Hastanelerde yapay zeka kullanımı, hasta akışı, randevu, klinik dokümantasyon, stok, cihaz ve bina verisinden öğrenen modellerle hastanenin işleyişini hızlandırmaktır. Bu yazı teşhis ve tedavi kararına değil, operasyona odaklanıyor: gelmeyen hasta tahmini, dikteyi yazıya çevirme, prosedürlerden cevap veren asistan, sarf malzemesi tahmini ve enerji anomalisi gibi. Klinik karar her zaman hekimde kalır.
Hastanede yapay zeka denince neden hep teşhis konuşuluyor?
Sağlıkta yapay zeka haberleri çoğunlukla radyoloji görüntüsünden hastalık bulan modellerle ilgilidir. Bu alan önemlidir ama tıbbi cihaz mevzuatına tabidir, klinik doğrulama ister ve bir hastane yönetiminin tek başına başlatabileceği bir proje değildir. Oysa hastane müdürünün, başhemşirenin ve satın alma sorumlusunun günlük sorunları başka yerdedir.
Boş geçen randevu saatleri, dolup taşan bekleme salonu, epikriz yazmaya giden hekim zamanı, katlar arasında aranan infüzyon pompası, son kullanma tarihi geçen sarf malzemesi: bunların hepsi veri bırakan, ama çoğu zaman kimsenin analiz etmediği süreçlerdir. Yapay zekanın hastanede çoğu zaman en hızlı değer ürettiği yer tam da bu operasyon katmanıdır. Üstelik bu işlerde hata geri alınabilir ve sonuç kolayca ölçülür.
Operasyonu elle yürütmenin maliyeti
Ölçek büyük. Sağlık Bakanlığı'nın Sağlık İstatistikleri Yıllığı 2024 Haber Bülteni verisine göre Türkiye'de 2024'te 1.562 hastane ve 268.359 hastane yatağı vardı; yatak doluluk oranı %59,8 oldu. Bu kadar kapasitenin planlaması telefonla, tabloyla ve deneyimle yürüdüğünde küçük sapmalar büyük kayba dönüşür.
Dokümantasyon yükü ise en çok hekim ve hemşire zamanını yiyen kalemdir. Kamuya açık bir örnek bunun ne kadar büyük olabileceğini gösteriyor:
Microsoft'un müşteri hikâyesinde, ABD'deki hastane ağı SolutionHealth'in muayene konuşmasını dinleyip elektronik sağlık kaydına yapılandırılmış not yazan bir yapay zeka aracı kullandığı anlatılıyor. Şirketin açıkladığına göre yaklaşık 60.000 muayenede klinisyenler dokümantasyona ortalama %56 daha az zaman harcadıklarını bildirdi. (Microsoft Customer Stories — SolutionHealth)
Bu rakam klinisyen beyanına dayanan bir tedarikçi hikâyesidir, bağımsız bir çalışma değildir. Yine de yönü açık: yazı işi hekimin gününden ciddi bir pay alıyor. Öte yandan her proje bu sonuca ulaşmıyor; Gartner'ın 29 Temmuz 2024 tarihli basın bülteni, üretken yapay zeka projelerinin en az %30'unun kötü veri kalitesi ve belirsiz iş değeri gibi nedenlerle 2025 sonuna kadar kavram kanıtlamadan sonra terk edileceğini öngörmüştü.
Hastanelerde yapay zeka kullanımı: 8 operasyon alanı
Aşağıdaki alanlar hastanenin akışına göre sıralandı. Her biri teşhis dışındadır, tek başına pilot olabilir ve mevcut hastane bilgi yönetim sistemine (HBYS) bağlanarak çalışır.
- Gelmeyen hasta ve randevu tahmini. Geçmiş randevu kayıtlarından hangi saat, bölüm ve hasta profilinde randevunun boş geçme olasılığının yüksek olduğunu tahmin eden model, hatırlatmayı ve bekleme listesini akıllandırır. Sıra ve çağrı tarafını hastane sıra yönetim sistemi yazısında anlattık.
- Hasta yoğunluğu ve personel planı. Acil servis ve poliklinik başvurularının gün, saat ve mevsime göre tahmini, nöbet ve vardiya planına daha gerçekçi bir girdi verir. Yöntemin temelini yapay zeka ile talep tahmini yazısında bulabilirsiniz.
