Dergiler / Türk Diş Hekimliği Araştırma Dergisi / 2026 / Cilt: 5 Sayı: 2

Sağlıkta Yapay Zeka: Girişimler ve Sorunlar

Artificial Intelligence in Healthcare: Initiatives and Challenges

Hüseyin Ardıl Uytun(EGE ÜNİVERSİTESİ, DİŞ HEKİMLİĞİ FAKÜLTESİ, KLİNİK BİLİMLER BÖLÜMÜ, PROTETİK DİŞ TEDAVİSİ ANABİLİM DALI)0009-0002-8576-4976
Gulcan Coskun Akar(EGE ÜNİVERSİTESİ, DİŞ HEKİMLİĞİ FAKÜLTESİ, KLİNİK BİLİMLER BÖLÜMÜ, PROTETİK DİŞ TEDAVİSİ ANABİLİM DALI)0000-0002-9343-9228
Sayfa
139–147
Yayın Tarihi
2026-05-12
🏛️Bu makalenin bibliyografik verileri ve tam metin bağlantısı DergiPark üzerinden sağlanmıştır.
DergiPark Kaydı ↗
✨

Yapay Zeka Hızlı Bakış & Çıkarımlar

AI Insight
⚡ TL;DR(1 Cümlede Hızlı Çıkarım)

Sağlık hizmetlerinin kişiselleştirilmesi ve etkinliğini artırmak amacıyla bu teknolojilerin güvenilir bir şekilde uygulanabilmesi için düzenlemelerin ve denetim mekanizmalarının güçlendirilmesi önemlidir.

📌 3 Maddede Bu Makale

🎯
Amaç & Hipotez:Bu derleme çalışmasında, sağlık alanında yapay zeka (YZ) uygulamalarının kullanımı; Türkiye ve Dünya’daki teknolojik girişimlerin temelinde, sunduğu yenilikler ve kolaylıklar, bunlarla birlikte olası problemler kapsamlı biçimde ele alınmıştır.
📊
Temel Bulgular & Veri:YZ’nın sağlık sektöründeki kökleri 1960’larda problem çözme üstüne çıkmış olmakla birlikte, günümüzde diş hekimliği dahil sağlık alanlarının birçok dalında teşhis doğruluğunu artırmak, konforlu ve hızlı biçimde tedavi süreçlerini iyileştirmek amacıyla geniş bir uygulama alanı bulmaktadır.
💡
Sonuç & Katkı:Sağlık hizmetlerinin kişiselleştirilmesi ve etkinliğini artırmak amacıyla bu teknolojilerin güvenilir bir şekilde uygulanabilmesi için düzenlemelerin ve denetim mekanizmalarının güçlendirilmesi önemlidir.
🔬Tür:Deneysel Tarla Denemesi
📍Kapsam:Genişletilmiş Akademik Örneklem
⚙️Değişkenler:Makine Öğrenimi · Sağlık Teknolojisi · Yapay Zeka

Özet

Bu derleme çalışmasında, sağlık alanında yapay zeka (YZ) uygulamalarının kullanımı; Türkiye ve Dünya’daki teknolojik girişimlerin temelinde, sunduğu yenilikler ve kolaylıklar, bunlarla birlikte olası problemler kapsamlı biçimde ele alınmıştır. YZ’nın sağlık sektöründeki kökleri 1960’larda problem çözme üstüne çıkmış olmakla birlikte, günümüzde diş hekimliği dahil sağlık alanlarının birçok dalında teşhis doğruluğunu artırmak, konforlu ve hızlı biçimde tedavi süreçlerini iyileştirmek amacıyla geniş bir uygulama alanı bulmaktadır. Bu girişimler, hastalıkların erken teşhisi ve kişiselleştirilmiş sağlık çözümleri gibi alanlarda önemli katkılar sağlamaktadır. Bu yenilikçi teknolojik gelişmeleri sadece yabancı sahalarda değil aynı zamanda Türkiye’de de ilerlediği görülmektedir. Türkiye’deki girişimlerin, hasta verilerinden yola çıkarak teşhis ve tedavi süreçlerini optimize etmeye odaklandığı, uluslararası yabancı girişimlerin ise kanser teşhisi ve tıbbi görüntüleme alanında öne çıktığı görülmektedir. YZ’nın sağlık alanındaki potansiyeline rağmen, veri gizliliği, veri sapması ve şeffaflık eksikliği gibi sorunlar, uygulamaların klinik alandaki güvenilirliği açısından dikkate alınması gereken kritik meselelerdir. Ayrıca, YZ’nın “kara kutu” doğası, yani karar süreçlerinin kullanıcılar tarafından tam olarak anlaşılamaması, uygulamalarının kabulü ve güvenilirliği üzerinde olumsuz bir etki yaratmaktadır. Geliştiricilerin açıklanabilir YZ modelleri kullanmaları ve klinik uygulamalarda modellere aşırı güvenin önlenmesi, YZ’nın sağlık hizmetlerinde güvenli ve etik bir çerçevede kullanılmasına katkı sağlayacaktır. Sağlık hizmetlerinin kişiselleştirilmesi ve etkinliğini artırmak amacıyla bu teknolojilerin güvenilir bir şekilde uygulanabilmesi için düzenlemelerin ve denetim mekanizmalarının güçlendirilmesi önemlidir.

