Gamze KÖSE, gamze.g.kose@gmail.com
Giriş
Sağlık turizmi, yalnızca hastaların tedavi amacıyla ülkeler arasında seyahat ettiği bir hizmet alanı değildir; ekonomik, teknolojik, kültürel ve psikososyal faktörlerin birlikte şekillendirdiği karmaşık bir karar verme sürecidir. Bir sağlık turisti neden Türkiye’yi tercih eder? Tedavi maliyetleri arttığında başka bir ülkeye yönelir mi? Dil engelleri, kliniklere duyulan güven veya tedavi sonrası bakım hizmetleri hastanın kararlarını ne ölçüde etkiler?
Bu soruların yanıtlanabilmesi için güvenilir verilere ihtiyaç duyulmaktadır. Ancak sağlık turizminde veri toplamak her zaman kolay değildir. Hastaların farklı ülkelerde bulunması, kişisel sağlık bilgilerinin korunması, kurumlar arasındaki veri paylaşımının sınırlılığı ve uzun dönemli hasta takibindeki güçlükler, araştırmacıların karşılaştığı temel sorunlar arasındadır. Peki, gerçek hastaların kişisel bilgilerini kullanmadan, onların karar verme süreçlerine benzeyen davranışları incelemek mümkün olabilir mi? Sentetik veri teknolojileri, bu soruya yeni bir araştırma yaklaşımı sunmaktadır.
Ekim ayında yayımlanan “Sağlık Turizminde Yapay Zekâ ve Dijital Güven: Algoritmalar Sağlık Turistini Yanlış Yönlendirebilir mi?” başlıklı yazıda, yapay zekâ sistemlerinin güvenilirliği, algoritmik taraflılık ve hasta güvenliği konuları ele alınmıştı. Bu yazıda tartışma bir adım ileri taşınmaktadır: Yapay zekânın güvenilir kararlar verebilmesi için kullanılan veriler nasıl geliştirilebilir ve sentetik hasta verileri sağlık turizminde hangi olanakları sağlayabilir?
Sentetik Veri Nedir?
Sentetik veri, gerçek dünyadaki verilerin belirli özelliklerini ve istatistiksel ilişkilerini taklit etmek amacıyla matematiksel yöntemler, istatistiksel modeller veya yapay zekâ algoritmaları aracılığıyla oluşturulan yapay verilerdir (Chen vd., 2021). Bu veriler başlıca iki yolla üretilebilmektedir. İlk yaklaşımda model, gerçek bir veri kümesinden öğrenerek benzer istatistiksel özellikler taşıyan yeni kayıtlar üretir. Örneğin gerçek sağlık turistlerine ait bilgilerle geliştirilen ve uygun gizlilik önlemleriyle eğitilen bir model, gerçek bireylerin kayıtlarını doğrudan paylaşmadan yeni hasta profilleri oluşturabilir. İkinci yaklaşımda ise sentetik bireyler, uzman bilgisi, bilimsel literatür, yayımlanmış istatistikler ve tanımlı davranış kuralları temelinde oluşturulur. Etmen tabanlı simülasyonlar bu yaklaşımın bilinen örnekleri arasındadır ve gerçek kişisel verinin hiç kullanılmadığı senaryoların incelenmesine olanak tanır. Her iki yaklaşımda da profillerde yaş, ülke, tedavi türü, maliyet beklentisi, bekleme süresi, dil engeli, memnuniyet düzeyi ve yeniden tercih etme niyeti gibi değişkenler bulunabilir.
Ancak önemli bir ayrım vardır: Sentetik veri, her durumda gerçek verinin tamamen güvenli veya kusursuz bir kopyası değildir. Üretim yöntemi ve veri kaynağına bağlı olarak gizlilik riskleri, örneklem yanlılıkları ve gerçeği yeterince temsil edememe sorunları ortaya çıkabilir. Goncalves ve arkadaşlarının ABD’deki SEER kanser kayıt programından alınan 360.000’i aşkın vaka üzerinde gerçek kayıtlardan sentetik veri üreten farklı yöntemleri karşılaştırdığı çalışmada, veri yararlılığı yüksek olan bazı yöntemlerin eğitim verisini ezberlemeye daha yatkın olduğu, gizlilik riskini düşük tutan bazı yöntemlerin ise veri yararlılığında zayıf kaldığı görülmüştür (Goncalves vd., 2020). Bu nedenle sentetik verinin kullanılabilmesi için hem istatistiksel benzerliğinin hem de gizlilik özelliklerinin birlikte değerlendirilmesi gerekmektedir (El Emam vd., 2020).