- Dikte ve klinik dokümantasyon desteği. Hekimin sesli notunu yazıya çeviren ve epikriz ya da ameliyat notu için taslak hazırlayan sistem, yazma yükünü azaltır; metni hekim onaylar. İlaç ve malzeme adları gibi sektör terimlerinde doğruluğu neyin belirlediğini Türkçe ses tanıma yazısında ele aldık.
- Prosedür ve kalite dokümanı asistanı. Enfeksiyon kontrol talimatları, Sağlıkta Kalite Standartları (SKS) dokümanları ve birim prosedürleri üzerinde çalışan bir dil modeli, personelin sorusuna kaynak belgeyi göstererek cevap verir. Mantığını RAG ile kurumsal dil modeli yazısında açıkladık.
- Hasta iletişimi ve çağrı merkezi. Randevu, sonuç saati, otopark ve evrak gibi tekrarlayan sorular bir asistana bırakılır; tıbbi soru her zaman insana aktarılır. Hangi soruların bota bırakılacağını müşteri hizmetleri chatbot rehberinde tartıştık.
- İlaç ve sarf malzemesi tahmini. Ameliyat takvimi ve geçmiş tüketimden hareketle eldiven, kateter, sütür gibi kalemlerin ihtiyacını tahmin eden model, hem stoksuz kalmayı hem son kullanma tarihi kaybını azaltır.
- Tıbbi cihaz kullanım analitiği. Konum ve kullanım verisi, hangi cihazın atıl kaldığını, hangisinin yetmediğini ve bakımı yaklaşanları gösterir. Takip altyapısını tıbbi cihaz takip sistemi yazısında anlattık.
- Bina ve enerji anomalisi. Ameliyathane iklimlendirmesi, soğutma grupları ve buzdolaplarındaki olağan dışı tüketim ya da sıcaklık sapması erkenden işaretlenir. Ölçüm tarafını hastane enerji yönetimi yazısında bulabilirsiniz.
Hangi alanla başlamalı? Karşılaştırma tablosu
Her alanın veri kaynağı, HBYS'ye bağımlılığı ve risk düzeyi farklıdır. Tablo, pilot seçerken sorulacak soruları tek yerde topluyor.
| Kullanım alanı | Veri kaynağı | Kişisel sağlık verisi | Pilotta ilk ölçüt | İnsanın rolü |
|---|---|---|---|---|
| Gelmeyen hasta tahmini | Randevu geçmişi | Var (sınırlı) | Boş geçen randevu oranı | Hatırlatma ve fazla randevu kuralını belirler |
| Yoğunluk ve personel planı | Başvuru sayıları, vardiya kaydı | Toplulaştırılabilir | Tahmin hatası, bekleme süresi | Nöbet planını kesinleştirir |
| Dikte ve dokümantasyon | Ses kaydı, not şablonları | Var (yoğun) | Not başına yazma süresi | Metni okur ve onaylar |
| Prosedür asistanı | Talimat ve kalite dokümanları | Genellikle yok | Doğru cevap oranı, arama süresi | Cevabı kaynaktan teyit eder |
| Hasta iletişimi | Sık sorulan sorular, randevu | Var (sınırlı) | Telefonda bekleme, aktarım oranı | Tıbbi soruyu devralır |
| Sarf malzemesi tahmini | Tüketim ve ameliyat takvimi | Yok | Stoksuz kalma, imha edilen ürün | Siparişi onaylar |
| Cihaz kullanım analitiği | Konum ve kullanım kaydı | Yok | Atıl cihaz oranı, cihaz arama süresi | Cihaz dağılımına karar verir |
| Bina ve enerji anomalisi | Sensör, sayaç | Yok | Tüketim ve sıcaklık sapması | Müdahaleye karar verir |
İlk pilot için kişisel sağlık verisi içermeyen ya da veriyi toplulaştırabilen bir alan seçmek, hukuki hazırlığı kısaltır. Prosedür asistanı, sarf tahmini ve enerji anomalisi bu yüzden sık tercih edilen başlangıçlardır. Dokümantasyon gibi yüksek getirili ama yoğun veri içeren alanlar, veri işleme kurgusu netleştikten sonra ele alınmalıdır. Hastane dışındaki departmanlardan örnekler için yapay zeka ile yapılabilecek 30 iş listesine bakabilirsiniz.
