Derleme
BibTex RIS Kaynak Göster

Artificial Intelligence in Health Services and Management

Yıl 2021, Cilt: 5 Sayı: 1, 231 - 240, 29.06.2021

Öz

Increasing chronic diseases and epidemics, such as the Covid-19 pandemic, shows a greater need in home care services of the elderly population due to the prolongation of the average human life span and changes in the expectations of individuals from health services in parallel with the development of health literacy. It also brings about change in health services and management. The cooperation of health services and management, the health sector and other sectors would benefit a wide audience. Health professionals and other occupational groups should be able to work in coordination. In addition, there is a need to use health information technologies in the diagnosis, treatment, rehabilitation of diseases and in the management of health services for the development of public health. Considering all of these, it is inevitable to use artificial intelligence applications in healthcare services and management due to the increasing workload and insufficient number of health workers. A patient-oriented digital health ecosystem is being created in line with current developments in healthcare and technology. It is recommended to make the necessary legal regulations in the use of artificial intelligence applications with promising solutions.

Kaynakça

  • Veranyurt U, Deveci AF, Esen MF, Veranyurt O. (2020). Disease Classification By Machine Learning Techniques: Random Forest, K-Nearest Neighbor and Adaboost Algorithms Applications. Usaysad Derg. 2020; 6(2):275-286.
  • Hayran O. (2012). Sağlık Yönetimi Yazıları. Ankara: Sage Yayıncılık.
  • Elmas Ç. 2018. Yapay Zekâ Uygulamaları. 4. Baskı. Ankara: Seçkin Yayıncılık, 25-45.
  • Akalın B. 2020. Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ. İstanbul: Hiper Yayıncılık, 125-132.
  • Qian, Z., Alaa, A. M., & van der Schaar, M. (2020). CPAS: the UK’s National Machine Learning-based Hospital Capacity Planning System for COVID-19.
  • Jiang F, Jiang Y, Zhi H, et al. (2017). Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology;2: e000101. doi:10.1136/ svn-2017-000101.
  • OECD. Organisation for Economic Co-operation and Development. (2019). Health at a Glance 2019: OECD Indicators. Paris: OECD Publishing; 2019. doi:10.1787/4dd50c09-en.
  • TUİK. Türkiye İstatistik Kurumu. https://www.tuik.gov.tr/ (Erişim Tarihi: 01.11.2020).
  • Öcal H., Doğru İ. A. ve Barışçı N. (2019). Akıllı ve geleneksel giyilebilir sağlık cihazlarında nesnelerin interneti. Politeknik Dergisi, 22(3): 695-714.
  • T.C. Sağlık Bakanlığı Sağlık İstatistikleri Yıllığı 2018. https://dosyasb.saglik.gov.tr/Eklenti/36134,siy2018trpdf.pdf?0 (Erişim Tarihi: 01.11.2020).
  • Çoban, H. (2009). Sağlık Ekonomisi ve Türkiye’de Sağlık Hizmetlerinin Yeniden Yapılandırılması. Dokuz Eylül Üniversitesi, Doktora Tezi, İzmir.
  • World Health Organization (WHO). “Ten threats to global health in 2019”, https://www.who.int/emergencies/ten-threats-to-global- health-in-2019 (Erişim Tarihi: 01.11.2020).
  • Fleming, N. (2018). How Artificial intelligence is changing drug discovery. Naature, 557(7707), ss 55-57. Doi: 10.1038/d41586-018-05267-x.
  • Hecht, D. (2011). Applications of Machine Learning and Computational Intelligence to Drug Discovery and Development. Drug Development Research, 72: 53–65.
  • Gavin, B., Hayden, J., Adamis, D., & McNicholas, F. (2020). Caring for the psychological well-being of healthcare professionals in the Covid-19 pandemic crisis. Ir Med J, 113(4), 51.
  • Mesko, B. (2017). Yapay Zekâyla Tıbbi Karar Almak. B. Mesko içinde, Tıbbın Geleceğine Yolculuk (s. 174-183). İstanbul: Optimist Yayın Grubu.
  • Kadri, F., Baraoui, M., & Nouaouri, I. (2019, September). An LSTM-based Deep Learning Approach with Application to Predicting Hospital Emergency Department Admissions. In 2019