Abstract

This review examines the use of artificial intelligence (AI) applications in healthcare, focusing on the innovations and conveniences they bring, as well as the potential challenges seen in technological initiatives both locally and globally. Although AI was first introduced in to health sector in the 1960s focusing on problemsolving, today it is applied broading in various branches of healthcare, including dentistry, aimed to enhance diagnostic accuracy and treatment processes improvment in a comfortable and rapid manner. These initiatives make significant contributions in areas such as early disease diagnosis and tailored health solutions. Recently, Turkey’s contributions to this field have been notable. Domestic initiatives in Turkey focus on optimizing diagnostic and treatment processes based on patient data, while international initiatives stand out in cancer diagnosis and medical imaging. Despite AI’s potential in healthcare, concerns about its reliability in clinical settings are affected by risks such as data privacy, data bias, and lack of transparency. The “black box” nature of AI, made the decision-making processes vaguely understood by users, which impacts the acceptance and reliability of these applications. The use of explainable AI models by developers and the prevention of excessive reliance on these models in clinical applications will contribute to the safe and ethical integration of AI in healthcare services. To enhance the personalization and effectiveness of healthcare services, it is essential to strengthen regulations and oversight mechanisms to ensure the reliable application of these technologies.

🔖

Bu Makaleye Atıf Yap

Uytun, H. A., Akar, G. C. (2026). Sağlıkta Yapay Zeka: Girişimler ve Sorunlar. Türk Diş Hekimliği Araştırma Dergisi, Cilt: 5 Sayı: 2, 139–147. https://doi.org/10.58711/turkishjdentres.vi.1580882

📄 Tam Metin PDF Okuyucu

📄

PDF görüntüleyici hazırlanıyor...

Kaynakça (42)

