Evde Dil Fotoğrafıyla Karaciğer Fibrozu Takibi

Karaciğer hastalıklarının yükü sessizce büyüyor. Klinik pratiğimde en çok gördüğüm tablo şu: İnsanlar yıllarca “biraz yağlanma var” diye oyalanıyor; risk birikiyor, takip aksıyor ve konu bir gün fibrozise gelince iş ciddileşiyor. Karaciğer fibrozu erken yakalandığında yönetilebilir; geç kalındığında ise hem hasta hem sağlık sistemi için maliyetli bir yola giriliyor.

Tam da bu noktada 19.12.2025’te yayımlanan yeni bir çalışma, evde uygulanabilir bir fikri gündeme taşıdı: Yapay zekâ ile dil görüntülerinden karaciğer fibrozisini izlemeye yönelik bir model. Kulağa iddialı geliyor, biliyorum. Ama dijital sağlığın yönü zaten buraya akıyor: hastayı yılda bir kez polikliniğe çağırmak yerine, riskli hastayı sık ve düşük maliyetle uzaktan izlemek.

Bu yazı, “Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serimizin bir parçası. Amacım, dil fotoğrafı tabanlı bu yaklaşımın neyi çözdüğünü, nerede zorlandığını ve Türkiye’de dijital sağlık ekiplerinin (hastaneler, sigorta/ödeyici, tele-sağlık girişimleri) bu tarz bir teknolojiyi nasıl konumlandırabileceğini netçe anlatmak.

Karaciğer fibrozunda sorun: Takip zor, invaziv seçenekler sınırlı

Ana problem şu: Fibrozis ilerleyici bir süreç ve hastaların önemli kısmı uzun süre belirti vermiyor. Bu yüzden klinik kararların çoğu “tek seferlik ölçüm” üzerine kuruluyor. Oysa fibrozis yönetiminde asıl değer, trend görmektir: risk artıyor mu, sabit mi, düşüyor mu?

Neden evden takip bu kadar kritik?

Karaciğer fibrozunu değerlendirmede klinikte kullanılan yaklaşımlar arasında;

• Kan temelli skorlar (ör. FIB-4 gibi)
• Elastografi (ör. transient elastografi/FibroScan, 2D shear wave)
• Seçilmiş durumlarda biyopsi

bulunuyor. Biyopsi invaziv ve herkes için uygun değil; elastografi ise cihaz, operatör ve erişim gerektiriyor. Kan skorları kolay ama tek başına her zaman yeterince hassas değil ve bazı popülasyonlarda gri alan yaratabiliyor.

Evden takip yaklaşımı, bu boşluğu hedefliyor: hastanın sık sık ölçüm yapabildiği, maliyeti düşük, sürtünmesi az bir sinyal.

Kış aylarında gerçek hayat etkisi

Bugün 21.12.2025. Kış döneminde poliklinik yoğunluğu artıyor, kronik hastalığı olanlar randevu bulmakta zorlanabiliyor. Bu mevsimsel gerçek, uzaktan izlemeyi daha da anlamlı kılıyor: takip kesintiye uğramasın, riskli hasta gözden kaçmasın.

Yapay zekâ dil fotoğrafından ne “görüyor”? İşin mantığı sandığınızdan basit

Bu çalışmanın ortaya koyduğu fikir, “dil teşhisi” gibi mistik bir yerden değil; görüntüden ölçülebilir özellik çıkarma yaklaşımından besleniyor. Dil; renk, doku, kaplama, nemlilik gibi görsel ipuçları taşıyor. Bunların bir kısmı sistemik durumlarla ilişki gösterebiliyor.

Yapay zekânın yaptığı iş şu üç adıma indirgenebilir:

1. Standart bir dil fotoğrafı elde etmek (ışık, kadraj, odak gibi)
2. Görüntüde dili segmentasyon ile ayırmak (arka plan, dudak, diş vb. gürültüyü azaltmak)
3. Dilin görsel örüntülerini öğrenerek fibrozis seviyesi/riskine dair bir tahmin üretmek

Burada kritik nokta: Bu tarz modeller “doktorun yerini almak” için değil; erken uyarı ve takip sinyali üretmek için daha uygun.