Sağlık Turizminde Neden Sentetik Veriye İhtiyaç Duyulabilir?
Sağlık turizminde hasta verileri çoğu zaman farklı sağlık kuruluşlarında, ülkelerde ve bilgi sistemlerinde tutulmaktadır. Bir hastanın tedavi öncesi araştırma süreci, destinasyon tercihi, klinik deneyimi ve tedavi sonrasındaki memnuniyeti aynı veri kaynağında bulunmayabilir. Özellikle uluslararası hastalarda uzun dönemli takip verilerine erişim güçleşebilir.
Sağlık verilerinin korunmasına ilişkin hukuki yükümlülükler de araştırmalarda kullanılabilecek veri kümelerinin paylaşılmasını sınırlandırabilir. Türkiye’de 6698 sayılı Kişisel Verilerin Korunması Kanunu, sağlık verilerini özel nitelikli kişisel veriler arasında saymakta ve bu verilerin işlenmesini ilke olarak yasaklayıp belirli hukuki sebeplere bağlamaktadır. Kanunun kişisel verilerin yurt dışına aktarılmasını düzenleyen 9. maddesi de 2024 yılında 7499 sayılı Kanunla yeniden düzenlenmiştir (Kişisel Verilerin Korunması Kanunu, 2016). Hastaların ve verilerin sınırlar arasında hareket ettiği sağlık turizminde bu kurallar, veri paylaşımını daha da hassas hâle getirmektedir.
Sağlık alanındaki güncel değerlendirmeler, sentetik verinin politika geliştirmeye katkı, hasta gizliliğinin korunması ve tahmin modelleri için veri kümelerinin genişletilmesi gibi kullanım alanlarına dikkat çekmektedir (Giuffrè ve Shung, 2023). Sağlık turizmi açısından sentetik veri üç temel olanak sağlayabilir. İlk olarak, araştırmacıların gerçek kişisel bilgileri doğrudan paylaşmadan yöntem geliştirmelerine yardımcı olabilir. İkinci olarak, yeterince temsil edilmeyen hasta gruplarının veya nadir karşılaşılan senaryoların incelenmesine yönelik kontrollü deneyler tasarlanmasına olanak tanıyabilir. Üçüncü olarak, farklı koşullar altında sağlık turistlerinin olası davranışlarını araştıran simülasyon modellerinin geliştirilmesini destekleyebilir. Bununla birlikte sentetik verilerin gerçek hasta verilerindeki eksiklikleri kendiliğinden gideremeyeceği unutulmamalıdır. Taraflı veri kümeleriyle eğitilen üretken modeller, bu veri kümelerinde fazla temsil edilen gruplara yönelik taraflılığı sentetik verilere de taşıyabilmektedir. Öte yandan doğru tasarlandığında sentetik verinin, taraflılığı azaltmanın bir aracı olarak da kullanılabileceği belirtilmektedir (Chen vd., 2021).
On Bin Sentetik Sağlık Turistiyle Bir Deney Tasarlamak
Konuyu somutlaştırmak için varsayımsal bir araştırma modeli ele alınabilir. Türkiye, Macaristan ve Polonya gibi farklı destinasyonlarda diş tedavisi seçeneklerini değerlendiren 10.000 sentetik sağlık turistinin oluşturulduğu varsayılsın. Bu kişilere ait yapay veri kümesinde yaş, ikamet edilen ülke, gelir düzeyi, tedavi maliyeti, seyahat süresi, bekleme süresi, klinik güvenilirliği algısı, dil desteği ve tedavi sonrası takip hizmetleri gibi değişkenler yer alabilir. Araştırmacılar bu veri kümesi üzerinde karar ağaçları, lojistik regresyon veya farklı makine öğrenmesi yöntemleri kullanarak hastaların destinasyon tercihlerini etkileyen değişkenleri inceleyebilir.
