Hastaneler İçin 5 Katmanlı Yapay Zekâ Platform Rehberi

Hastanelerde yapay zekâ projeleri çoğu zaman “iyi bir model yaptık” noktasında takılıyor. Çünkü gerçek dünya, bir F1 skoru grafiğinden ibaret değil: veri farklı sistemlere dağılmış, iş akışları parçalı, klinik ekiplerin güveni kırılgan ve mevzuat tarafı genellikle en son hatırlanıyor. Sonuç? Pilot projeler çoğalıyor ama kurum geneline yayılan, sürdürülebilir dijital sağlık kapasitesi oluşmuyor.

17.12.2025 tarihinde yayımlanan kapsamlı bir sistematik derleme, hastane yapay zekâsını “tek tek uygulamalar” yerine bir platform mimarisi olarak ele almanın daha doğru bir yaklaşım olduğunu netleştiriyor. Çalışma, hastaneler için 5 katmanlı bir yapay zekâ platform mimarisi öneriyor: altyapı, veri, algoritma, uygulama, güvenlik ve uyum. 29 gerçek hastane uygulamasını bu çerçevede inceleyip bir olgunluk puanlaması da yapıyor.

Bu yazı, “Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serimizin bir parçası. Amacım akademik metni tekrar etmek değil; Türkiye’de hastane yöneticilerinin, dijital dönüşüm ekiplerinin ve klinik liderlerin kullanabileceği şekilde pratik bir yol haritasına çevirmek.

Neden hastaneler yapay zekâyı ölçekleyemiyor?

Cevap net: Teknik çekirdek güçlü, yönetişim zayıf. İncelenen çalışmalarda en olgun alanlar uygulama katmanı (ortalama 3,17/5) ve veri katmanı (3,00/5). Onları algoritma (2,79/5) ve altyapı (2,79/5) izliyor. En zayıf halka ise açık ara güvenlik ve uyum (1,69/5) ve üstelik en dalgalı katman da bu.

Bu bulgu sahada sık gördüğüm bir gerçeği doğruluyor: Hastaneler görüntü analizi, triyaj, yatak planlama gibi konularda “çalışan” çözümler üretebiliyor; fakat kim erişir, hangi amaçla kullanılır, nasıl denetlenir, model hata yaparsa sorumluluk ne olur gibi sorular geç geldiğinde proje büyümüyor.

Derlemenin bir diğer kritik bulgusu da katmanlar arası ilişki: veri–algoritma–uygulama üçlüsü çok sıkı bağlı (Jaccard benzerliği 0,80–0,89). Yani teknik ekipler doğal olarak bu üçlüde ilerliyor. Ama güvenlik/uyum katmanı bu çekirdeğe zayıf bağlanıyor (0,43–0,46). Bu da “sonradan eklenen uyum”un kalıcı zayıflık yarattığını gösteriyor.

5 katmanlı hastane yapay zekâ platformu: Ne, neden, nasıl?

Cevap önce: Hastanede yapay zekâ, tekil ürünler yerine kurum mimarisine oturan bir platform işidir. 5 katman modeli bunu somutlaştırıyor.

1) Altyapı katmanı: Hesaplama, ağ, entegrasyon temeli

Bu katmanın özeti: Modeli nerede çalıştıracaksınız ve hastanenin mevcut sistemleriyle nasıl konuşturacaksınız?

Altyapı sadece “GPU aldık” demek değil. Hastane bağlamında şunlar belirleyici oluyor:

• HIS, PACS, LIS ve ESK (EHR) ile kurumsal entegrasyon
• Hibrit yaklaşım (kurum içi + bulut) ya da kenar bilişim (edge) gibi topolojiler
• Konteynerleşme ve orkestrasyon (ör. servis yönetimi) ile sürüm/dağıtım disiplini
• Gerçek zamanlı senaryolarda gecikme, bant genişliği, kesintisizlik

Benim duruşum net: Altyapıyı proje bazlı kurarsanız, her yeni AI uygulaması “yeniden icat”a döner. Platform bakışı, ortak çalışma alanı ve ortak dağıtım hattı kurmayı zorlar.