  1. Clancey, W. J., & Shortliffe, E. H. (Eds.). (1984). Readings in medical artificial intelligence: the first decade. Addison- Wesley Longman Publishing Co., Inc.
  2. Büyükgöze, S., & Dereli, E. (2019). Dijital sağlık uygulamalarında yapay zekâ. VI. Uluslararası Bilimsel ve Mesleki Çalışmalar Kongresi-Fen ve Sağlık, 7(10).
  3. Fatima, A., Shafi, I., Afzal, H., Díez, I. D. L. T., Lourdes, D. R. S. M., Breñosa, J.,. & Ashraf, I. (2022, October). Advancements in dentistry with artificial intelligence: current clinical applications and future perspectives. In Healthcare (Vol. 10, No. 11, p. 2188). MDPI.
  4. Schwendicke, F. A., Samek, W., & Krois, J. (2020). Artificial intelligence in dentistry: chances and challenges. Journal of dental research, 99(7), 769-774.
  5. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J.,. & Zheng, X. (2016). {TensorFlow}: a system for {Large- Scale} machine learning. In 12th USENIX symposium on operating systems design and implementation (OSDI 16) (pp. 265-283).
  6. Chollet, François. “Keras: The python deep learning library.” Astrophysics source code library (2018): ascl- 1806.
  7. Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G.,. & Chintala, S. (2019). Pytorch: An imperative style, high-performance deep learning library. Advances in neural information processing systems, 32.
  8. Habehh, H., & Gohel, S. (2021). Machine learning in healthcare. Current genomics, 22(4), 291.
  9. Ahmad, M. A., Eckert, C., & Teredesai, A. (2018, August). Interpretable machine learning in healthcare. In Proceedings of the 2018 ACM international conference on bioinformatics, computational biology, and health informatics (pp. 559-560).
  10. yesilscience.com [Internet]. AI ile sağlık analizleri; c2024 [Erişim Tarihi 1 Kasım 2024 Erişim Linki: https:// yesilhealth.com/
  11. Yeşil, Y., Altındiş, M., Toptan, H., Kılbaş, E. P. K., Bircan, O., Özgür, Ö.,. & Köroğlu, M. (2023). Diagnostic evaluation of viral versus bacterial tonsillopharyngitis using an artificial intelligence mobile application and symptom questionnaire. Interdisciplinary Medical Journal, 14(50), 151-157.
  12. labenko.com [Internet], Artificial Intelligence Assisted Automation of Sample and Blood Collection Unit Operation; c2024 [Erişim Tarihi 7 Kasım 2024]. Erişim Linki: https://labenko.com/blog-details02EN.html
  13. Şişman, A. R., Başok, B. İ., Karakoyun, İ., Çolak, A., Bilge, U., Demirci, F., & Başoglu, N. (2024). Measuring the performance of an artificial intelligence–based robot that classifies blood tubes and performs quality control in terms of preanalytical errors: A preliminary study. American Journal of Clinical Pathology, 161(6), 553-560.
  14. Jagtap, R. (2023). CranioCatch: A new ai tool in dentistry. CBCT: Cone Beam Computed Tomography, 9(1).
  15. Uğurlu, M. (2022). Performance of a convolutional neural network-based artificial intelligence algorithm for automatic cephalometric landmark detection. Turkish Journal of Orthodontics, 35(2), 94.
  16. Görürgöz, C., Orhan, K., Bayrakdar, I. S., Çelik, Ö., Bilgir, E., Odabaş, A.,. & Jagtap, R. (2022). Performance of a convolutional neural network algorithm for tooth detection and numbering on periapical radiographs. Dentomaxillofacial Radiology, 51(3), 20210246.
  17. Kılıc, M. C., Bayrakdar, I. S., Çelik, Ö., Bilgir, E., Orhan, K., Aydın, O. B.,. & Yılmaz, A. B. (2021). Artificial intelligence system for automatic deciduous tooth detection and numbering in panoramic radiographs. Dentomaxillofacial Radiology, 50(6), 20200172.
  18. Mistry, P., Stanford-Moore, A., Egger, R., Glickman, J., Baker, B., Chandra, N.,. & Iyer, J. (2023). Characterizing the histologic implications of resmetirom-induced liver volume reduction using artificial intelligence-powered digital pathology. Journal of Hepatology, 78, S790.
  19. Jhun, I., Croix, D., Walk, E., Kinsey S. (2023). Clinical Validation of an Artificial Intelligence Algorithm for PDL1 Quantification in Non-Small Cell Lung Cancer (Poster No. 99)
  20. Kizilkaya, B., Gonder, A., Basmaci, F., Kilicarslan, M. A., Pamuk, B. K., Cagiltay, N. E.,. & Topalli, D. A Temporomandibular Joint Course with Metaverse Experience. GROUP 5 (TR), 104, 112 International Eastern Conference on Human Computer Interaction (IECHCI) Conference; 2023 Nov 23-25 TR, Erzurum.
  21. Bhardwaj, R., Nambiar, A. R., & Dutta, D. (2017, July). A study of machine learning in healthcare. In 2017 IEEE 41st annual computer software and applications conference (COMPSAC) (Vol. 2, pp. 236-241). IEEE.
  22. Hamid, S. (2016). The opportunities and risks of artificial intelligence in medicine and healthcare
