Bir meslektaşınızın tanı sürecinde yapay zeka aracı kullandığını öğrendiğinizde ilk tepkiniz ne oluyor? Merak mı, yoksa içten bir şüphe — "kendi başına düşünemedi mi?" gibi bir şey? Bu soruyu ben de kendime soruyorum. Dürüst cevap her zaman masum çıkmıyor.
Yapay zeka sağlık alanına giriyor, bu tartışmasız. Konferanslarda sunuluyor, dergilerde yayımlanıyor, hastanelerin pazarlama materyallerine giriyor. Ama kliniğe girmiyor — en azından beklenen hızda değil. Araçlar geliyor, piyasaya çıkıyor ve büyük çoğunlukla asistan odasına kadar ulaşamadan duruyor. Bunun sebebi teknik bir yetersizlik değil. Çok daha karmaşık, çok daha insani bir şey.
Herkes "Evet" Diyor, Kimse Kullanmıyor
İran'da 165 hekim ve 72 tıp öğrencisiyle yapılan ankette katılımcıların %97,4'ü yapay zekanın tıpta gerekli olduğunu düşündüğünü söyledi.1 Neredeyse herkes. Ama aynı çalışmada gerçek kullanım pratikleri tutumların çok gerisinde kaldı — özellikle 50-65 yaş arasındaki hekimlerde fark belirgin ve ölçülebilirdi.
Benzer tablo Danimarka'dan da geliyor. Aile hekimleriyle yapılan yakın tarihli bir ankette yapay zeka benimseme niyeti genel olarak yüksek çıktı, ama güven, altyapı ve kaygı puanları düşük kaldı.2 İki farklı coğrafyadan aynı tablo: söylemek başka, yapmak başka.
"Tembellik" Damgası: Görünmez Sosyal Baskı
Birincil bakımda yapay zeka kullanımına dair 13 kalitatif çalışmayı kapsayan sistematik bir derleme, hekimlerin neden direndiğini doğrudan alıntılarla ortaya koyuyor.3 Dört tema öne çıkıyor: hekim-hasta ilişkisinin dönüşümüne dair kaygı, iş yükünün artacağı endişesi, veri gizliliği sorunları ve yapısal engeller. Dördü de farklı gerekçeler taşıyor ama hepsinin altında aynı soru var: neden güveneyim?
Güven sorunu tek boyutlu değil. Bir boyutu teknik — sisteme duyulan güven. Ama bir diğeri sosyal; Türkiye'de bu ikincisi çok daha ağır basıyor. Tıp kültüründe klinisyen deneyimi ve sezgisi kutsaldır. Bir araca başvurmak, bu sezgiye olan güvensizliğin işareti gibi okunabilir. "Bu karar nasıl aldın?" sorusu bazen meraktan sorulur, ama arkasında yargı taşır. Bu yargı dile getirilmeden de davranışı şekillendirir.
Türkiye'de hiyerarşik tıp kültürü ve deneyime verilen ağırlık bu baskıyı özellikle keskin kılıyor. Asistan YZ'ye bakarak karar verirse üst ne düşünür? Pratisyen bunu hastaya söylerse hasta ne hisseder? Bu sorular sessize alınır ama davranışı şekillendirir — araç açılmaz ve gerekçe hiçbir zaman tam dile gelmez.
Teknolojinin ne kadar iyi olduğu değil, onu kullananın nasıl algılanacağı korkusu benimsemeyi yavaşlatıyor. Bu soyut bir kaygı değil — araştırmacıların "sosyal etki" adını verdiği, ölçülmüş ve tekrarlanan bir engel.
Kara Kutu: "Neden?" Sorusuna Cevap Yok
Muayenede bir YZ aracı "bu hastada kanama riski yüksek" diyor. Peki neden? Hangi değişken bu sonucu doğurdu? Yaşı mı, ilaçları mı, laboratuvar değerleri mi, yoksa bunların bir kombinasyonu mu? Çoğu sistem bu soruyu yanıtsız bırakıyor. İşte bu "kara kutu" sorunu.
Sorun soyut değil. Birincil bakımda YZ engellerini inceleyen sistematik derleme, hekimlerin açıklanamayan kararları benimsemekte neden zorlandığını net biçimde ortaya koyuyor: klinisyen, anlamadığı bir kararın sorumluluğunu alamaz.3 "Sistem önerdi, ben de uyguladım" hukuki bir savunma değil — çünkü imza hekime ait. Sistem neden o kararı verdiğini söylemediği sürece bu gerilim çözülmez.
