Yapay Zekâ Doktoru: Diyabet Tedavisindeki İnovatif Çözümler

Diyabet, dünya genelinde önemli bir sağlık sorunudur ve çok geniş bir kitleyi etkiler. Öyle ki Uluslararası Diyabet Federasyonu’nun (International Diabetes Federation, IDF) 2021 verilerine göre; tüm dünyada yaklaşık 537 milyon yetişkin (20-79 yaş arası) diyabetle yaşamaktadır. Bir başka deyişle, her 14 erişkinden birinde diyabet vardır ve sayının git gide artacağı ön görülmektedir.¹

Diyabetin beraberinde getirdiği komplikasyonlar ise hasta hayatının kalitesini düşürebilmektedir bu yüzden diyabette hastanın hayat konforunu arttırmak için hastalığın tanı, tedavi ve yönetiminde yapılan çalışmalar oldukça önemlidir.² 

Son yıllarda yapay zekâ (AI) kavramının gelişmesi ile beraber hastalıkların tanı ve tedavisinde yapay zekanın hasta hayat konforunu arttırmada benzersiz faydalar sunabileceği görüldü.³

Geleneksel Diyabet Tedavisindeki Mevcut Sorunlar:

1970’lerde diyabet tedavisinde hastalara diyabet eğitimi verilmesinin tedavide büyük bir önemi olduğu anlaşıldı.⁴ ABD, Çin, İngiltere gibi devletler diyabet hasta ve yakınlarına diyabet eğitimi vererek onların tedaviye olan uyuncunun arttırmayı hedeflese de yakın tarihli bir araştırmada, hastaların nispeten büyük bir yüzdesinin eğitim programlarına katılmayı zaman yetersizliği, okul ve iş gibi sebeplerden dolayı reddettiği ortaya çıktı.⁵

Ek olarak, bir çevrimdışı diyabet eğitim programı aynı anda sadece 10-20 hastaya hizmet edebilirken, dünya genelinde diyabet uzmanları, hemşireler ve diyabet eğitim personeli konusunda bir sıkıntı yaşanmaktadır. Bu durum, uzun vadeli ve hastaya özel ihtiyaçların karşılanabilmesi için etkinliği ve kapsamı artırmak amacıyla yeni eğitim müdahale yöntemlerinin ve modellerinin araştırılması gerektiğini göstermektedir.

Diyabet Yönetiminde Yapay Zekâ Uygulamalarının Kullanımı:

Yapay zekâ tabanlı diyabet eğitimi, düşük maliyet, kolay uygulama, geniş kapsam, esnek doktor-hasta etkileşimi, tekrarlanan çabalardan kaçınma, sağlık personelinin iş yükünün azaltılması ve etkinliğin artırılması gibi önemli avantajlar sunar. 

Mevcut AI teknolojileri, diyabet tahmini, yaşam tarzı rehberliği, insülin enjeksiyonu yönlendirmesi, kan şekeri izleme, kendi kendine yönetim ve komplikasyon izlemeye odaklanmaktadır.⁵

Diyabet Risk Tahmini:

Yapay Zekâ ile diyabet risk gelişimini tahmin etmek isteyen İngiliz akademisyenler Mani, Clayton, Chen ve arkadaşları oldukça geniş çaplı bir çalışma yaptı. Bu çalışmada tip2 diyabete sahip olan 2.000 hastadan alınan elektronik tıbbi kayıt verileriyle birlikte çeşitli makine öğrenimi algoritmaları kullanarak bir sistem geliştirdiler.5 Geliştirdikleri sistem ile 6 aylık ve bir yıllık diyabet riskini tahmin etmede %80 oranında başarılı oldular. Bu sonuçta diyabeti otomatik olarak tahmin etmek ve yüksek diyabet riski taşıyan kişileri belirlemek için elektronik tıbbi kayıt verilerinin kullanılmasının uygulanabilirliğini gösterdi.