Böyle bir model üzerinde çeşitli sorular araştırılabilir. Tedavi maliyetindeki bir artışın fiyat duyarlılığı yüksek hasta gruplarının destinasyon tercihlerini nasıl değiştirebileceği, dil desteğinin geliştirilmesinin kliniklere duyulan güveni hangi koşullarda etkileyebileceği, tedavi sonrası çevrim içi takip hizmetlerinin yeniden tercih etme niyetine ilişkin tahminleri nasıl değiştirebileceği ve bekleme süresinin azaltılmasının farklı ülkelerden gelen hastaların tercih modellerinde nasıl bir farklılık oluşturabileceği bu soruların başında gelmektedir.
Burada özellikle vurgulanması gereken nokta, bu soruların henüz gerçek araştırma sonuçlarını ifade etmediğidir. Sentetik veriyle oluşturulan simülasyonlar, belirli varsayımlar altında olası sonuçları incelemeyi sağlar. Ancak bu sonuçların gerçek sağlık turistlerinin davranışlarını yansıttığını söyleyebilmek için bağımsız gerçek verilerle doğrulama yapılması gerekir.
Bu doğrulama gerekliliği, sentetik veriyle yürütülen çalışmaların değerini azaltmaz. Tersine, bulguların hangi koşullarda geçerli olduğunu netleştirerek bilimsel güçlerini artırır. Özellikle uzman bilgisi ve tanımlı varsayımlarla üretilen sentetik veri kümeleri, gerçek dünyada denenmesi maliyetli, zaman alıcı ya da etik açıdan sakıncalı olacak “ya şöyle olursa” sorularının güvenli bir ortamda sınanmasını sağlayan güçlü araçlardır. Bu tür çalışmalarda varsayımların açıkça raporlanması ve gerçek veriler elde edildikçe modelin bu verilerle kalibre edilmesi, sonuçların güvenilirliğini artırmaktadır.
Veri Madenciliği ile Sağlık Turistinin Kararlarını Tahmin Etmek
Veri madenciliği, büyük ve karmaşık veri kümelerindeki ilişkilerin, örüntülerin ve tahmin açısından anlamlı değişkenlerin belirlenmesini sağlayan yöntemler bütünüdür. Sağlık turizminde bu yöntemler, hasta memnuniyetinin tahmin edilmesi, destinasyon tercihlerinin incelenmesi ve hizmet kalitesini etkileyen faktörlerin araştırılması amacıyla kullanılabilir. Sentetik veri ile veri madenciliğinin birlikte kullanılması ise özellikle model geliştirme ve yöntem karşılaştırma çalışmalarında yeni olanaklar sağlamaktadır.
Örneğin farklı veri üretim yöntemleriyle oluşturulan sentetik hasta gruplarında karar ağacı algoritmalarının performansı karşılaştırılabilir. Bu karşılaştırma sonucunda hangi veri özelliklerinin korunduğu, hangi ilişkilerin bozulduğu ve tahmin performansının nasıl değiştiği araştırılabilir. Ancak sentetik veriler üzerinde yüksek doğruluk elde eden bir modelin gerçek hastalar üzerinde de aynı performansı göstereceği varsayılamaz. Sentetik veriler için klinik kalitede değerlendirme ölçütlerinin henüz yerleşmemiş olması (Chen vd., 2021), bu ölçütlerin geliştirilmesini alanın en verimli araştırma başlıklarından biri hâline getirmektedir. Dolayısıyla sağlık turizminde veri madenciliği ve sentetik verinin birlikte kullanıldığı çalışmalarda model başarısı kadar veri kalitesi, açıklanabilirlik, taraflılık ve dış doğrulama süreçleri de önem taşımaktadır.