Durumu daha da girift yapan şu: kararını açıklayan sistemler genellikle daha az doğrulukla çalışıyor. Derin öğrenme modelleri güçlüdür ama opaktır; basit karar ağaçları şeffaftır ama sınırlıdır. Hekim bu ikilemle baş başa kalıyor — ya güçlü ama anlaşılmaz bir sistem, ya da anlaşılır ama yetersiz bir sistem. Her iki seçenek de hekimi tam olarak tatmin etmiyor.
Hekim sonuçtan sorumlu, ama kararın mantığını açıklayamıyor. Bu gerilim çözülmeden güven kurulamaz — ve güven kurulmadan benimseme gerçekleşmez.
Hasta Verisi Nereye Gidiyor?
Bu soru soyut değil, pratik. Muayenede bir hastanın semptomlarını, yaşını, özgeçmişini bir YZ aracına girdiğinizde o veri hangi sunucuya ulaşıyor? Kim erişebiliyor? Modeli geliştirmek için kullanılıyor mu? Bu bilgi çoğu durumda kullanım koşullarının derinliklerine gömülü, kimsenin okumadığı satırlar arasında kaybolup gidiyor.
21 ülkeden 115 sağlık profesyoneliyle yapılan geniş kapsamlı ankette katılımcıların %62'si veri şifrelemesini, %51,5'i ise erişim kontrolünü temel güvenlik gereklilikleri olarak tanımladı. Aynı çalışmada hasta mahremiyeti ve veri güvenliği kaygıları benimsemenin önündeki başlıca engeller arasında yer aldı.4
Türkiye'de bu kaygı özel bir ağırlık taşıyor. Yaygın olarak kullanılan YZ sağlık araçlarının büyük bölümü yabancı şirketlere ait ve sunucuları Türkiye dışında. KVKK sağlık verisini özel nitelikli kişisel veri olarak tanımlar ve yurt dışına aktarımı açık rıza koşuluna bağlar. Ancak pratikte bu rızanın nasıl alındığı, verinin gerçekten korunup korunmadığı ve kimin denetlediği belirsizliğini koruyor. Bir hekim olarak bunu bildiğinizde, aracı açmadan önce bir an duraksıyorsunuz. Ve o duraksamada çoğu zaman karar "geçeyim" yönünde değil.
Yabancı bir YZ aracına hasta verisi girildiğinde bu veri hangi ülkenin hukuku kapsamında işleniyor? Sorun çıktığında hangi kuruma başvurulabilir? KVKK bu senaryoyu tam olarak kapsıyor mu? Bu soruların yanıtı şu an net değil — ve bu belirsizlik, uygulamada somut bir fren işlevi görüyor.
Türkiye'ye Özgü Katmanlar
Bunlar dünyanın her yerinde geçerli engeller. Ama Türkiye'de bunların üstüne yerel koşullar biniyor ve tablo daha da girift bir hal alıyor.
Birincisi altyapı meselesi. Kamu hastanelerinin büyük çoğunluğunda kapalı mimarili Hastane Bilgi Yönetim Sistemleri kullanılıyor. Bir YZ aracını bu iş akışına entegre etmek kurumsal bir karar, yazılım geliştirme kapasitesi ve ciddi bir teknik müdahale gerektiriyor. Bireysel hekim bu adımı kendi başına atamıyor; sağlık kurumu almasa araç olmaz.
İkincisi eğitim boşluğu. Tıp fakültesi müfredatında yapay zeka okuryazarlığı sistematik biçimde yer almıyor. Mezun olan hekim YZ'nin nasıl çalıştığını, hangi durumlarda yanıltabileceğini, bir çıktıyı nasıl yorumlaması gerektiğini öğrenmemiş. Bilmediği bir araca güvenmesi beklenemez — bu sırf isteksizlik değil, eğitim eksikliğinin doğal sonucu.
Üçüncüsü yasal belirsizlik. Bir YZ aracı yanlış öneri verse ve hasta zarar görse — bu senaryoda hekimin hukuki durumu ne? Tazminat kime yönelir? Türk hukuku bu soruya henüz net bir yanıt vermiyor. Bu belirsizlik klinisyen için somut bir risk; riski büyük gördüğünde araç genellikle kullanılmıyor.
Sorun Teknoloji Değil
YZ araçları gelişiyor ve bazıları gerçekten iyi. Ama benimseme, aracın kalitesiyle doğru orantılı değil. Güven olmadan, sistem kararını açıklamadan, veri güvenliği için net bir güvence olmadan ve yasal çerçeve netleşmeden hekim o araca elini uzatmıyor. Bunu direnç ya da tembellik olarak okumak yanlış — bu, mesleğin getirdiği sorumluluk duygusunun mantıklı bir sonucu.
