Onkolojide Yapay Zekâ ile Acil Başvuruları Azaltmak

Kanser tedavisi gören hastalarda plansız acil servis başvuruları ve hastane yatışları (akut bakım kullanımı) sadece klinik bir sorun değil; aynı zamanda hastane bütçesini ve bakım kalitesini doğrudan etkileyen ölçülebilir bir maliyet kalemi. 11.12.2025’te yayımlanan geniş ölçekli bir çalışmada, sistemik tedavi (kemoterapi gibi) sonrası akut bakım kullanan hastaların 180 günlük ortalama günlük maliyeti 94,62 ABD$, akut bakım kullanmayanların ise 53,28 ABD$ olarak raporlanıyor. Yani günlük maliyet neredeyse ikiye katlanıyor.

Bu yazı, “Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serimizin bir parçası olarak, bu bulguyu Türkiye’deki sağlık yöneticileri, dijital sağlık ekipleri ve onkoloji hizmeti veren kurumlar için pratik bir çerçeveye dönüştürüyor: Tahmin (predictive) analitik ve klinik iş akışına gömülü karar destek doğru kurgulanırsa, plansız akut bakım kullanımını azaltmak hem klinik hem de finansal açıdan mantıklı bir yatırım.

Akut bakım kullanımını pahalı yapan şey ne?

Akut bakım kullanımı pahalıdır çünkü “tek bir ziyaret” değildir; çoğu zaman bir zincir reaksiyonudur: acil servis, görüntüleme, laboratuvar, ek ilaçlar, yatış, konsültasyonlar ve yeniden başvurular. Çalışmada akut bakım kullanan hastaların 180 gün toplam maliyeti 17.031,92 ABD$, kullanmayanların ise 9.591,06 ABD$. Aradaki fark, tedavinin kendisinden çok, komplikasyonların yönetim biçimini işaret ediyor.

Buradaki kritik nokta şu: Literatürde onkolojideki akut bakım olaylarının yaklaşık %35’inin önlenebilir olduğu sık geçiyor; bazı kaynaklarda bu oran daha da yüksek tartışılıyor. Çalışma, muhafazakâr bir varsayımla %35 önlenebilirlik alıyor. Bu yaklaşım bana göre doğru; çünkü gerçek hayatta “en iyi senaryo” değil, operasyonel gerçekçilik kazanır.

Önlenebilir akut bakım olayları hangi durumlarda artıyor?

Çalışmanın hasta grupları arasında gözlenen farkları (nedensellik iddiası olmadan) kurumlar için “risk alanları” gibi düşünebilirsiniz:

• İleri evre tümör (özellikle evre 4) hastalarında akut bakım oranı daha yüksek.
• Bazı tümör tiplerinde (pankreas, genitoüriner, sarkom, lenf vb.) akut bakım daha sık.
• Sigorta/erişim göstergeleriyle ilişkili farklılıklar görülebiliyor.

Türkiye’de ödeme sistemi ve hizmete erişim dinamikleri farklı olsa da, mesaj değişmiyor: Risk eşit dağılmıyor. O zaman herkese aynı yoğunlukta takip yerine, dijital sağlıkla risk temelli takip mantıklı.

Veriden eyleme: Tahmin modeli tek başına yetmiyor

Makine öğrenmesi modelleri akut bakım riskini tahmin edebilir. Fakat sahada başarının ölçütü “AUC kaç?” değil; daha basit bir soru:

Modelin işaret ettiği hastada, aynı gün içinde doğru klinik aksiyon tetikleniyor mu?

Çalışma da tam bu noktaya odaklanıyor ve sadece model performansını değil, kurulum + bakım + iş gücü maliyetini de hesaba katıyor. Çünkü sağlıkta yapay zekâ projelerinin çoğu şu yüzden tökezliyor: IT tarafı biter, klinik taraf “alarm yorgunluğu” yaşar, operasyonel sahiplik boşta kalır.

Çalışmanın önerdiği operasyonel kurgu (gerçekçi ve uygulanabilir)

Araştırmada, poliklinik onkoloji bakımında modelin uyarı üretmesiyle birlikte iki rol öngörülüyor:

• 0,25 FTE hemşire: Uyarıları triyaj eder, hastaya eğitim verir, hızlı yönlendirme yapar.
• 0,5 FTE ileri uygulayıcı (APP): Onkoloji ekibiyle klinik koordinasyonu sağlar.

Bu yaklaşımı Türkiye’ye uyarlarsak, APP rolü kurumdan kuruma değişebilir; bazı yerlerde uzman hekim/uzmanlık öğrencisi/hemşire koordinatör farklı bir dağılımla aynı işi yapar. Asıl fikir şu: Uyarı + triyaj + protokol bir paket olarak tasarlanmalı.

Rakamlarla maliyet-fayda: “Yapay zekâ yatırım getirisi” nasıl ölçülür?

Çalışmada 2010–2022 arasında sistemik tedavi alan 20.556 hasta inceleniyor. Bunların %18,58’i en az bir akut bakım olayı yaşıyor. Modelin uzun dönem etkisini ölçmek için yıllık 2.177 kişilik bir kohort varsayımıyla maliyet-fayda analizi yapılıyor.