Diyabet Hastaları İçin Yaşam Tarzı Rehberi:

Diyabet hastalarında bireysel diyetler oldukça önemlidir çünkü karbonhidrat alımının hesaplanması ve insülin dozajının ayarlanması hastalar tarafından gerçekleştirilir. Bu işlemi kolaylaştırmak için bazı uygulamalar vardır. Yemek Ölçer gibi cihazlar, diyet analizine yardımcı olur. Grafik Analiz Teknolojileri, diyet içeriğini hızlı bir şekilde analiz etmek için kullanılır.

Yazılım uygulamaları, hastaların akıllı telefonlarını kullanarak beslenme bilgilerini elde etmelerine yardımcı olur. Derin öğrenme ve uzaktan iletişim teknolojileri, yemek fotoğraflarının analiz edilmesi ve besin alımının otomatik olarak değerlendirilmesi için kullanılır. Giyilebilir cihazlar, egzersiz seviyelerini izlemek ve glikoz seviyelerindeki değişiklikleri takip etmek için kullanılır.⁷ Bu yöntemler, bireyselleştirilmiş diyetlerin etkinliğini artırırken, sağlık uzmanlarının iş yükünü azaltır.

 
İnsülin Enjeksiyonu Rehberi:

Tip1 diyabetli hastalar için ömür boyu insülin bağımlılığı tek etkili tedavidir. İnsülin dozajının hesaplanması için karbonhidrat katsayısı, insülin duyarlılık katsayısı ve kan şekeri değerleri bilinmelidir. Bu işlemi daha kısa hale getirmek için Bergenstal ve arkadaşları Yapay Zekâ teknolojilerini kullanarak insülin dozunu ayarlamada hastaya kolaylık sağlamak için bir insülin rehberlik sistemi geliştirdiler.⁸ Bu sistem, glikoz seviyelerini izleyerek hastalara insülin dozu tavsiyelerinde bulunur. Bu sistemle ayarlanan insülin dozlarında başarılı sonuçlar elde edilmiştir.

Ayrıca, Birleşik Krallık'ta CamAPS FX adlı bir uygulama, yapay pankreas olarak adlandırılan insülin dozajını otomatik olarak hesaplayan dünyanın ilk uygulaması haline gelmiştir. Bu gelişmeler, insülin tedavisiyle yaşayan diyabet hastalarının metabolik kontrolünü büyük ölçüde iyileştirecektir.

Kan Şekeri Takibi: 

Kan şekeri takibi, diyabet tedavisinin olmazsa olmaz bir parçasıdır. Bu işlemi daha kolay ve hekimler tarafından takip edilebilir hale getirmek için Amerika Birleşik Devletleri'nde, bir akıllı telefon yazılımı uygulaması olan WellDoc diyabet yönetim sistemi geliştirildi ve geliştirilen bu uygulama FDA tarafından onay aldı. Öyle ki ABD’de çoğu sağlık sigortası türü tarafından karşılanan bir uygulama haline geldi.

WellDoc sistemi ile doktorlar hastaların günlük kan şekerini gerçek zamanlı olarak takip edebilir ve kişiselleştirilmiş geri bildirim ve öneriler sunabilir. Benzer şekilde, Çin'de TTQ adlı bir mobil sağlık uygulaması tip1 diyabet hastalarının tedavisinde etkili bir iletişim ve tedavi disiplini aracı olarak kullanılabilmektedir.⁹

Diyabet Komplikasyonlarının Takibi:

Diyabet; retinopati, diyabetik ayak gibi çok sayıda komplikasyonla karakterize olan bir hastalıktır. Yapay Zekâ ile diyabet hastalarının komplikasyonları daha iyi takip edebilmelerini sağlamak için bazı uygulamalar geliştirilmiştir.

2017 yılında yapılan bir çalışmada akademisyen Takashi ve arkadaşları, diyabetik retinopatilerin ciddiyetini derecelendirmek için kullanılabilecek yeni bir AI hastalık derecelendirme sistemi hazırladı ve bu sistemin kullanılabildiğini doğruladı.¹⁰

Benzer şekilde, 2018 yılında diyabetik ayak görüntülerini standart hale getirmek için "FootSnap" adlı bir mobil uygulama geliştirildi. Uygulama termal görüntüleri analiz eden bir algoritma ile çalışıyordu ve nerdeyse mükemmele yakın bir şekilde diyabetik ayak’ı tahmin edebildiği gözlemlendi.