YZ'ye güvenmek isteyen hekim aslında çok şey düşünüyor: bu karar benim imzamı taşıyacak. Sistem neden bunu önerdi, bilmiyorum. Hastanın verisi nereye gitti, bilmiyorum. Bir şey ters giderse ne olur, bilmiyorum. Bu sorular cevaplanmadan benimseme olmaz. Ve bu soruları soran hekim tembel değil — tam tersine, doğru yerde duruyor.
Yapay zeka araçları günlük rutinimde önemli bir yer kaplıyor, aynı şey mesleki rutinim için de geçerli. Kullandığımı da sıklıkla çevremle paylaşıyorum — geliştirdiğim uygulamaları, meslektaşlarımın işine yarayacağını düşündüğüm her şeyi onlarla paylaşmaktan keyif alıyorum. Ama bazı meslektaşlarım hâlâ temkinli. YZ araçlarının neler yapabildiği konusunda yeterince bilgi sahibi değiller — ve bu bilgi boşluğu, tutumlarını şekillendiriyor.
Veri güvenliği kaygısını çok iyi anlıyorum. Bir hastanın bilgilerini sisteme girerken o verinin nereye gittiğini bilememek meslektaşlarımı korkutuyor. Hem KVKK açısından hem de elinde binlerce hasta verisi olan araştırmacı hekimler açısından bu belirsizlik ciddî. Bazı modeller sohbet geçmişini yerel hafızada tutarken, bazıları şirketin bulut servisine aktarıyor. Bu, yalnızca hasta mahremiyeti açısından değil, yıllarca emek verilen klinik veri için de somut bir risk. "Ya o veriler çalınırsa? O kadar emek boşa giderse?" — bu korku gerçek ve klinisyeni YZ'den uzaklaştıran nedenlerden biri.
Kara kutu meselesi benim için hepsinden ağır. Bir araç bana öneri sunduğunda, arkasındaki mantığı göremiyorsam o öneriyi körü körüne takip edemem. Kendi öğrenme sürecimde de böyledir — mekanizmasını anlamadığım bir bilgiyi hafızama kodlayamam. Arkasındaki temel mantığı bilmediğim bir şeyi klinik pratiğimde uygulamak çok zor. Yapay zekadan gelen bir çıktıyı körü körüne uygulamaktansa, o kararı irdeleyen merci ben olmak zorundayım; kendi mantık ve bilgi süzgecimden geçtikten sonra ancak uygulamaya koyabiliyorum.
Türkiye'de bu tartışmanın gerçekten başlamadığını hissediyorum. Kongrelerde YZ'nin başarıları anlatılıyor, tanı doğrulukları karşılaştırılıyor. Ama "peki hekim neden kullanmıyor, ne hissediyor, ne korkuyor" sorusu sorulmuyor. Bu yazıyı tam o boşluğa yazdım. Cevapların bir kısmı bende de yok — ama soruları paylaşmak, bir yerden başlamak anlamına geliyor.
- İran ve Danimarka'dan veriler tutum ile gerçek kullanım arasında belirgin bir uçurum olduğunu gösteriyor — herkeste "evet" var, ama pratikte kullanım yok
- "YZ kullanan tembeldir" damgası sosyal bir engel olarak çalışıyor; Türkiye'de tıp kültürünün hiyerarşik yapısı bu baskıyı daha da yoğunlaştırıyor
- Kara kutu sorunu: sistem kararını açıklamıyor, hekim anlamadığı kararın imzasını atamıyor
- Veri güvenliği: yabancı sunucular ve KVKK'nın pratik sınırları somut bir fren oluşturuyor
- Türkiye'ye özgü engeller — kapalı hastane sistemleri, YZ eğitimi olmayan müfredat, yasal zemin eksikliği — genel tablonun üstüne biniyor
Kaynaklar
- Savoji AB ve ark. Knowledge, attitudes, and practices toward artificial intelligence in medicine among iranian physicians and medical students: a cross-sectional survey. BMC Res Notes. 2026. PubMed Kesitsel Anket
- Jørgensen NL ve ark. Identifying factors influencing acceptance of artificial intelligence among general practitioners in Danish general practice: a cross-sectional web-based survey study. Scand J Prim Health Care. 2026;44(1):2667990. PubMed Kesitsel Anket
- Martínez-Martínez H ve ark. Perceptions of, Barriers to, and Facilitators of the Use of AI in Primary Care: Systematic Review of Qualitative Studies. J Med Internet Res. 2025;27:e71186. PubMed
- Ozkan E ve ark. Global Health care Professionals' Perceptions of Large Language Model Use In Practice: Cross-Sectional Survey Study. JMIR Med Educ. 2025;11:e58801. PubMed Kesitsel Anket