Öne çıkan finansal çıktılar:

• 1. yıl tahmini net tasarruf: 910.000 ABD$
• 6. yıl yıllık tahmini tasarruf: 9,46 milyon ABD$
• 6 yılda kümülatif kaçınılan maliyet: yaklaşık 31,11 milyon ABD$

Bu tasarruf hesaplanırken modelin:

• İlk yıl yaklaşık 1 milyon ABD$ kurulum/entegrasyon maliyeti,
• Sonraki yıllar 200.000 ABD$ bakım maliyeti,
• Ek personel maliyetleri

dahil ediliyor.

“Ne zaman başabaş olur?” sorusuna net yanıt

Duyarlılık analizinde kritik eşik şu: Önlenebilirlik oranı %27’nin üzerindeyse sistem 6 yıl içinde başabaş noktayı geçiyor. Çalışmanın kullandığı %35 senaryosunda başabaş daha erken, hatta ilk yılda.

Benim burada altını çizdiğim nokta: Bu hesap, sağlık yöneticisinin sevdiği hesap. Çünkü “teknoloji harcaması” değil, “operasyonel yatırım” olarak konuşuyor.

Dijital sağlıkta uygulanabilir bir yol haritası: 90 günde ne yapılır?

Birçok kurum “önce model geliştirelim” refleksiyle başlıyor. Çoğu zaman daha iyi başlangıç, veri + iş akışı + ölçüm üçlüsünü oturtmaktır. Aşağıdaki plan, 90 gün içinde pilot başlatmak için pratik bir çerçeve:

1) Hedefi tek cümleye indir

• Hedef: “Sistemik tedavi başlangıcından sonraki 180 günde plansız acil başvuru/yatış oranını azaltmak.”
• İkincil hedef: “Onkoloji polikliniğinde triage süresini ve hasta memnuniyetini iyileştirmek.”

2) Olay tanımını netleştir (kurum içi standart)

• Akut bakım olayı nedir? Acil servis mi, yatış mı, gözlem mi?
• “Önlenebilir” sayılacak alt türler neler?

3) Entegrasyon tasarımı: Uyarı nereye düşecek?

• HBYS/EHR içinde görev listesi mi?
• Hemşire ekranı mı?
• Günlük risk listesi mi?

Kuralım net: Uyarı, işi olan kişiye gitmeli. Doktorun ekranına düşen ama hemşirenin takip ettiği bir uyarı, kimsenin uyarısı olur.

4) Protokol: Uyarı gelince ne yapılacak?

Örnek bir “yüksek risk” protokolü:

1. Aynı gün hemşire araması (semptom taraması)
2. İlaç yan etki kontrol listesi (bulantı, ateş, dehidratasyon vb.)
3. Gerekirse 24–48 saat içinde poliklinik değerlendirme
4. Evde izlem planı ve kırmızı bayrak eğitimi

5) Ölçüm seti: Pilotun başarılı sayılacağı metrikler

• 30/90/180 gün içinde akut bakım oranı
• Uyarı başına harcanan süre (dakika)
• Uyarıların “aksiyonlanma” oranı
• Alarm yorgunluğu göstergeleri (kapatma, görmezden gelme)
• Hasta geri bildirimleri

Sık sorulan iki soru (ve net cevaplar)

“Model yanlış alarm verirse ne olur?”

Yanlış pozitifler maliyet ve iş yükü yaratır. Bu yüzden modelin özgüllüğü kadar, uyarı eşiği ve protokol yoğunluğu da ayarlanmalı. Her yüksek risk uyarısı “hemen polikliniğe gel” demek değildir; çoğu zaman iyi bir hemşire triyajı yeter.

“Bu sadece ABD’de çalışır mı?”

Hayır. Maliyet kalemleri farklılaşır; ancak akut bakımın pahalı olması ve önlenebilir olayların varlığı evrensel. Türkiye’de özellikle büyük şehirlerde onkoloji hizmeti veren kurumlar için acil başvuruyu azaltmak; yatak yönetimi, hasta deneyimi ve personel sürdürülebilirliği açısından doğrudan kazançtır.

Yapay zekâyı doğru yere koyarsak, kazanç sadece para değil

Bu çalışmanın en değerli tarafı, yapay zekâyı “parlak bir algoritma” gibi değil, dijital sağlık operasyonu gibi ele alması. Modelin yanında hemşire triyajı, klinik koordinasyon, bakım maliyeti ve eğitim var. Gerçek hayat böyle.

Benim önerim net: Eğer kurumunuz onkolojide dijital sağlık yatırımı planlıyorsa, “AI projesi” diye ayrı bir kutu açmayın. Kalite metrikleri + iş gücü planlaması + EHR entegrasyonu ile tek bir program gibi yürütün.

Bugün (21.12.2025) sağlık sistemleri 2026 planlarını yaparken en zor konu genelde aynı: daha fazla hasta, daha sınırlı kaynak. Onkolojide tahmin analitiği, doğru uygulandığında bu sıkışıklığı azaltmanın en somut yollarından biri.

Sizce kurumunuzda akut bakım başvurularını azaltmak için en hızlı etkiyi hangi adım yaratır: risk skoru mu, hemşire triyajı mı, yoksa hasta eğitimi protokolleri mi?