Sağlık verisi, KVKK ve AB Yapay Zeka Yasası
Sağlık verisi, 6698 sayılı KVKK'nın 6. maddesinde özel nitelikli kişisel veri olarak sayılır ve daha sıkı şartlara bağlıdır. Ses kaydı ya da hasta notu dışarıdaki bir yapay zeka servisine gönderilecekse bu aynı zamanda yurt dışına aktarım sorusu doğurur. Hukuki sebep, aktarım ve saklama kurgusunu yapay zeka ve KVKK yazısında ayrıntılı anlattık.
Yapay zeka sistemini AB pazarına sunan ya da çıktısı AB'de kullanılan kurumlar için AB Yapay Zeka Yasası da gündemdedir. Tıbbi cihaz niteliğindeki teşhis amaçlı yazılımlar yüksek riskli sayılabilir; acil serviste hasta önceliklendirmesi (triyaj) yapan sistemler ile çalışanlara iş dağıtan ya da performansını değerlendiren sistemler de yasanın yüksek risk listesinde yer alır. Randevu hatırlatma, stok tahmini ve prosedür asistanı gibi operasyon işleri ise genellikle bu sınıfın dışında kalır; yine de sınıflandırma her sistem için ayrıca değerlendirilmelidir.
Dil modelleri kaynağında olmayan bir bilgiyi uydurabilir; bu risk hastanede daha pahalıdır. Asistanın yalnızca onaylı belgelerden cevap vermesi ve kaynağını göstermesi gerekir; yöntemleri yapay zeka halüsinasyonu yazısında topladık.
Digital Bridge'de hastane yapay zekasını nasıl kuruyoruz?
Hazır paket satmıyoruz; işe hasta yolculuğunu yerinde izleyerek başlıyoruz. Keşif aşamasında randevudan taburculuğa kadar beklemenin ve kaybın oluştuğu noktaları, bu noktaların verisinin HBYS'de mi, tabloda mı yoksa kâğıtta mı durduğunu birlikte çıkarıyoruz. Sonunda kapsamı, aşamaları ve bedeli yazan bir teklif veriyoruz.
Pilotu tek bir poliklinikte, katta ya da depoda başlatıyoruz. Yoğunluk ve sarf tahmininde talep tahmini analitiği, dikte ve dokümantasyonda Türkçe ses tanıma, prosedür ve kalite dokümanlarında kurumsal LLM asistanı çözümlerimizi kullanıyoruz. Hassas kayıtlar için modelin kurum içi sunucuda çalıştırılması seçeneğini baştan değerlendiriyoruz.
HBYS'nizi değiştirmiyoruz. Sonuç, personelin zaten baktığı ekrana düşmeli; bu yüzden modeli sistem entegrasyonu ile mevcut yazılımınıza bağlıyoruz. Randevu, sıra, cihaz ve soğuk zincir tarafındaki operasyon katmanını hastane ve klinik yazılımları sayfamızda anlattık; kısıtlı alan girişini ise hastane geçiş kontrol sistemi yazısında ele aldık.
Veri işleme kurgusunu projenin sonuna bırakmıyoruz. Aydınlatma metni, erişim yetkileri, kayıt ve saklama süreleri KVKK uyum danışmanlığı ile pilotla birlikte netleşir. Pilotun başarısını, başlamadan önce ölçtüğümüz başlangıç değeriyle karşılaştırıyoruz; getiri hesabının adımlarını yapay zeka projesi ROI yazısında bulabilirsiniz.
Sonraki adım
Hastanenizde son üç ayda en çok şikâyet ya da kayıp yaratan tek operasyon sorununu seçin: boş geçen randevular, uzun telefon beklemesi, hekimin yazıya harcadığı zaman ya da stoksuz kalan bir sarf kalemi. O sorunla ilgili hangi verinin bugün kayıt altında olduğunu not edin. Ardından bizimle iletişime geçin; keşifte ilk pilotu birlikte seçelim. Genel yol haritası için şirketlerde yapay zeka nereden başlamalı rehberine, diğer yazılar için Yapay Zeka konu sayfamıza göz atabilirsiniz.