  • International Conference on Industrial Engineering and Systems Management (IESM) IEEE. (1-6). İntel. (2018). Sağlık Dönüşümü. https://www.intel.com.tr/content/www/tr/tr/healthcare-it/healthcare-overview.html (Erişim Tarihi: 01.11.2020).
  • Triantafyllidis, A., Polychronidou, E., Alexiadis, A., Rocha, C. L., Oliveira, D. N., da Silva, A. S., Freire, A. L., Macedo, C., Sousa, I. F., Werbet, E., Lillo, E. A., Luengo, H. G., Ellacuría, M. T., Votis, K., & Tzovaras, D. (2020). Computerized decision support and machine learning applications for the prevention and treatment of childhood obesity: A systematic review of the literature. Artificial Intelligence In Medicine, 104.
  • T.C. Sağlık Bakanlığı Sağlık Bilgi Sistemleri Genel Müdürlüğü, FİTAS (Filyasyon ve İzolasyon Takip Sistemi). https://sbsgm.saglik.gov.tr/TR,73584/ fitas.html (Erişim Tarihi: 01.11.2020).
  • Yan, Y. (2020). MCI progression classification for early diagnosis of Alzheimer’s disease using machine learning and deep learning methods. Res. Biomed. 36:311–331.
  • Curioni-Fontecedro, A. (2017). A new era of oncology through artificial intelligence. ESMO Open; 2(2): e000198.
  • Larson, D.B., Chen, M.C., Lungren, M.P., Halabi, S.S., Stence, N.V., Langlotz, C.P. 2018. Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs. Radiology 287, 313–322.
  • Somashekhar, S.P., Sepulveda, M.J., Puglielli, S., Norden, A.D., Shortliffe, E.H., Rohit Kumar, C., Rauthan, A., Arun Kumar, N., Patil, P., Rhee, K., Ramya, Y. 2018. Watson for Oncology and breast cancer treatment recommendations: agreement with an expert multidisciplinary tumor board. Ann. Oncol. 29, 418–423.
  • Long E, Lin H, Liu Z, et al. 2017. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts. Nat Biomed Eng;1. Article number 24
  • . Ting, D. S. W., Pasquale, L. R., Peng, L., Campbell, J. P., Lee, A. Y., Raman, R., ... & Wong, T. Y. (2019). Artificial intelligence and deep learning in ophthalmology. British Journal of Ophthalmology, 103(2), 167-175.
  • Guo J, Li B (2018) The application of medical artificial intelligence technology in rural areas of developing countries, Health Equity 2:1, 174–181.
  • Zheng, L., Lin, F., Zhu, C., Liu, G., Wu, X., Wu, Z., Zheng, J., Xia, H., Cai, Y., & Liang, H. (2020). Machine Learning Algorithms Identify Pathogen-Specific Biomarkers of Clinical and Metabolomic Characteristics in Septic Patients with Bacterial Infections. BioMed Research International, 1–11.
  • Pedrosa, T. Í., Vasconcelos, F. F., Medeiros, L., & Silva, L. D. (2018). Machine Learning Application to Quantify the Tremor Level for Parkinson’s Disease Patients. Procedia Computer Science, 138, 215–220.
  • Muraro, C., Polato, M., Bortoli, M., Aiolli, F., & Orian, L. (2020). Radical scavenging activity of natural antioxidants and drugs: Development of a combined machine learning and quantum chemistry protocol. Journal of Chemical Physics, 153(11), 1.
  • Thadatritharntip, W., & Vongurai, R. (2020). Artificial Intelligence Healthcare: An Empirical Study on Users’ Attitude and Intention to Use toward a Personal Home Healthcare Robot to Improve Health and Wellness Conditions in Bangkok, Thailand. UTCC International Journal of Business & Economics, 12(1), 3–25.
  • Itkonen, P. (2019). Artificial intelligence in Home Care Settings in South Karelia Social and Healthcare District in Finland. 2019 IEEE World Congress on Services (SERVICES), 2642–939X, 238–239.
  • Şensu S, Erdoğan N, Gürbüz, YS. 2020. Patolojide Dijital Çağ ve Yapay Zekâ: Temel Bilgiler. Türkiye Klinikleri J Med Sci; 40(1):104-12.
  • Oral, C. 2011. Sayısal Mamografi Görüntülerine Yapay Zekâ Yöntemlerinin Uygulanması. Doktora Tezi, Ondokuz Mayıs Üniversitesi, Samsun, 35-56.
  • Thinktech STM. İleri Sağlık Teknolojileri I - Akıllı Sağlık Uygulamaları Ve Veri Analizi İle Sağlık Sorunlarını Tanımlamak (Araştırma Raporu 2019). http://thinktech.stm.com.tr (Erişim Tarihi: 01.11.2020).

Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ

Yıl 2021, Cilt: 5 Sayı: 1, 231 - 240, 29.06.2021

Öz

Günümüzde artan kronik hastalıklar, Covid-19 pandemisi gibi salgınlar, ortalama insan ömrünün uzamasına bağlı olarak artan yaşlı nüfusun evde bakım hizmetlerine olan ihtiyacının artışı ve sağlık okuryazarlığının gelişmesine paralel olarak bireylerin sağlık hizmetlerinden beklentilerindeki değişiklikler; sağlık hizmetleri ve yönetiminde de değişimi beraberinde getirmektedir. Sağlık hizmetleri ve yönetimi, sağlık sektörü ve diğer sektörlerin işbirliği ile geniş kitlelere hitap etmektedir. Sağlık profesyonelleri ile birlikte diğer meslek gruplarının bir arada koordineli bir şekilde çalışabilmesi gerekmektedir. Bunun yanında hastalıkların tanı, tedavi, rehabilitasyonunda ve toplum sağlığının geliştirilmesinde sağlık hizmetlerinin yönetiminde sağlık bilgi teknolojilerinin kullanımına ihtiyaç vardır. Tüm bunlar dikkate alındığında, artan iş yükü yanında yetersiz sayıdaki sağlık insan gücü sebebi ile sağlık hizmetleri ve yönetiminde yapay zekâ uygulamalarının kullanılması kaçınılmazdır. Sağlık alanında ve teknolojide güncel gelişmeler doğrultusunda hasta odaklı dijital bir sağlık ekosistemi yaratılmaya başlanmıştır. Umut vaat eden çözümleriyle yapay zekâ uygulamalarının kullanımında gerekli yasal düzenlemelerin yapılması önerilmektedir.