2) Veri katmanı: Standartlar, kalite, birlikte çalışabilirlik

Bu katmanın özeti: Yapay zekâya hazır veri. Sağlıkta “veri var” demek, “veri kullanılabilir” demek değil.

Veri katmanında başarının belirleyicileri:

• Standartlar: HL7 FHIR, DICOM, klinik terminolojiler
• ESK/LIS/PACS ve IoT (monitör, cihaz) gibi kaynaklardan çoklu-modal veri birleşimi
• Kimlik eşleştirme (hasta eşleştirme/EMPI benzeri yaklaşımlar)
• Veri kalite yönetimi, soy ağacı (lineage), veri provenans
• Gerekiyorsa anonimleştirme / maskeleme

Derlemede veri katmanı olgunluğunun yüksek çıkması şaşırtmıyor; çünkü “çalışan uygulama” için veri hazırlığı şart. Ama burada kritik bir ayrım var: Veri hazırlamak ile veri yönetişimi aynı şey değil. Birincisi proje çıkarır, ikincisi kurum çapında sürdürülebilirlik sağlar.

3) Algoritma katmanı: Yaşam döngüsü yönetimi (MLOps)

Bu katmanın özeti: Modeli geliştirmek kadar yaşatmak da işin yarısı.

Hastanede algoritma katmanı şu başlıklarda olgunlaşmalı:

• Geliştirme ve eğitim
• İç/dış doğrulama, metrikler
• Açıklanabilirlik (klinik güven için çoğu zaman şart)
• İzleme: performans kayması (drift), veri kayması
• Yeniden eğitim ve versiyonlama

Birçok hastane için kırılma noktası şu: Model pilotta iyi çalışır, 3 ay sonra vaka profili değişir, görüntü protokolü farklılaşır veya iş akışı değişir; kimse izlemiyorsa performans sessizce düşer. Platform yaklaşımı, algoritmayı “ürünleştirme” disiplinini getirir.

4) Uygulama katmanı: İş akışına gömülmeyen AI değer üretmez

Bu katmanın özeti: Klinik karar desteği veya operasyonel optimizasyon, işin yapıldığı yere girmeli.

Derlemede uygulama katmanı en olgun alan (3,17/5). Çünkü ölçülebilir fayda en çok burada görülüyor:

• Radyolojide iş listesi önceliklendirme
• Acilde triyaj, yatış olasılığı tahmini
• İnme gibi zaman kritik durumlarda alarm ve transfer süreçleri
• Planlama: ameliyat süresi tahmini, kaynak planlama
• Hasta akışı ve yatak yönetimi

Bence “iyi uygulama”nın testi şudur: Klinisyen ekstra ekran açmadan, ekstra veri girmeden, doğru anda doğru uyarıyı alıyor mu? Eğer yanıt hayırsa, proje teknik olarak başarılı olsa bile operasyonel olarak başarısızdır.

5) Güvenlik ve uyum katmanı: En zayıf halka, en pahalı risk

Bu katmanın özeti: Güvenlik, mahremiyet, denetlenebilirlik ve hesap verebilirlik.

Derlemede bu katman en düşük olgunlukta (1,69/5) ve en değişken. Bunun anlamı şu: hastaneler teknik çekirdeği kuruyor, ama kurumsal güven mekanizması aynı hızla gelişmiyor.

Bu katmanda pratikte aramanız gerekenler:

• Rol bazlı erişim, kayıt/audit log, şifreleme
• Onam ve veri kullanım politikaları
• Model yönetişimi: kim onaylar, kim izler, kim durdurur?
• Klinik sorumluluk: yanlış pozitif/negatif senaryolarında SOP’lar
• Eğitim ve değişiklik yönetimi

Net bir görüş: Uyum katmanını sona bırakırsanız, ölçekleme aşamasında ya durursunuz ya da risk alırsınız. İkisi de pahalı.

Sahadan örneklerle 5 katman nasıl birlikte çalışır?

Cevap önce: En iyi örnekler, iş akışında ölçülebilir bir metrik iyileşmesi olanlar. Derlemede buna benzeyen dört tip senaryo öne çıkıyor.

