Acil Tıpta Yapay Zeka İçin Etik, Hukuki ve Regülasyon Süreçleri
Özet
Yapay zekâ teknolojisi, sağlık hizmetlerinde hızlı ilerleme kaydetmekte ve acil tıp alanında hasta bakım kalitesini artırmaktadır. Bununla birlikte, yapay zekâ uygulamalarının etik, hukuki ve regülasyon boyutları giderek önem kazanmaktadır. Bu bölümde, yapay zekânın acil serviste kullanım alanları, karşılaşılan güçlükler ve doğurduğu medikolegal sorumluluklar ele alınmıştır. Triyaj, radyoloji, hasta izlem ve belgeleme süreçlerinde kullanılan yapay zekâ sistemlerinin, karar verme sürecine katkı sağlayarak iş yükünü azalttığı ve insan hatasını en aza indirdiği görülmektedir. Ancak mevcut teknolojik sınırlar nedeniyle bu sistemlerin tamamen otonom biçimde çalışması mümkün değildir. Yapay zekâ algoritmalarının hatalı karar verebilme olasılığı, etik ve hukuki sorunları da beraberinde getirmektedir. Türk hukuk sisteminde sağlık alanında yapay zekâya ilişkin özel bir düzenleme bulunmamakla birlikte, mevcut mevzuat çerçevesinde tıbbi müdahalenin yalnızca hekimlerce yapılabileceği kabul edilmektedir. Bu nedenle, yapay zekânın insan denetimi olmadan kullanılması hukuken uygun değildir. Kişisel sağlık verilerinin korunması ise KVKK ve TCK hükümleri kapsamında değerlendirilmekte, yapay zekâ sistemlerini geliştiren, üreten ve kullananlara hukuki ve cezaisorumluluk yüklemektedir. Sonuç olarak, sağlık alanında yapay zekâ uygulamaları önemli fırsatlar sunmakta; ancak insan kontrolü, etik denge ve yasal düzenlemelerin güçlendirilmesi hayati önem taşımaktadır.
Referanslar
Sağıroğlu E, Tosun H. Yapay zekânın sağlık uygulamalarındaki kullanımı ve etik açıdan tartışılması: Geleneksel derleme. Türkiye Klinikleri Tıp Etiği-Hukuku-Tarihi Dergisi. 2023;31(2).
Yılmaz A. Yapay Zeka. İstanbul: Kodlab Yayıncılık; 2022.
Demirhan A, Kılıç YA, Güler İ. Tıpta yapay zeka uygulamaları. Yoğun Bakım Dergisi. 2010;9(1).
McCarthy J. What is artificial intelligence? Accessed June 25, 2025. http://wwwformal.stanford.edu/jmc/whatisai.pdf
Communication from the Commission to the European Parliament, the European Council, the Council, the European Economic and Social Committee and the Committee of the Regions. Artificial Intelligence for Europe. Accessed June 25, 2025. https://eurlex.europa.eu/legal-content/EN/TXT/PDF/?uri=CELEX:52018DC0237
Kaplan A, Haenlein M. Siri, Siri, in my hand: Who’s the fairest in the land? On the interpretations, illustrations, and implications of artificial intelligence. Bus Horiz. 2019;62(1):15-25. doi:10.1016/J.BUSHOR.2018.08.004
Haenlein M, Kaplan A. A brief history of artificial intelligence: On the past, present, and future of artificial intelligence. Calif Manage Rev. 2019;61(4):5-14. doi:10.1177/0008125619864925
Eliza (elizabot.js). Accessed September 16, 2021. https://www.masswerk.at/elizabot/
Campbell M, Hoane AJ, Hsu F-H. Deep Blue. Artif Intell. 2002;134:57-83.
Morris RGM. D.O. Hebb: The Organization of Behavior, Wiley: New York; 1949. Brain Res Bull. 1999;50(5-6):437. doi:10.1016/S0361-9230(99)00182-3
Silver D, Huang A, Maddison CJ, et al. Mastering the game of Go with deep neural networks and tree search. Nature. 2016;529(7587):484-489. doi:10.1038/nature16961
Shafaf N, Malek H. Applications of Machine Learning Approaches in Emergency Medicine; a Review Article. Arch Acad Emerg Med. 2019;7(1):1-9. Accessed September 19, 2021. /pmc/articles/PMC6732202/
Stead WW. Clinical Implications and Challenges of Artificial Intelligence and Deep Learning. JAMA. 2018;320(11):1107-1108. doi:10.1001/JAMA.2018.11029
AI for Patient Consultations. Accessed September 19, 2021. https://www.corti.ai/
Stewart J, Sprivulis P, Dwivedi G. Artificial intelligence and machine learning in emergency medicine. Emerg Med Australas. 2018;30(6):870-874. doi:10.1111/1742-6723.13145
Berlyand Y, Raja AS, Dorner SC, et al. How artificial intelligence could transform emergency department operations. Am J Emerg Med. 2018;36(8):1515-1517. doi:10.1016/j.ajem.2018.01.017
National Center for Health Statistics. National Hospital Ambulatory Medical Care Survey: 2014 Emergency Department Summary Tables. Accessed September 20, 2021. http://www.cdc.gov/nchs/ahcd/ahcd_survey_instruments.htm#nhamcs
Levin S, Toerper M, Hamrock E, et al. Machine-Learning-Based Electronic Triage More Accurately Differentiates Patients With Respect to Clinical Outcomes Compared With the Emergency Severity Index. Ann Emerg Med. 2018;71(5):565-574.e2. doi:10.1016/j.annemergmed.2017.08.005
Sun Y, Heng BH, Seow YT, et al. Forecasting daily attendances at an emergency department to aid resource planning. BMC Emerg Med. 2009;9. doi:10.1186/1471-227X-9-1
Jones SS, Evans RS. An agent based simulation tool for scheduling emergency department physicians. AMIA Annu Symp Proc. 2008:338-342.
