Yoğun Bakımda Yapay Zekâ: Solunum Takibi ve Planlama

Yoğun bakımda bir vardiyanın nasıl aktığını bilen herkes aynı gerçeği görür: en kritik kararlar, en gürültülü ortamda verilir. Monitör alarmları, ventilatör uyarıları, hızlı değişen kan gazı değerleri ve aynı anda yönetilmesi gereken birden fazla hasta… Solunum yetmezliği riski taşıyan bir hastada “bir sonraki 2–6 saat” bazen günler kadar belirleyicidir.

19.12.2025’te yayımlanan RMS çalışması bu noktaya net bir öneriyle geliyor: yüksek zaman çözünürlüklü yoğun bakım verisini makine öğrenmesiyle birleştirip, hem solunumsal durum izleme hem de kaynak planlama (ventilatör ihtiyacı, yatak/iş gücü yükü) için klinisyene daha erken ve daha tutarlı bir sinyal üretmek.

Bu yazı, “Sağlık Sektöründe Yapay Zekâ ve Dijital Sağlık” serimizin içinde, RMS örneği üzerinden şunu tartışıyor: Yapay zekâ yoğun bakımda sadece klinik tahmin değil, operasyonel dayanıklılık da sağlar.

RMS neyi çözüyor: Klinik sinyali operasyonel karara bağlamak

RMS’nin temel vaadi basit: solunumsal bozulmayı daha erken fark etmek ve bunun “yoğun bakım kaynaklarına” yansımasını önceden öngörmek. Çoğu hastanede solunumsal izlem; aralıklı arter kan gazı, SpO₂ trendi ve klinik gözlem gibi parçalı sinyallerle yürür. Parçalar ayrı ayrı değerli ama birlikte ele alınmadığında gecikmeli aksiyon doğurabilir.

RMS yaklaşımı iki kritik ihtiyacı aynı çatı altında birleştiriyor:

• Hastaya yakın karar desteği: Solunum durumunun (ör. oksijenlenme, ventilasyon ihtiyacı, ventilatör parametreleriyle ilişkili risk desenleri) dinamik takibi.
• Yönetime yakın planlama: Önümüzdeki saatler/günler için ventilatör kullanımı, yoğun bakım yükü ve kaynak ihtiyacı gibi operasyonel çıktılara dönük öngörü.

Benim sahada en sık gördüğüm problem şu: Klinik ekip “kimin kötüleştiğini” hissediyor, yönetim ise “kaç cihaza, kaç personele ihtiyaç olacak” sorusuna net cevap arıyor. Aynı veriyle iki tarafın da ihtiyacını karşılamak dijital sağlığın en somut kazanımlarından biri.

Neden solunum? Çünkü yoğun bakımın dar boğazı burada

Akut solunum yetmezliği ve ARDS gibi tablolar yoğun bakım pratiğinin en ağır yüklerinden. Pandemi sonrası dönemde hastaneler şunu öğrendi: solunum desteği kapasitesi (invaziv ventilatör, NIV, HFNC, sarf malzeme, deneyimli ekip) bir anda sistemin darboğazına dönüşebiliyor.

RMS gibi sistemler, “tek bir hastanın” riskini tahmin etmekten fazlasını hedeflediğinde değer büyüyor: servis–acil–yoğun bakım hattında kapasiteyi daha iyi yönetmek.

HiRID-II ve açık kaynak: Dijital sağlıkta güvenin temeli veri

Bu çalışmanın kritik yanı sadece model değil; veri ekosistemi. Makalede, yüksek zaman çözünürlüklü yoğun bakım verisinin güncellenmiş sürümü olan HiRID-II veri setinin araştırma topluluğuna açılacağı belirtiliyor. Ayrıca RMS kodu da açık kaynak lisansla paylaşılmış durumda.

Açık konuşalım: Sağlıkta yapay zekâda birçok “iyi fikir” klinik sahaya çarpınca duvara tosluyor. Sebeplerin başında şunlar geliyor:

• Veri setlerinin kapalı olması (doğrulama zor)
• Modellerin “nasıl çalıştığının” belirsizliği (güven sorunu)
• Farklı hastane/ülke/popülasyonda performans düşüşü (genellenebilirlik sorunu)

Açık veri + açık kod, bu üç soruna aynı anda saldırır. Üstelik Türkiye’de dijital sağlık projelerinde sık gördüğümüz “kurum içi kapanıklık” kültürüne alternatif bir rota çizer:

“Modeli satın almak” yerine, modeli doğrulamak, uyarlamak ve denetlemek mümkün olur.

Mahremiyet ve anonimleştirme: İlerlemek için şart

HiRID-II’nin k-anonimleştirme gibi yaklaşımlarla paylaşıma hazırlanması, bize pratik bir mesaj veriyor: Klinik veri paylaşımı ‘ya hep ya hiç’ değildir. Doğru yönetişim, güvenli araştırma ortamları ve iyi anonimleştirme teknikleriyle hem bilim ilerler hem mahremiyet korunur.

Türkiye’de KVKK uyumu ve hastane veri güvenliği gündemi düşünüldüğünde, bu tür örnekler kurumlara “nasıl yapılır” tarafında yol gösterebilir.

Yoğun bakımda makine öğrenmesi nasıl değer üretir?

Makine öğrenmesinin yoğun bakımda değer ürettiği üç alan var. RMS, bu üçüne de temas ediyor.

1) Erken uyarı: Trendleri insan gözüyle kaçırmamak

Yoğun bakım verisi “dakika dakika” akar. İnsan ise vardiyada onlarca ekrana bakar. Bu çelişki “alarm yorgunluğu” denen probleme yol açar: Çok alarm → daha az dikkat.