  23. Dhanak, N., Chougule, V. T., Nalluri, K., Kakkad, A., Dhimole, A., & Parihar, A. S. (2024). Artificial intelligence enabled smart phone app for real-time caries detection on bitewing radiographs. Bioinformation, 20(3), 243.
  24. Chen, Y. W., Stanley, K., & Att, W. (2020). Artificial intelligence in dentistry: current applications and future perspectives. Quintessence Int, 51(3), 248-57.
  25. Schramm, D. C., Abdul-Hamid, A., Ramsden, J., & Mathew, R. (2024). Proximie in the operating theatre: evaluation of a virtual operating platform for medical student education. The Annals of The Royal College of Surgeons of England.
  26. Karim, J. S., Hachach‐Haram, N., & Dasgupta, P. (2020). Bolstering the surgical response to COVID‐19: how virtual technology will save lives and safeguard surgical practice. BJU international, 125(6), E18.
  27. Sunarti, S., Rahman, F. F., Naufal, M., Risky, M., Febriyanto, K., & Masnina, R. (2021). Artificial intelligence in healthcare: opportunities and risk for future. Gaceta sanitaria, 35, S67-S70.
  28. Reddy, S., Allan, S., Coghlan, S., & Cooper, P. (2020). A governance model for the application of AI in health care. Journal of the American Medical Informatics Association, 27(3), 491-497.
  29. Asan, O., Bayrak, A. E., & Choudhury, A. (2020). Artificial intelligence and human trust in healthcare: focus on clinicians. Journal of medical Internet research, 22(6), e15154.
  30. Naik, N., Hameed, B. Z., Shetty, D. K., Swain, D., Shah, M., Paul, R.,. & Somani, B. K. (2022). Legal and ethical consideration in artificial intelligence in healthcare: who takes responsibility?. Frontiers in surgery, 9, 862322.
  31. Clancey, W. J., & Shortliffe, E. H. (Eds.). (1984). Readings in medical artificial intelligence: the first decade. Addison- Wesley Longman Publishing Co., Inc.
  32. Fatima, A., Shafi, I., Afzal, H., Díez, I. D. L. T., Lourdes, D. R. S. M., Breñosa, J.,. & Ashraf, I. (2022, October). Advancements in dentistry with artificial intelligence: current clinical applications and future perspectives. In Healthcare (Vol. 10, No. 11, p. 2188). MDPI.
  33. Abadi, M., Barham, P., Chen, J., Chen, Z., Davis, A., Dean, J.,. & Zheng, X. (2016). {TensorFlow}: a system for {Large- Scale} machine learning. In 12th USENIX symposium on operating systems design and implementation (OSDI 16) (pp. 265-283).
  34. Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G.,. & Chintala, S. (2019). Pytorch: An imperative style, high-performance deep learning library. Advances in neural information processing systems, 32.
  35. yesilscience.com [Internet]. AI ile sağlık analizleri; c2024 [Erişim Tarihi 1 Kasım 2024 Erişim Linki: https:// yesilhealth.com/
  36. Yeşil, Y., Altındiş, M., Toptan, H., Kılbaş, E. P. K., Bircan, O., Özgür, Ö.,. & Köroğlu, M. (2023). Diagnostic evaluation of viral versus bacterial tonsillopharyngitis using an artificial intelligence mobile application and symptom questionnaire. Interdisciplinary Medical Journal, 14(50), 151-157.
  37. labenko.com [Internet], Artificial Intelligence Assisted Automation of Sample and Blood Collection Unit Operation; c2024 [Erişim Tarihi 7 Kasım 2024]. Erişim Linki: https://labenko.com/blog-details02EN.html
  38. Görürgöz, C., Orhan, K., Bayrakdar, I. S., Çelik, Ö., Bilgir, E., Odabaş, A.,. & Jagtap, R. (2022). Performance of a convolutional neural network algorithm for tooth detection and numbering on periapical radiographs. Dentomaxillofacial Radiology, 51(3), 20210246.
  39. Kılıc, M. C., Bayrakdar, I. S., Çelik, Ö., Bilgir, E., Orhan, K., Aydın, O. B.,. & Yılmaz, A. B. (2021). Artificial intelligence system for automatic deciduous tooth detection and numbering in panoramic radiographs. Dentomaxillofacial Radiology, 50(6), 20200172.
  40. Mistry, P., Stanford-Moore, A., Egger, R., Glickman, J., Baker, B., Chandra, N.,. & Iyer, J. (2023). Characterizing the histologic implications of resmetirom-induced liver volume reduction using artificial intelligence-powered digital pathology. Journal of Hepatology, 78, S790.
  41. Kizilkaya, B., Gonder, A., Basmaci, F., Kilicarslan, M. A., Pamuk, B. K., Cagiltay, N. E.,. & Topalli, D. A Temporomandibular Joint Course with Metaverse Experience. GROUP 5 (TR), 104, 112 International Eastern Conference on Human Computer Interaction (IECHCI) Conference; 2023 Nov 23-25 TR, Erzurum.
  42. Naik, N., Hameed, B. Z., Shetty, D. K., Swain, D., Shah, M., Paul, R.,. & Somani, B. K. (2022). Legal and ethical consideration in artificial intelligence in healthcare: who takes responsibility?. Frontiers in surgery, 9, 862322.