Sağlık Turizminde Dijital İkiz Yaklaşımına Doğru
Sentetik veri teknolojilerinin sağlık turizmine sağlayabileceği katkılardan biri de dijital ikiz ve simülasyon uygulamalarının geliştirilmesidir. Literatürde dijital ikiz, fiziksel bir varlığın, bu varlıkla dinamik ve çift yönlü bağlantılar kuran sanal modeli olarak tanımlanmaktadır (Kamel Boulos ve Zhang, 2021). Bu yaklaşım bir sağlık hizmeti sürecine uyarlandığında, statik bir simülasyondan farklı olarak model, uygun altyapı bulunduğunda gerçek sistemden gelen bilgilerle sürekli güncellenebilir. Sentetik profiller bu süreçte kritik bir rol üstlenmektedir: Gerçek sistemle bağlantı kurulmadan önce dijital ikizin tasarlanması, sınanması ve farklı senaryolar karşısındaki davranışının değerlendirilmesi için güvenli bir deney ortamı sunarlar. Gerçek veri akışı sağlandıkça aynı model, gerçek sistemle kurduğu dinamik bağlantılar sayesinde giderek daha güçlü bir karar destek aracına dönüşebilir.
Sağlık turizminde bir hastanın birebir dijital kopyasını oluşturmak yerine, hasta yolculuğunun dijital modelini geliştirmek daha uygulanabilir bir başlangıç olabilir. Bu modelde hastanın ilk bilgi arayışından klinik seçimine, seyahat planlamasından tedavi sürecine ve ülkesine döndükten sonraki takibine kadar farklı aşamalar temsil edilebilir. Sentetik hasta profilleri kullanılarak bu süreçte yaşanabilecek gecikmeler, iletişim sorunları veya hizmet kapasitesindeki değişimler test edilebilir. Örneğin bir sağlık kuruluşunda uluslararası hasta sayısının artması durumunda tercüman ihtiyacının, randevu kapasitesinin veya tedavi sonrası takip hizmetlerinin nasıl etkilenebileceği simüle edilebilir. Giuffrè ve Shung (2023) de dijital ikiz uygulamalarını, sağlıkta sentetik verinin gelecek yönelimleri arasında ele almaktadır. Böylece yapay zekâ ve sentetik veri, yalnızca hasta davranışlarını tahmin etmek için değil, sağlık hizmetlerinin planlanmasına yönelik karar destek sistemlerinin geliştirilmesinde de kullanılabilir.
Etik Sorular: Yapay Hastalar Gerçekten Güvenli mi?
Sentetik verilerin önemli avantajlarından biri, gerçek kişilere ait bilgilerin doğrudan kullanılmasını azaltma potansiyelidir. Bununla birlikte sentetik veri üretmek, kişisel verilerin korunmasına ilişkin bütün soruların kendiliğinden yanıtlandığı anlamına gelmez. Gerçek hasta kayıtlarıyla eğitilen üretken modeller, aşırı öğrenme nedeniyle eğitim verisindeki bazı kayıtları ezberleyebilir (Chen vd., 2021; Goncalves vd., 2020). Stadler, Oprisanu ve Troncoso (2022) da gerçek verilerden üretilerek yayımlanan sentetik veri kümelerinin sağladığı gizlilik kazancının büyük ölçüde değişken ve önceden kestirilmesi güç olduğunu göstermiştir. Bu bulgular sentetik verinin değerini azaltmamakta, gizliliğin varsayılmak yerine ölçülmesi gerektiğini ortaya koymaktadır. Giuffrè ve Shung (2023) de bu risklere karşı diferansiyel gizlilik ve veri kümesinin kökenini izlemeye yarayan bir gözetim zinciri gibi önlemler önermektedir.
Konu hukuki açıdan da önem taşımaktadır. 6698 sayılı Kanun, anonim hâle getirmeyi kişisel verilerin başka verilerle eşleştirilerek dahi hiçbir surette kimliği belirli veya belirlenebilir bir gerçek kişiyle ilişkilendirilemeyecek hâle getirilmesi olarak tanımlamaktadır (Kişisel Verilerin Korunması Kanunu, 2016). Gerçek verilerden üretilen bir sentetik veri kümesinin bu ölçütü karşıladığı, üretim yöntemi ve uygulanan gizlilik testleriyle gösterilmelidir. Bu nedenle bu tür projelerde gizlilik saldırılarına karşı testler, veri benzerliği analizleri ve uygun güvenlik önlemleri sürecin doğal bir parçası olarak ele alınmalıdır. Gerçek bireysel hasta kayıtları kullanılmadan, uzman bilgisi, yayımlanmış istatistikler ve tanımlı kurallar temelinde üretilen sentetik profillerde ise bu tür bir sızıntı riski büyük ölçüde ortadan kalkmaktadır. Bu yaklaşımda asıl soru, varsayımların gerçekliği ne ölçüde yansıttığıdır.