Kaynakça

  • Veranyurt U, Deveci AF, Esen MF, Veranyurt O. (2020). Disease Classification By Machine Learning Techniques: Random Forest, K-Nearest Neighbor and Adaboost Algorithms Applications. Usaysad Derg. 2020; 6(2):275-286.
  • Hayran O. (2012). Sağlık Yönetimi Yazıları. Ankara: Sage Yayıncılık.
  • Elmas Ç. 2018. Yapay Zekâ Uygulamaları. 4. Baskı. Ankara: Seçkin Yayıncılık, 25-45.
  • Akalın B. 2020. Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ. İstanbul: Hiper Yayıncılık, 125-132.
  • Qian, Z., Alaa, A. M., & van der Schaar, M. (2020). CPAS: the UK’s National Machine Learning-based Hospital Capacity Planning System for COVID-19.
  • Jiang F, Jiang Y, Zhi H, et al. (2017). Artificial intelligence in healthcare: past, present and future. Stroke and Vascular Neurology;2: e000101. doi:10.1136/ svn-2017-000101.
  • OECD. Organisation for Economic Co-operation and Development. (2019). Health at a Glance 2019: OECD Indicators. Paris: OECD Publishing; 2019. doi:10.1787/4dd50c09-en.
  • TUİK. Türkiye İstatistik Kurumu. https://www.tuik.gov.tr/ (Erişim Tarihi: 01.11.2020).
  • Öcal H., Doğru İ. A. ve Barışçı N. (2019). Akıllı ve geleneksel giyilebilir sağlık cihazlarında nesnelerin interneti. Politeknik Dergisi, 22(3): 695-714.
  • T.C. Sağlık Bakanlığı Sağlık İstatistikleri Yıllığı 2018. https://dosyasb.saglik.gov.tr/Eklenti/36134,siy2018trpdf.pdf?0 (Erişim Tarihi: 01.11.2020).
  • Çoban, H. (2009). Sağlık Ekonomisi ve Türkiye’de Sağlık Hizmetlerinin Yeniden Yapılandırılması. Dokuz Eylül Üniversitesi, Doktora Tezi, İzmir.
  • World Health Organization (WHO). “Ten threats to global health in 2019”, https://www.who.int/emergencies/ten-threats-to-global- health-in-2019 (Erişim Tarihi: 01.11.2020).
  • Fleming, N. (2018). How Artificial intelligence is changing drug discovery. Naature, 557(7707), ss 55-57. Doi: 10.1038/d41586-018-05267-x.
  • Hecht, D. (2011). Applications of Machine Learning and Computational Intelligence to Drug Discovery and Development. Drug Development Research, 72: 53–65.
  • Gavin, B., Hayden, J., Adamis, D., & McNicholas, F. (2020). Caring for the psychological well-being of healthcare professionals in the Covid-19 pandemic crisis. Ir Med J, 113(4), 51.
  • Mesko, B. (2017). Yapay Zekâyla Tıbbi Karar Almak. B. Mesko içinde, Tıbbın Geleceğine Yolculuk (s. 174-183). İstanbul: Optimist Yayın Grubu.
  • Kadri, F., Baraoui, M., & Nouaouri, I. (2019, September). An LSTM-based Deep Learning Approach with Application to Predicting Hospital Emergency Department Admissions. In 2019
  • International Conference on Industrial Engineering and Systems Management (IESM) IEEE. (1-6). İntel. (2018). Sağlık Dönüşümü. https://www.intel.com.tr/content/www/tr/tr/healthcare-it/healthcare-overview.html (Erişim Tarihi: 01.11.2020).
  • Triantafyllidis, A., Polychronidou, E., Alexiadis, A., Rocha, C. L., Oliveira, D. N., da Silva, A. S., Freire, A. L., Macedo, C., Sousa, I. F., Werbet, E., Lillo, E. A., Luengo, H. G., Ellacuría, M. T., Votis, K., & Tzovaras, D. (2020). Computerized decision support and machine learning applications for the prevention and treatment of childhood obesity: A systematic review of the literature. Artificial Intelligence In Medicine, 104.
  • T.C. Sağlık Bakanlığı Sağlık Bilgi Sistemleri Genel Müdürlüğü, FİTAS (Filyasyon ve İzolasyon Takip Sistemi). https://sbsgm.saglik.gov.tr/TR,73584/ fitas.html (Erişim Tarihi: 01.11.2020).
  • Yan, Y. (2020). MCI progression classification for early diagnosis of Alzheimer’s disease using machine learning and deep learning methods. Res. Biomed. 36:311–331.
  • Curioni-Fontecedro, A. (2017). A new era of oncology through artificial intelligence. ESMO Open; 2(2): e000198.
  • Larson, D.B., Chen, M.C., Lungren, M.P., Halabi, S.S., Stence, N.V., Langlotz, C.P. 2018. Performance of a deep-learning neural network model in assessing skeletal maturity on pediatric hand radiographs. Radiology 287, 313–322.
  • Somashekhar, S.P., Sepulveda, M.J., Puglielli, S., Norden, A.D., Shortliffe, E.H., Rohit Kumar, C., Rauthan, A., Arun Kumar, N., Patil, P., Rhee, K., Ramya, Y. 2018. Watson for Oncology and breast cancer treatment recommendations: agreement with an expert multidisciplinary tumor board. Ann. Oncol. 29, 418–423.
  • Long E, Lin H, Liu Z, et al. 2017. An artificial intelligence platform for the multihospital collaborative management of congenital cataracts. Nat Biomed Eng;1. Article number 24
  • . Ting, D. S. W., Pasquale, L. R., Peng, L., Campbell, J. P., Lee, A. Y., Raman, R., ... & Wong, T. Y. (2019). Artificial intelligence and deep learning in ophthalmology. British Journal of Ophthalmology, 103(2), 167-175.
  • Guo J, Li B (2018) The application of medical artificial intelligence technology in rural areas of developing countries, Health Equity 2:1, 174–181.
  • Zheng, L., Lin, F., Zhu, C., Liu, G., Wu, X., Wu, Z., Zheng, J., Xia, H., Cai, Y., & Liang, H. (2020). Machine Learning Algorithms Identify Pathogen-Specific Biomarkers of Clinical and Metabolomic Characteristics in Septic Patients with Bacterial Infections. BioMed Research International, 1–11.
  • Pedrosa, T. Í., Vasconcelos, F. F., Medeiros, L., & Silva, L. D. (2018). Machine Learning Application to Quantify the Tremor Level for Parkinson’s Disease Patients. Procedia Computer Science, 138, 215–220.
  • Muraro, C., Polato, M., Bortoli, M., Aiolli, F., & Orian, L. (2020). Radical scavenging activity of natural antioxidants and drugs: Development of a combined machine learning and quantum chemistry protocol. Journal of Chemical Physics, 153(11), 1.
  • Thadatritharntip, W., & Vongurai, R. (2020). Artificial Intelligence Healthcare: An Empirical Study on Users’ Attitude and Intention to Use toward a Personal Home Healthcare Robot to Improve Health and Wellness Conditions in Bangkok, Thailand. UTCC International Journal of Business & Economics, 12(1), 3–25.
  • Itkonen, P. (2019). Artificial intelligence in Home Care Settings in South Karelia Social and Healthcare District in Finland. 2019 IEEE World Congress on Services (SERVICES), 2642–939X, 238–239.
  • Şensu S, Erdoğan N, Gürbüz, YS. 2020. Patolojide Dijital Çağ ve Yapay Zekâ: Temel Bilgiler. Türkiye Klinikleri J Med Sci; 40(1):104-12.
  • Oral, C. 2011. Sayısal Mamografi Görüntülerine Yapay Zekâ Yöntemlerinin Uygulanması. Doktora Tezi, Ondokuz Mayıs Üniversitesi, Samsun, 35-56.
  • Thinktech STM. İleri Sağlık Teknolojileri I - Akıllı Sağlık Uygulamaları Ve Veri Analizi İle Sağlık Sorunlarını Tanımlamak (Araştırma Raporu 2019). http://thinktech.stm.com.tr (Erişim Tarihi: 01.11.2020).
Toplam 35 adet kaynakça vardır.