Li Y-H, Zhang L, Hu Q-M, et al. Automatic subarachnoid space segmentation and hemorrhage detection in clinical head CT scans. Int J Comput Assist Radiol Surg. 2011;7(4):507-516. doi:10.1007/S11548-011-0664-3
Yuh EL, Gean AD, Manley GT, et al. Computer-aided assessment of head computed tomography (CT) studies in patients with suspected traumatic brain injury. J Neurotrauma. 2008;25:1163-1172. doi:10.1089/neu.2008.0590
Xiao F, Liao CC, Huang KC, et al. Automated assessment of midline shift in head injury patients. Clin Neurol Neurosurg. 2010;112(9):785-790. doi:10.1016/J.CLINEURO.2010.06.020
Sjogren AR, Leo MM, Feldman J, et al. Image segmentation and machine learning for detection of abdominal free fluid in focused assessment with sonography for trauma examinations: A pilot study. J Ultrasound Med. 2016;35(11):2501-2509. doi:10.7863/ultra.15.11017
Knackstedt C, Bekkers SCAM, Schummers G, et al. Fully Automated Versus Standard Tracking of Left Ventricular Ejection Fraction and Longitudinal Strain: The FAST-EFs Multicenter Study. J Am Coll Cardiol. 2015;66(13):1456-1466. doi:10.1016/j.jacc.2015.07.052
NH C. Ambient virtual scribes: Mutuo Health’s AutoScribe as a case study of artificial intelligence-based technology. Healthc Manage Forum. 2020;33(1):34-38. doi:10.1177/0840470419872775
Shashikumar SP, Stanley MD, Sadiq I, et al. Early sepsis detection in critical care patients using multiscale blood pressure and heart rate dynamics. J Electrocardiol. 2017;50(6):739-743. doi:10.1016/j.jelectrocard.2017.08.013
Muniz GW, Wampler DA, Manifold CA, et al. Promoting early diagnosis of hemodynamic instability during simulated hemorrhage with the use of a real-time decision-assist algorithm. J Trauma Acute Care Surg. 2013;75(2 Suppl 2). doi:10.1097/TA.0B013E31829B01DB
Zhang PI, Hsu CC, Kao Y, et al. Real-time AI prediction for major adverse cardiac events in emergency department patients with chest pain. Scand J Trauma Resusc Emerg Med. 2020;28(1):1-7. doi:10.1186/S13049-020-00786-X
Naylor CD. On the Prospects for a (Deep) Learning Health Care System. JAMA. 2018;320(11):1099-1100. doi:10.1001/JAMA.2018.11103
Grant K, McParland A, Mehta S, Ackery AD. Artificial Intelligence in Emergency Medicine: Surmountable Barriers With Revolutionary Potential. Ann Emerg Med. 2020;75(6):721-726. doi:10.1016/j.annemergmed.2019.12.024
Aslam AA, Tsou MH, Spitzberg BH, et al. The reliability of tweets as a supplementary method of seasonal influenza surveillance. J Med Internet Res. 2014;16(11). doi:10.2196/jmir.3532
Burnap P, Colombo G, Amery R, et al. Multi-class machine classification of suicide-related communication on Twitter. Online Soc Networks Media. 2017;2:32-44. doi:10.1016/J.OSNEM.2017.08.001
Grant K, McParland A. Applications of artificial intelligence in emergency medicine. Univ Toronto Med J. 2019;96(1):37-39.
Caşın MH, Al D, Başkır ND. Yapay zekâ ve robotların eylemlerinden kaynaklanan cezai sorumluluk sorunu. Ankara Barosu Dergisi. 2021;79(1).
Köken E. Yapay zekânın cezai sorumluluğu. Türkiye Adalet Akademisi Dergisi. 2021;(47).
Benli E, Şenel G. Yapay zekâ ve haksız fiil hukuku. Ankara Sosyal Bilimler Üniversitesi Hukuk Fakültesi Dergisi. 2020;2(2).
Sarı. Yapay zekânın sebep olduğu zararlardan doğan sorumluluk. TBB Dergisi 2020;(147).
Özcan Z. Hastane işletmecisinin enfeksiyon riskine bağlı tehlike sorumluluğu. Ankara Üniversitesi Hukuk Fakültesi Dergisi. 2014;63(3).
Caşın MH, Al D, Başkır ND. Yapay zekâ ve robotların eylemlerinden kaynaklanan cezai sorumluluk sorunu.
Türk Tabipler Birliği Merkez Konseyi. Hekimlik meslek etiği kuralları. Ankara: Türk Tabipler Birliği Yayınları; 2012.
Diri F. Malpraktis davaları bakımından ceza yargılamasının hukuk yargılamasına etkisi. In: Keçeligil HT, editor. 9. Uluslararası Asos Congress Hukuk Sempozyumu Tam Metin Kitabı. Elazığ: Asos Yayınları; 2023.
Dülger MV. Yapay zekalı varlıkların hukuk dünyasına yansıması: Bu varlıkların hukuki statüleri nasıl belirlenmeli? Terazi Hukuk Dergisi. 2018;13(142).