Bir başka etik sorun da temsil adaletidir. Sentetik veri üretiminde kullanılan gerçek veri kümesi ağırlıklı olarak belirli ülkelerden gelen hastaları içeriyorsa, geliştirilen model diğer ülkelerden gelen sağlık turistlerinin davranışlarını yeterince temsil etmeyebilir. Dünya Sağlık Örgütü de ağırlıklı olarak yüksek gelirli ülkelerdeki bireylerden toplanan verilerle eğitilen sistemlerin, düşük ve orta gelirli ülkelerdeki bireyler için iyi performans göstermeyebileceği uyarısında bulunmaktadır (World Health Organization, 2021). Benzer şekilde yaş, gelir düzeyi, sağlık okuryazarlığı ve dil farklılıkları da model performansını etkileyebilir. Sağlık turizminde sentetik verinin sorumlu biçimde kullanılması için veri üretim süreçlerinin şeffaf olması, kullanılan varsayımların açıklanması ve modellerin bağımsız biçimde değerlendirilmesi gerekmektedir. Bu gereklilikler, aynı kuruluşun sağlıkta yapay zekâ için belirlediği şeffaflık, açıklanabilirlik ve anlaşılabilirlik ile kapsayıcılık ve hakkaniyet ilkeleriyle de örtüşmektedir.
Türkiye İçin Yeni Bir Araştırma ve Yenilikçilik Alanı
Türkiye’nin sağlık turizmindeki gelişimi açısından sentetik veri ve yapay zekâ temelli simülasyon sistemleri, araştırma ve hizmet planlaması için yeni fırsatlar sunabilir. Özellikle diş sağlığı, estetik cerrahi, rehabilitasyon ve diğer uluslararası hasta hizmetlerinde veri temelli karar destek sistemleri geliştirilebilir. Üniversiteler, sağlık kuruluşları ve teknoloji geliştiricileri arasında kurulabilecek iş birlikleriyle sentetik hasta veri kümeleri oluşturulabilir, farklı algoritmalar karşılaştırılabilir ve hasta yolculuğuna yönelik simülasyonlar tasarlanabilir. Dünya Sağlık Örgütünün büyük çok modlu modellere ilişkin rehberinde de hükümetlerin, kamu, özel ve kâr amacı gütmeyen sektörlerdeki geliştiricilerin erişebileceği ve erişim karşılığında etik ilkelere uyulmasını şart koşan kamusal veri kümelerine yatırım yapması önerilmektedir (World Health Organization, 2025). Etik koşullara bağlanmış ve doğrulanmış sentetik sağlık turizmi veri kümeleri, bu önerinin Türkiye’ye özgü bir uygulaması olarak düşünülebilir.
Bu tür çalışmalar, yalnızca ticari performansın artırılmasını değil, hasta güvenliği ve hizmet kalitesinin geliştirilmesini de hedeflemelidir. Bunun için veri yönetişimi, bilimsel doğrulama, etik değerlendirme ve ilgili mevzuata uygunluk temel koşullar olarak ele alınmalıdır. Türkiye açısından asıl fırsat, yapay zekâyı yalnızca hasta kazanımında kullanılan bir tanıtım aracı olarak görmek yerine, sağlık turizminin hizmet süreçlerini bilimsel yöntemlerle değerlendiren bir karar destek altyapısına dönüştürebilmektir.