Evde kullanımda kalite meselesi (en çok burada tökezlenir)

Most companies get this wrong: sahaya “fotoğraf çek, yolla” diyerek çıkıyorlar. Sonra model kötü çalışınca suç yapay zekâya kalıyor. Oysa evden görüntü toplamayı ayakta tutan şey, standartlaştırma.

Evde dil fotoğrafı için pratik standardizasyon önerileri:

• Gün ışığına yakın, sabit bir aydınlatma
• Aynı mesafe ve açı (uygulama içinde kılavuz kadraj)
• Fotoğraf öncesi 30 dakika kahve/çay, sigara, renkli gıda tüketmeme
• Dilin temizliği için “aşırı kazıma” yapmama (doku görünümünü bozabilir)

Bu standartlar, model performansını klinik hayata taşımada belirleyici.

Bu model neden ilgi çekici? Uzaktan hasta izleme açısından 4 net fayda

Cevap net: Dil görüntüsü tabanlı bir model, doğru konumlandırılırsa uzaktan izleme programlarına “düşük maliyetli, sık tekrar edilebilir” bir katman ekler.

1) Riskli hastaya daha sık temas

Karaciğer yağlanması, metabolik sendrom, diyabet, obezite gibi durumlarda hasta takibi yıllara yayılıyor. Evde ölçüm, hastayı yılda bir kez değil ayda bir izleme fırsatı verir. Bu, klinik kararın hızını artırır.

2) Triyaj: Kimi ne zaman kliniğe çağıracağız?

Uzaktan izleme sinyali “kırmızı bayrak” üretiyorsa;

• kan testleri yenilenir,
• elastografi planlanır,
• hepatoloji görüşü hızlandırılır.

Sinyal stabilse, kaynaklar daha akıllı kullanılır. Sağlık sisteminde verimlilik böyle oluşur.

3) Hasta uyumu: “Yapması kolay” olan kazanır

Elastografi randevusu, ulaşım, işten izin… Bunların hepsi uyumu düşürür. Evde fotoğraf çekmek ise düşük bariyerli. Dijital sağlıkta en güçlü ürünler, “klinisyen için doğru, hasta için yapılabilir” dengesi kuranlardır.

4) Erken uyarı kültürü

Benim gözlemim: Uyarı mekanizması kişiye zamanında ulaştığında yaşam tarzı değişiklikleri daha kalıcı oluyor. Sürekli geri bildirim, davranışı etkiler. Bir uygulama, ayda bir “risk trendin yükseliyor” diyebiliyorsa, bu diyetisyen ve hekim görüşmesini daha anlamlı kılar.

Sınırlar ve riskler: Bu teknoloji tek başına karar verdirmez

Net olalım: Dil fotoğrafına bakarak karaciğer fibrozuna tanı koymak, bugünün klinik standardı değil. Bu yaklaşımın değeri, izlem ve tarama tarafında.

Yanlış pozitif/yanlış negatif maliyeti

• Yanlış pozitif: gereksiz endişe, gereksiz tetkik
• Yanlış negatif: asıl risk; hasta “iyiyim” sanıp takibi bırakabilir

Bu yüzden ürün tasarımında “sonuç ekranı” dili kritik. Ben burada kesin bir tavır koyuyorum: Hasta arayüzünde tanı dili kullanılmamalı. “Risk sinyali / takip önerisi” gibi güvenli ve doğru çerçeve daha sağlıklı.

Açıklanabilirlik (XAI) beklentisi

Klinisyenler “model böyle dedi” ile yetinmez. En azından;

• Hangi görüntü bölgeleri kararı etkiledi?
• Kalite skoru nedir?
• Model güven puanı nedir?

gibi şeffaflık katmanları gerekir. Açıklanabilir yapay zekâ burada “lüks” değil, klinik benimsemenin şartı.

Veri gizliliği: Fotoğraf, sağlık verisidir

Çalışmada verilerin mahremiyet nedeniyle açık paylaşılmadığı belirtiliyor; bu çok anlaşılır. Evde izleme ürünlerinde de aynı hassasiyet şart:

• Görüntülerin cihazda şifreli tutulması
• Buluta çıkıyorsa uçtan uca güvenlik
• Rol bazlı erişim
• Saklama süresi ve silme politikası

Türkiye’de KVKK uyumu, ürünün pazara çıkışında belirleyici olur.