RMS gibi sistemlerin doğru kurgulanmış hali şu faydayı sağlar:

• Az ama anlamlı alarm: Sadece eşik aşımı değil, kötüleşme paterni.
• Zaman kazancı: Müdahale penceresi genişler.

Burada kritik nokta, uyarı sisteminin “daha çok alarm” üretmemesi. Aksi halde teknolojiyi ekleyerek yükü artırmış olursunuz.

2) Açıklanabilirlik: Klinisyen için “neden” sorusu esastır

Yoğun bakımda kimse “model öyle dedi” diye tedavi değiştirmez. RMS ekosisteminde referans verilen açıklanabilirlik yaklaşımları (özellik atfı yöntemleri gibi) şu soruyu hedefler:

• Bu risk puanı neden yükseldi?
• Hangi değişkenler etkili oldu?
• Bu hasta grubunda model adil mi çalışıyor?

Benim görüşüm net: Açıklanabilirlik, sağlıkta yapay zekânın lüksü değil güvenlik kemeri.

3) Kaynak planlama: Sadece hasta değil, hastane de “hasta” olabilir

Kış ayları (Aralık–Şubat) Türkiye’de solunum yolu enfeksiyonlarının arttığı, acil ve yoğun bakım yükünün yükseldiği dönem. 21.12.2025 itibarıyla sahada hâlâ şu gerilim var: Bir yandan artan talep, diğer yandan personel yorgunluğu.

RMS’nin kaynak planlama boyutu bu yüzden önemli:

• Önümüzdeki 24–72 saat için ventilatör ihtiyacı tahmini
• Yoğun bakım yatak doluluk baskısı öngörüsü
• Vardiya planına etki eden iş gücü ihtiyacı sinyali

Bu, “klinik yapay zekâ” ile “hastane yönetimi optimizasyonu”nun birleştiği yer. Dijital sağlığın en somut ROI’si genellikle burada çıkar.

Türkiye’de uygulanabilir mi? Evet, ama birkaç şartla

RMS bir araştırma ürünü; “yarın sabah hastaneye kur” tipi bir paket değil. Yine de Türkiye’de yoğun bakım dijitalleşmesi için iyi bir referans senaryosu sunuyor.

Uygulama yol haritası (pratik)

1. Veri envanteri çıkarın: Ventilatör verisi, monitör verisi, kan gazı, ESK (elektronik sağlık kaydı) değişkenleri… Hangi veri hangi sıklıkta, hangi doğrulukta var?
2. Minimum uygulanabilir model (MVP) seçin: İlk hedef “ARDS tahmini” değil, örneğin “oksijenlenme bozulma trendi + klinik uyarı” olabilir.
3. Klinik iş akışını tasarlayın: Uyarı kime gider? Hangi eşikte? Hangi eylem beklenir? Aksi halde sistem ekran süsüne dönüşür.
4. Sessiz mod pilotu yapın: 4–8 hafta model çalışır ama klinik kararları etkilemez; sadece performans ölçülür.
5. Adalet (fairness) ve performans denetimi: Yaş, cinsiyet, komorbidite, hasta profili gibi alt gruplarda hatayı ölçmeden canlıya almak risklidir.

Teknik ve yönetsel riskler (görmezden gelmeyin)

• Genellenebilirlik: Bir hastanede iyi çalışan model, diğerinde düşebilir. Yerel kalibrasyon şart.
• Veri kalitesi: Eksik/yanlış sensör verisi, modelin “kendinden emin ama yanlış” konuşmasına neden olur.
• Sorumluluk: Karar destek sisteminin çıktısı; klinisyenin sorumluluğunu ortadan kaldırmaz. Hukuki çerçeve net olmalı.

Burada en doğru yaklaşım: “Tam otomasyon” değil, insan + yapay zekâ ortak kararı.

Sık sorulan sorular (sahadan)

RMS gibi bir sistem ventilatör kararını otomatik verir mi?

Hayır, doğru kurgu bu değil. RMS benzeri çözümler karar destek üretir: risk puanı, trend, olası kötüleşme penceresi. Son karar klinik ekipte kalır.

Böyle bir sistem alarm yorgunluğunu artırır mı?

Kötü tasarlanırsa artırır. İyi tasarımda amaç alarm sayısını çoğaltmak değil, anlamlı alarmları seçmek ve gereksiz uyarıyı azaltmaktır.

Hastane yönetimi bu işten ne kazanır?

En net kazanım kapasite sürprizlerinin azalmasıdır. Ventilatör, yatak ve personel planlamasında 24–72 saatlik öngörü; kriz yönetimini rutin yönetimine çevirir.

Dijital sağlık serisindeki yeri: Görüntülemeden izleme ve planlamaya

Bu seride genellikle tıbbi görüntüleme ve erken teşhiste yapay zekâyı konuşuyoruz. RMS örneği, odağı “görüntü”den alıp “sürekli izlem” ve “operasyon”a taşıyor. Bence sağlıkta yapay zekânın olgunlaştığı yer tam da burası:

• Hasta başında erken uyarı
• Klinik iş akışına uyum
• Hastane kaynak yönetimi
• Şeffaflık ve denetlenebilirlik

Bu dört madde bir araya gelmeden “yapay zekâ projesi” sahada kalıcı olmuyor.

Yapay zekâ, yoğun bakımda en çok “daha erken görmek” ve “daha iyi planlamak” için işe yarar.

Bir sonraki adım net: Kurumunuzda yoğun bakım verisi akışını, alarm stratejisini ve kaynak planlama süreçlerini aynı masaya koyun. Sizce en büyük darboğaz nerede: veri mi, iş akışı mı, yoksa güven mi?