Acil radyoloji: kritik bulgu yakalama ve önceliklendirme

Acil beyin BT’de kanama tespiti gibi örneklerde değer, “model kanama dedi”den ziyade şurada: radyoloji iş listesi otomatik yeniden sıralanır, rapor dönüş süresi kısalır, acil servis akışı rahatlar. Burada veri (DICOM), algoritma (çoklu alt tip), uygulama (worklist), uyum (yanlış alarm SOP) birlikte çalışmak zorunda.

İnme zinciri: erken tespit + transfer koordinasyonu

İnmede dakikalar önemlidir. Görüntü analizi tek başına yetmez; alarmın doğru kişiye gitmesi, transfer protokolünü tetiklemesi ve süreç verisinin izlenmesi gerekir. Bu, uygulama katmanının etkisini açıkça gösteren bir kullanım.

Kurum geneli platform: çok hastaneli dağıtım

90 hastaneye yayılan geniş ölçekli örneklerde başarıyı belirleyen şey, tek bir model değil; ortak altyapı, standartlaştırılmış veri hattı, sürüm yönetimi, eğitim ve denetim. Yani 5 katmanın tamamı.

Hastane yöneticileri için hızlı yol haritası (90 gün – 12 ay)

Cevap net: Önce platform omurgası, sonra uygulama portföyü.

İlk 90 gün: “Pilot seçimi” değil, “temel kararlar”

• 1–2 yüksek değerli senaryo seçin (ör. radyoloji önceliklendirme, acil triyaj).
• Veri envanteri çıkarın: ESK, LIS, PACS, cihaz verisi nerede?
• Entegrasyon gereksinimini yazın: hangi sistemlere nasıl bağlanacak?
• Güvenlik/uyum için asgari çerçeve belirleyin: erişim, log, SOP.

3–6 ay: veri ve MLOps disiplini

• Veri kalitesi ölçütleri tanımlayın (eksik oranı, gecikme, tutarlılık).
• Model izleme planı kurun: drift, performans, alarm eşiği.
• Klinik geri bildirim mekanizması koyun: “Bu uyarı işe yaradı mı?”

6–12 ay: ölçekleme ve yönetişim

• AI yönetişim kurulu (IT + klinik + hukuk + kalite) oluşturun.
• Uygulama portföyü için standart sözleşme/SLA ve sürüm politikası belirleyin.
• Eğitim ve değişiklik yönetimini bütçelendirin (sadece yazılım değil).

“Hastanede yapay zekâ, model performansından çok kurumsal güven performansıdır.”

Sık sorulan iki soru (ve kısa yanıtlar)

“Hazır bir AI ürünü alsak, bu katmanlara yine ihtiyaç var mı?”

Evet. Ürün, algoritma ve uygulama katmanında iş görür; ama veri entegrasyonu, altyapı uyumu ve güvenlik/uyum sizde kalır. Hazır ürün almak platform ihtiyacını azaltmaz, çoğu zaman daha da görünür kılar.

“En hızlı ROI (yatırım geri dönüşü) nerede?”

Genellikle iş akışı darboğazı olan yerlerde: acil görüntüleme önceliklendirme, yatak/kapasite planlama, ameliyathane süre tahmini, laboratuvar iş akışı. Ama ROI’nin sürdürülebilir olması için 5. katmanı (uyum) baştan kurmak gerekir; aksi halde ölçeklemede yavaşlarsınız.

Bir sonraki adım: AI’ı proje değil, hastane kabiliyeti yapın

Hastaneler için 5 katmanlı yapay zekâ platform mimarisi, kulağa “BT işi” gibi gelebilir ama aslında bir hizmet kalitesi ve risk yönetimi konusudur. 29 hastane uygulamasının ortak mesajı açık: veri–algoritma–uygulama çekirdeği çoğu kurumda ilerliyor; farkı yaratan, altyapı standardı ve özellikle güvenlik/uyumun erken tasarlanması.

“Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serisinde bir sonraki yazıda, bu mimariyi Türkiye’de sık görülen HIS/PACS/LIS çeşitliliğine uyarlamak için pratik entegrasyon desenlerini ve organizasyon modelini ele alacağım. Sizce kurumunuzda en büyük tıkanma veri mi, iş akışı mı, yoksa uyum ve yönetişim mi?