(Bu yazı GENÇ İVEK SAĞLIK BİLİM VE TEKNOLOJİLERİ DERGİSİ’nin 9. sayısında yayımlanmıştır.)
Dr. A. NİLÜFER KÖYLÜOĞLU
Kütahya Sağlık Bilimleri Üniversitesi, Cerrahi Tıp Bilimleri Bölümü
Göz Hastalıkları ABD
Uluslararası Diyabet Federasyonu (IDF) verilerine göre dünyada 463 milyon diyabet hastası bulunmaktadır. Diyabete bağlı retinopati, tedavisi 1965 yılında bulunmuş olduğu halde, halen dünyada 20-74 yaş arası çalışan nüfusta görülen körlüğün 1. sıradaki sebebidir. Bu durum kronik hastalık yönetimindeki zorluğu ve dünya devletlerinin sağlık politikalarının bu zorluğun üstesinden gelmekte ne denli etkisiz kaldığını net biçimde göstermektedir. Diyabet %54 hızla üssel olarak artarken, göz hastalıkları uzmanı sayısındaki artış %2’dir. Bunun anlamı bütün uzmanlar 7 gün 24 saat çalışabilse bile diyabet hastalarının sadece göz dibini taramaya yetişme imkanlarının kalmadığıdır. Teknoloji olmadan sağlık hizmeti vermenin neredeyse imkansız hale geldiği bu çağda, yeni teknolojileri yeni nesil platformlar oluşturarak çalışmak gerekmektedir.
Diyabete bağlı görme tabakası hasarını değerlendiren IDx-DR’ın, 2018 yılında FDA onayı alan ilk yapay zekâ çözümü olması, hem tanı kısmında yetişmiş uzmana duyulan ihtiyacı ortadan kaldırmış hem de dünya teknoloji devlerinin dikkatini bu alana çekmiştir. Tarama yükünü göğüslemekte otonom yapay zekâdan yardım almak, zamanında tanı imkanı sunma hedefine yaklaştıran bir adım olmasının yanı sıra, yetişmiş uzmanlara tedavi faaliyetleri alanında zaman yaratacağı için de ayrıca değerli bir gelişmedir. Diyabetik retinopati tedavisinde vitrektominin yeri diyabetik ayak tedavisindeki ampütasyon, diyabetik makula ödemi tedavisinde devam eden göz içi enjeksiyonlar diyabete bağlı nefropati tedavisindeki diyaliz gibi komplikasyonun komplikasyonunun tedavisidir. Bu tedavileri uygulayabilme imkanının sahada yaygınlaşması çok değerlidir, alt yapı yatırımı ve uzman yetiştirme konusunda kat edilen mesafeyi göstermektedir. Fakat bu geç dönem tedavilerinin, zamanında tanınıp tedavi edilmemiş hastalardaki zorunlu bakım süreci yönetimi olduğunu anlamak ve bu tedaviye ihtiyaç duyacak evredeki hasta sayısını azaltacak projeleri planlamak gereklidir.
Artık klasik çalışma şeklinden uzaklaştık.
COVID19 pandemisi hasta, hekim, yönetici, politikacı, araştırmacı ve fon sağlayıcıları özetle hepimizi iş yapış şekillerimizi gözden geçirmek mecburiyetinde bırakarak, bildiğimiz klasik yollar ile devam edemeyeceğimizi net bir şekilde ortaya çıkarmıştır. Bu dönemde özellikle kronik hastalığı olan kişilerin bakımı ile karşılaşılan zorluklar ve acı sonuçlar, sağlık sistemlerini bu alanı görmezden gelmeye devam edemeyecek bir noktada tıkamıştır. Yeni dönemde komplikasyonlardan muzdarip, ileri tedavi almaya aday hasta sayısını azaltmayı hedefleyerek halk sağlığı yönetiminde çıtayı yükseltmek icap etmektedir.
Teknolojik yaklaşımlar ile takip sistemlerinin tanımlanması önemli bir basamaktır.
Zamanında tanınıp tedavi edilemeyen diyabetin ileri dönem komplikasyonu olan diyabetik retinopati oranı ülkelerin diyabet ekosistemini ve süreç yönetiminin başarısını ölçmede bir metrik olarak değerlendirilmelidir. Branşlara ayrılmış şekilde hizmet sağlanan diyabet yaklaşımını yeniden yapılandırıp, büyük verinin içinden uzun veri elde etmeyi dizayn ederek risk analizi, nedensellik, bağlantısal bütünlük ve süreç madenciliği gibi teknolojik yaklaşımlar ile sentezleyerek, yapay zekâ desteği ile derinleştirilmiş ve birleştirilmiş bir takip sistemi tanımlamak gereklidir. Konu sağlık ekonomistleri tarafından bu perspektif ile çalışıldığında çıkacak olan maliyet analizi raporları, bu şekilde çalışmaya başlamanın ne denli ivedi olması gerektiğini ortaya koyacaktır.