Sonuç: Gerçek Olmayan Verilerle Gerçek Dünyayı Anlamak
Sağlık turizminde yapay zekâ uygulamalarının geleceği, yalnızca daha gelişmiş algoritmaların kullanılmasına değil, bu algoritmaların hangi verilerle geliştirildiğine ve nasıl doğrulandığına bağlıdır. Sentetik veri teknolojileri, kişisel sağlık verilerinin doğrudan paylaşılmasının zor olduğu durumlarda araştırma, yöntem geliştirme ve simülasyon için önemli olanaklar sunmaktadır. Sentetik hasta profillerinin amacı gerçek hastaların deneyimlerinin yerini almak değil, gerçek verilerle yanıtlanması güç, maliyetli ya da etik açıdan sakıncalı soruları güvenli bir ortamda incelemektir. Bu profiller üzerinden elde edilen sonuçların gücü ise modelin varsayımlarının şeffaflığına ve doğrulama düzeyine bağlıdır.
Geleceğin sağlık turizminde veri madenciliği, açıklanabilir yapay zekâ, sentetik veri ve dijital ikiz teknolojilerinin birlikte kullanıldığı sistemler daha fazla araştırma konusu hâline gelebilir. Bu sistemlerin gerçek değeri ise ne kadar karmaşık olduklarıyla değil, sağlık turistlerinin güvenliğine, hizmet kalitesine ve karar süreçlerinin güvenilirliğine ne ölçüde katkı sağladıklarıyla anlaşılacaktır. Çünkü sağlık turizminde geleceği tahmin etmek kadar önemli olan bir başka sorumluluk vardır: O geleceği bilimsel, etik ve insan odaklı biçimde tasarlamak.
Belki de önümüzdeki yılların en dikkat çekici araştırma sorularından biri şu olacaktır: Gerçek olmayan hastalardan elde edilen veriler, gerçek hastalar için daha güvenli bir sağlık turizmi sistemi geliştirmemize yardımcı olabilir mi?
Kaynakça
Chen, R. J., Lu, M. Y., Chen, T. Y., Williamson, D. F. K., & Mahmood, F. (2021). Synthetic data in machine learning for medicine and healthcare. Nature Biomedical Engineering, 5(6), 493-497. https://doi.org/10.1038/s41551-021-00751-8
El Emam, K., Mosquera, L., & Hoptroff, R. (2020). Practical synthetic data generation: Balancing privacy and the broad availability of data. Sebastopol: O’Reilly Media.
Giuffrè, M., & Shung, D. L. (2023). Harnessing the power of synthetic data in healthcare: Innovation, application, and privacy. npj Digital Medicine, 6, 186. https://doi.org/10.1038/s41746-023-00927-3
Goncalves, A., Ray, P., Soper, B., Stevens, J., Coyle, L., & Sales, A. P. (2020). Generation and evaluation of synthetic patient data. BMC Medical Research Methodology, 20, 108. https://doi.org/10.1186/s12874-020-00977-1
Kamel Boulos, M. N., & Zhang, P. (2021). Digital twins: From personalised medicine to precision public health. Journal of Personalized Medicine, 11(8), 745. https://doi.org/10.3390/jpm11080745
Kişisel Verilerin Korunması Kanunu. (2016). Kanun No: 6698. Resmî Gazete, 7 Nisan 2016, Sayı: 29677. Çevrimiçi: https://www.mevzuat.gov.tr/mevzuat?MevzuatNo=6698&MevzuatTur=1&MevzuatTertip=5 (Erişim 3 Kasım 2026).
Stadler, T., Oprisanu, B., & Troncoso, C. (2022). Synthetic data – Anonymisation groundhog day. 31st USENIX Security Symposium (USENIX Security 22) (s. 1451-1468). USENIX Association. Çevrimiçi: https://www.usenix.org/conference/usenixsecurity22/presentation/stadler (Erişim 3 Kasım 2026).
World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance. Cenevre: Dünya Sağlık Örgütü. Çevrimiçi: https://www.who.int/publications/i/item/9789240029200 (Erişim 3 Kasım 2026).
World Health Organization. (2025). Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models. Cenevre: Dünya Sağlık Örgütü. Çevrimiçi: https://www.who.int/publications/i/item/9789240084759 (Erişim 3 Kasım 2026).
