini kilitlememek.

Meta-analizlerin değeri burada başlar. Tek bir çalışma her zaman “en iyi senaryo”yu yansıtabilir. Oysa sistematik derleme yaklaşımı, farklı ülkeler, farklı kamera türleri, farklı klinik akışlar ve farklı hasta profilleri üzerinden daha gerçekçi bir çerçeve kurar.

Bu yazının “Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serisine katkısı da tam burada: onaylı bir yapay zekâ ürününü satın almak ile dijital sağlık altyapısına doğru entegre edip sürdürülebilir sonuç almak aynı şey değil.

Meta-analiz bize ne söylüyor? (Klinik doğruluk ve gerçek hayat)

Bu tür çalışmaların ilk söylediği şey şudur: Fundus tabanlı DR tespiti, derin öğrenme ile yüksek doğruluk seviyelerine çıkabiliyor. Literatürde 2016’dan itibaren (ör. JAMA çalışmaları) performansın hızla olgunlaştığını görüyoruz. 2018 sonrası ise “pilot başarı”dan “saha uygulaması”na geçişi anlatan gerçek yaşam verileri çoğalıyor.

Klinik denemeler vs. gerçek yaşam: aynı sonuçlar çıkmıyor

Klinik doğrulama çalışmaları genellikle:

• Daha kontrollü görüntü kalitesi,
• Daha net dışlama kriterleri,
• Daha düzenli takip süreçleri sunabilir.

Gerçek yaşamda ise işler daha karışıktır:

• Görüntü kalitesi değişkendir (ışık, odak, pupilla dilatasyonu, cihaz farkı).
• Hastanın ek hastalıkları ve demografik özellikleri çeşitlidir.
• İş akışı aksayabilir (randevu, sevk, tekrar çekim, veri aktarımı).

Meta-analizlerin güçlü tarafı, bu farklılıkların bir kısmını bir araya getirerek “ortalama performans” hakkında daha güvenilir bir fikir vermesidir. Daha da önemlisi, heterojenliği görünür kılar: “Bu sistem nerede çok iyi çalışıyor, nerede zorlanıyor?”

En kritik metrik: “Sevk edilebilir DR” yakalama

Taramada hedef genellikle sevk edilebilir DR (referable DR) ya da görmeyi tehdit eden DR kategorileridir. Çünkü amaç, her küçük bulguyu yakalayıp hastayı yormak değil; göz hekimi değerlendirmesi gerekenleri hızlıca ayıklamaktır.

Burada yapay zekânın en büyük faydasını iki cümlede özetleyebilirim:

“Yapay zekâ, taramayı hızlandırır; hekim ise tedaviyi hızlandırır.”

Ama bunun çalışması için sevk mekanizmasının da iyi tasarlanması gerekir. Aksi halde tarama artar, tedavi hızlanmaz.

Diyabetik retinopati taramasında yapay zekâ iş akışını nasıl değiştirir?

Yapay zekânın sağlıkta değer üretmesi, model doğruluğundan çok iş akışı tasarımı ile belirlenir. DR taraması bu konuda iyi bir örnek.

1) Birinci basamakta “nokta atışı” tarama

Aile sağlığı merkezi, diyabet polikliniği, check-up birimi gibi noktalarda fundus fotoğrafı çekilip yapay zekâ ile anında sınıflama yapılabilir. Bu, şu üç sorunu aynı anda çözer:

• Göz hekimine erişim darboğazı
• Randevu gecikmesi
• Hastanın taramaya uyumsuzluğu

2) Hibrit modeller: AI + teleoftalmoloji

Bazı kurumlar “tam otonom” yerine AI + uzaktan hekim onayı (overread) modelini seçiyor. Bunun avantajı, özellikle başlangıç döneminde:

• Klinik güvenin daha hızlı oluşması
• Zor ve sınır vakaların daha doğru yönetilmesi
• Eğitim ve kalite süreçlerinin daha izlenebilir olması

3) Mobil ve taşınabilir kamera senaryoları

Son yıllarda akıllı telefon tabanlı veya elde taşınan fundus kameralarıyla sahaya inen çalışmalar artıyor. Bu yaklaşım, kırsal bölgeler, işyeri taramaları ve evde bakım modelleri için özellikle kıymetli.

Burada kritik nokta şudur: Modelin kamera bağımsız (device-agnostic) performansı ve görüntü kalitesi kontrolüdür. “Her cihazda aynı sonuç” beklentisi çoğu zaman gerçekçi değildir; bu yüzden kurumlar arası karşılaştırmalar ve cihaz validasyonu şart.

Riskler: Yanlılık, kalite, mevzuat ve “sessiz hatalar”

Regülatör onayı olan sistemler bile sahada risk taşır. Benim en çok gördüğüm dört risk alanı şöyle:

1) Demografik ve coğrafi yanlılık

Modelin eğitildiği veri seti ile sizin hasta kitleniz farklıysa performans düşebilir. Yaş, etnik köken, görüntüleme cihazı ve hastalık dağılımı değiştikçe sonuçlar değişir.