Gözü görme fonksiyonu sağlayan organ olmanın ötesinde, veri barındıran bir pencere olarak anlamamız göz merceğinden glikozile protein analizi ile başlamış, kardiyovasküler ve nörobilim araştırmaları ile pekişmiştir. Poplin ve ark. yüzbinlerce hastaya ait milyonlarca görüntü kullanılarak derin öğrenme modeli eğitmiş ve hemoglobin A1c’den sistolik ve diyastolik kan basıncına kadar çeşitli kardiyovasküler risk faktörleri ile fundus görüntüleri arasındaki ilişkileri göstermiştir. Porumb ve ark. sinir ağları kullanılarak EKG sinyalleri sınıflandırmış ve hastada hipoglisemi olup olmadığı belirlemişlerdir. Sadece bu iki araştırmanın sonuçları bile bize santal sinir sistemi ve dolaşım sistemi ile dış dünya arasındaki ara yüz olarak gözün kronik hastalıklar için ne derecede önemli bir veri istasyonu olduğu işaret etmektedir.
Pandemi süreci sağlık sistemine nasıl katkılar sundu?
Çok boyutlu, ilişkisel, sürekli, maluliyet yaratıcı ve kişiye özel şekilde değerlendirilmesi gereken kronik hastalıkları yöneten mevcut sağlık sistemlerinin ileri düzeyde branşlaşma neticesinde tek boyutlu, segmenter, episodik, hastalığa oryante ve kurumsal yapısını aşmak için ihtiyaç duyulan hayat boyu sabit kalan sağlık verilerini, anlık parametreler ve yaşam verileri ile birleştirerek işlemeyi öğrenmektir. Pandemi sürecinin sağlık sistemine kazandırdığı iki önemli yetkinlik, hastalık aktivitesinin yoğun olduğu bölgelerin belirlenmesi ve filyasyon-izolasyon takip sistemidir. Bu iki alanda akut hastalık yönetimi konusunda edinilen tecrübenin, pandemi sonrası sağlık sistemi yapılanmasında kronik hastalık alanına transferi başarılabilirse, özlenen değişim başlamış olacaktır.
İnsandan insana değişen parametreleri noninvaziv metotlar ve giyilebilir teknolojiler ile takip edip, metabolizmanın etkilenmesi sonucunda gelişen hastalık ve komplikasyonları sebepleri ile (genetik, beslenme ve çevresel faktörler) birlikte bütün olarak değerlendiren birleşik veri işleme çalışması ile sürdürülebilir kronik hastalık yönetim (navigasyon) sistemlerini oluşturmak, geliştirmek, uygulama alanını genişletmek, ürünleştirerek ve sistemleşerek ilerlemek artık hayal değildir.
Kaynaklar:
2. IDx-DR Retinal diagnostic software device. FDA, 21 CFR 886.1100, Class II, PIB.
3. Michael D. Abramoff et al. Improved Automated Detection of Diabetic Retinopathy on a Publicly Available Dataset through Integration of Deep Learning. Investigative Ophthalmology & Visual Science, October 2016.
4. Development and Validation of a deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. JAMA. 2016; 316(22):2402-2410.
5. Grader Variability and the Importance of Reference Standards for Evaluating Machine Learning Models for Diabetic Retinopathy. Ophthalmology 2018;125:1264- 1272.
6. Büyükbeşe A, Koyluoglu N. Complications of Diabetes: How to Address and How to Manage? J Diabetes Metab Disord Control 2014;1(2):00004.
7. Cahn F, Burd J, Ignotz K, Mishra S. Measurement of Lens Autofluorescence Can Distinguish Subjects With Diabetes From Those Without. J Diabetes Sci Technol 2014;8(1):43-9.
8. Poplin R, Varadarajan AV, Blumer K, et al DR. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. Nat Biomed Eng. 2018 Mar;2(3):158-164.
9. Porumb, Mihaela, Saverio Stranges, Antonio Pescapè, and Leandro Pecchia. “Precision Medicine and Artificial Intelligence: A Pilot Study on Deep Learning for Hypoglycemic Events Detection Based on ECG.” Scientific Reports 10, no. 1 (2020): 1-16.
10. Şimşek EE, Güner AE, Kul S et al. A Compative Analysis of the COVID-19 pandemic response: The Case of TurkeyNorth Clin. Istanb. 2020 Oct 5:7(S):443-451.
11. Koyluoglu N, Kart T, Tutun S. Yapay zeka, göz, kronik hastalıklar üçgeni. Sağlık Düşüncesi ve Tıp Kültürü Dergisi 2021;58:80-83.
12. https://tadviser.com/index.php/Product:IDx-DR_(the_device_for_diagnostics_of_sight)
13.https://sharpbrains.com/blog/2016/09/19/7-ways-in-which-the-human-connectome-project-is-moving-the-brain-research-needle/