Ayrıntılar

Birincil Dil Türkçe
Bölüm Derleme
Yazarlar

Betül Akalın 0000-0003-0402-2461

Ülkü Veranyurt 0000-0003-4838-3373

Yayımlanma Tarihi 29 Haziran 2021
Gönderilme Tarihi 30 Aralık 2020
Yayımlandığı Sayı Yıl 2021 Cilt: 5 Sayı: 1

Kaynak Göster

APA Akalın, B., & Veranyurt, Ü. (2021). Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ. Acta Infologica, 5(1), 231-240.
AMA Akalın B, Veranyurt Ü. Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ. ACIN. Haziran 2021;5(1):231-240.
Chicago Akalın, Betül, ve Ülkü Veranyurt. “Sağlık Hizmetleri Ve Yönetiminde Yapay Zekâ”. Acta Infologica 5, sy. 1 (Haziran 2021): 231-40.
EndNote Akalın B, Veranyurt Ü (01 Haziran 2021) Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ. Acta Infologica 5 1 231–240.
IEEE B. Akalın ve Ü. Veranyurt, “Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ”, ACIN, c. 5, sy. 1, ss. 231–240, 2021.
ISNAD Akalın, Betül - Veranyurt, Ülkü. “Sağlık Hizmetleri Ve Yönetiminde Yapay Zekâ”. Acta Infologica 5/1 (Haziran 2021), 231-240.
JAMA Akalın B, Veranyurt Ü. Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ. ACIN. 2021;5:231–240.
MLA Akalın, Betül ve Ülkü Veranyurt. “Sağlık Hizmetleri Ve Yönetiminde Yapay Zekâ”. Acta Infologica, c. 5, sy. 1, 2021, ss. 231-40.
Vancouver Akalın B, Veranyurt Ü. Sağlık Hizmetleri ve Yönetiminde Yapay Zekâ. ACIN. 2021;5(1):231-40.