Çözüm:

• Kuruma özel pilot (en az birkaç bin görüntü ölçeğinde)
• Alt grup performans analizi (yaş, cinsiyet, diyabet süresi, cihaz)

2) Görüntü kalitesi yönetimi

Tarama başarısız olmasının en sık nedeni model değil, kalitesiz görüntüdür.

Çözüm:

• Çekim personeli için standart eğitim
• Otomatik kalite skoru (blur, aydınlatma, alan kapsama)
• “Tekrar çekim” protokolü

3) Yanlış negatiflerin yönetimi

Tarama sistemi “normal” dedi diye süreç bitmemeli.

Çözüm:

• Risk temelli tekrar tarama aralığı (yüksek risklilerde daha sık)
• Semptom veya hızlı HbA1c kötüleşmesi gibi klinik işaretlerde hekim değerlendirmesi

4) Satın alma sonrası izleme (post-market) kültürü

Tıbbi cihazlar, özellikle yapay zekâ içerenler, sahaya indikten sonra izlenmezse zamanla performans kayabilir.

Çözüm:

• Sürekli kalite göstergeleri: sevk oranı, tekrar çekim oranı, yanlış sevk oranı, yakalanan referable DR oranı
• Aylık/çeyreklik klinik komite değerlendirmesi

Hastaneler ve sağlık yöneticileri için uygulama rehberi (pratik checklist)

Bu yazıyı “OK, peki biz ne yapacağız?” diye okuyanlar için net bir liste bırakayım. Yapay zekâ ile DR taramasını devreye almak isteyen kurumlar için 8 adımda uygulama:

1. Hedefi netleştirin: Referable DR mi, vision-threatening DR mı? Çıktı sınıfları ne olacak?
2. Klinik sahiplik belirleyin: Göz hastalıkları + endokrin/diabet + kalite birimi birlikte yürütmeli.
3. Cihaz stratejisini seçin: Non-mydriatik kamera mı, elde taşınan mı? Birden çok cihaz varsa validasyon planı yapın.
4. Veri akışını tasarlayın: Görüntü nerede saklanacak? HBYS/PACS entegrasyonu olacak mı?
5. Sevk protokolünü yazın: AI pozitif → kaç gün içinde randevu? AI belirsiz → tekrar çekim mi, hekim onayı mı?
6. Performans KPI’larını tanımlayın: Duyarlılık/özgüllük tek başına yetmez; sevk oranı ve takip tamamlama oranını da izleyin.
7. Hukuk ve KVKK uyumu: Aydınlatma, açık rıza süreçleri, veri minimizasyonu ve erişim yetkileri.
8. Pilotla başlayın, sonra ölçekleyin: 8–12 haftalık pilot, ardından genişleme.

Bu yaklaşım, kampanyamızın ana fikriyle birebir örtüşüyor: Yapay zekâ, ancak dijital sağlık yönetişimiyle birlikte değer üretir.

Sık sorulan sorular (sahadan)

Yapay zekâ göz doktorunun yerini alır mı?

Hayır. Bu sistemlerin güçlü olduğu yer taramadır: çok sayıda hastayı hızlıca ayıklamak. Tanı, tedavi kararı ve takip planı klinik sorumluluktur.

Otonom sistem mi, hibrit sistem mi daha iyi?

Yeni başlayan kurumlar için hibrit yaklaşım genellikle daha güvenli ilerler. Olgunlaşınca otonom tarama bazı senaryolarda (ör. birinci basamak) mantıklı olabilir.

En büyük yatırım kalemi model mi, kamera mı?

Çoğu kurumda kritik kalem görüntüleme altyapısı + iş akışıdır. Kötü kamera/kalitesiz çekimle en iyi model de zorlanır.

2026’ya girerken çıkarımım: Erken teşhiste ölçeklenebilirlik yarışı

Diyabetik retinopati yükü küresel olarak artarken, yalnızca “daha fazla göz hekimi” ile bu açığı kapatmak gerçekçi değil. Çözüm, bir yandan klinik kapasiteyi güçlendirirken diğer yandan yapay zekâ destekli taramayı akıllıca ölçeklemek.

Benim için en ikna edici mesaj şu: Regülatör onayı almış derin öğrenme sistemleri, doğru entegrasyonla erken teşhisi hızlandırır ve takip sürekliliğini artırır. Asıl soru “Alalım mı?” değil; “Nasıl kurarsak sürdürülebilir olur?”

Eğer kurumunuzda diyabetik retinopati taramasını yapay zekâ ile kurgulamayı düşünüyorsanız, küçük bir pilotla başlayıp sevk-takip zincirini ölçerek ilerlemek en sağlıklı yol. Sizce en zor halka hangisi: görüntü kalitesi mi, sevk randevusu mu, yoksa hastanın takibe gelmesi mi?