Yapay Zekâ uygulamaları her ne kadar gelecek için büyük bir umut olsa da bazı zorlukları da mevcuttur. Sağlık çalışanları ve hastalar teknolojik gelişmelere ayak uydurmakta zaman zaman sorunlar yaşamaktadır. Bunun yanı sıra AI uygulamaları için teknolojik, felsefi, etik ve yasal zorluklar da mevcuttur. Bu zorlukların üstesinden gelmek için daha fazla bilimsel araştırma, düzenleme ve standardizasyon gerekmektedir. Bununla birlikte, AI'nın tıbbi uygulamaları hızla ilerlemekte ve gelecekte diyabet eğitiminde bireyselleştirilmiş ve akıllı uygulamaların kullanılmasıyla hastalara rehberlik ve koruma sağlanabileceği düşünülmektedir.

Kaynakça:

1. International Diabetes Federation. Diabetes Atlas, 10th Ed, IDF Press, Bruxelles: 2021. Available at https://diabetesatlas.org/atlas/tenth-edition/. Accessed on Dec 15th, 2021. ISBN 978–2–930229–98–0.
2. Contreras I, Vehi J. Diyabet yönetimi ve karar desteği için yapay zekâ: literatür taraması. J Med İnternet Arş. (2018) 20:e10775. doi: 10.2196/10775
3. Camarillo DB, Krummel TM, Salisbury JK Jr. Cerrahide robotik teknoloji: geçmiş, bugün ve gelecek. Ben J Surg. (2004) 188(4A Ek):2s−15s. doi: 10.1016/j.amjsurg.2004.08.025
4. Muhlhauser I, Jorgens V, Berger M, Graninger W, Gurtler W, Hornke L, et al. Tip 1 (insüline bağımlı) diyabetik hastalar için bir öğretim ve tedavi programının iki merkezli değerlendirmesi: 22 aya kadar metabolik kontrolün ve diğer diyabet bakımı önlemlerinin iyileştirilmesi. diyabetoloji. (1983) 25:470–6. doi: 10.1007/BF00284453
5. Horigan G, Davies M, Findlay-White F, Chaney D, Coates V. Diyabet eğitim programlarına yönlendirilen hastaların katılmamayı seçme nedenleri: sistematik bir derleme. Diyabetik Med. (2017) 34:14–26. doi: 10.1111/dme.13120
6. Mani S, Chen Y, Elasy T, Clayton W, Denny J. Makine öğrenimi kullanılarak EMR verilerinden Tip 2 diyabet riski tahmini. AMIA. (2012) 2012:606–15.
7. Rivellese AA, Ventura MM, Vespasiani G, Bruni M, Moriconi V, Pacioni D, et al. IDDM hastalarında 7 günlük gıda alımını kaydetmek için yeni bilgisayarlı yöntemin değerlendirilmesi. Diyabet bakımı. (1991) 14:602–4. doi: 10.2337/diacare.14.7.602
8. Bergenstal RM, Johnson M, Passi R, Bhargava A, Young N, Kruger DF, et al. Tip 2 diyabetli hastalarda insülin yönetimini optimize etmek için otomatik insülin dozlama kılavuzu: çok merkezli, randomize kontrollü bir çalışma. Lancet. (2019) 393:1138–48. doi: 10.1016/S0140-6736(19)30368-X
9. Ling P, Luo S, Yan J, Zheng X, Yang D, Zeng X ve ark. Çin'de tip 1 diyabet yönetiminde mobil sağlık uygulaması TangTangQuan'ın tasarımı ve ön değerlendirmesi. Am Diyabet Doç. (2018) 67 (Ek 1). doi: 10.2337/db18-860-P
10. Takahashi H, Tampo H, Arai Y, Inoue Y, Kawashima H. Hastalık evrelemesine yapay zeka uygulamak: diyabetik retinopatinin gelişmiş evrelemesi için derin öğrenme. PLoS BİR. (2017) 12:e0179790. doi: 10.1371/journal.pone.0179790