Türkiye’de kurumlar bu yaklaşımı nasıl hayata geçirebilir?

Cevap: Tek başına “AI modeli” satın almak yetmez; bunu bir uzaktan hasta izleme (RPM) akışına gömmek gerekir.

Uygulanabilir bir pilot senaryo

Bence en mantıklı başlangıç popülasyonu:

• Metabolik riskli (obezite/DM) ve karaciğer yağlanması olan,
• FIB-4 gibi skorları gri alanda seyreden,
• Yılda 1 elastografi kontrolü planlanan hastalar.

Pilot tasarım:

1. Hasta onboarding: eğitim + fotoğraf standardizasyonu
2. Haftalık/aylık dil görüntüsü + kısa semptom anketi
3. Model: risk trendi + kalite skoru
4. Hemşire/uzaktan izlem ekibi: yalnızca risk artışında temas
5. Klinik: gerektiğinde kan testi/elastografi randevusu

Bu yapı, hekimin üzerine yük bindirmeden çalışır.

Başarı metrikleri (LEADS hedefiyle uyumlu)

Bu yazının kampanya hedefi LEADS olduğu için, kurumların satın alma gözüyle baktığı metrikleri netleştirelim. İyi bir pilot şu çıktıları raporlamalı:

• Takipte kalma oranı (90 gün, 180 gün)
• Klinik randevuya yönlendirme doğruluğu (triage precision)
• Elastografi/kan testi kullanımında verimlilik
• Hasta memnuniyeti ve kullanım sıklığı
• Sağlık profesyoneli iş yükü (dakika/hasta/ay)

Benim deneyimimde, en ikna edici rapor “maliyet” değil; kaç hastayı gözden kaçırmadık sorusuna verilen sayısal yanıttır.

Sık sorulan 6 soru (klinik ve ürün ekipleri için)

1) Bu yöntem karaciğer biyopsisinin yerini alır mı?

Hayır. Biyopsi, seçilmiş klinik sorular için hâlâ referans yöntem. Dil fotoğrafı yaklaşımı daha çok tarama/izlem sinyali üretir.

2) Elastografi yerine geçer mi?

Kısa vadede hayır. Elastografi, klinik kararda güçlü bir araç. Ama ev izleme modeli, elastografiye kimin daha erken gideceğini belirlemede yardımcı olabilir.

3) Evde farklı telefon kameralarıyla çalışır mı?

Çalışması için cihaz çeşitliliği ve görüntü standardizasyonu şart. Ürün tarafında “kalite kontrol” modülü olmadan ölçeklemek zordur.

4) Dilin üstündeki kaplama, yemek/çay etkisi sonucu bozar mı?

Evet, bozabilir. Bu yüzden çekim öncesi kurallar ve kalite skoru önemli.

5) Kimler için daha uygun?

Kronik risk taşıyan ve düzenli izlem gereken gruplar (metabolik risk, yağlı karaciğer, alkol ilişkili risk) için daha anlamlı.

6) Hastaya sonuç nasıl anlatılmalı?

“Tanı” değil, risk trendi ve “şu adımı at” diliyle. Aksi halde yanlış güven veya gereksiz panik üretirsiniz.

Dijital sağlık açısından asıl ders: Klinik değeri olan ‘kolay veri’ peşindeyiz

Evde dil fotoğrafıyla karaciğer fibrozu takibi fikri, bana göre tek bir mesaj veriyor: Sağlıkta yapay zekâ, klinik sinyali hastanın günlük hayatına taşımaya çalışıyor. Bu, dijital sağlıkta uzaktan izleme programlarının önümüzdeki yıllarda daha da büyüyeceğinin işareti.

Bu seride şunu savunuyorum: AI projeleri “model doğruluğu” ile değil, klinik akışa entegrasyon ile kazanır. Dil görüntüsü modeli de aynı sınavdan geçecek. Eğer doğru popülasyonda, doğru triyaj kurgusuyla ve KVKK uyumlu bir veri mimarisiyle uygulanırsa; hem hasta deneyimini hem kaynak kullanımını iyileştirebilir.

Sizce 2026’da uzaktan izleme programları, hastadan veri toplamak için en çok hangi “düşük sürtünmeli” sinyallere yaslanacak: görüntü, giyilebilirler, yoksa ev tipi laboratuvar testleri mi?