Yapay Zekâ, Kimyasal Maruziyet Haritalamasında Yeni Bir Dönem Açıyor

Kimyasal maddelerin çevresel ve mesleki etkilerini değerlendirmek, uzun süredir ayrıntılı belge incelemesi gerektiren zahmetli bir süreç olarak biliniyor. Güvenlik Bilgi Formları (SDS), bir maddenin tehlikeleri, bileşimi ve güvenli kullanımı hakkında kritik bilgiler sunsa da, farklı sektörlerden gelen bu belgelerin dağınık yapısı, kimyasal maruziyet değerlendirmesini güçleştiriyor. Lee, D., Lee, K. ve Lee, S. tarafından yürütülen ve Journal of Exposure Science & Environmental Epidemiology dergisinde 2026’da yayımlanan yeni çalışma, bu soruna büyük dil modelleriyle yanıt arıyor.

Çalışma, büyük dil modellerinin SDS metinleri içinden madde kimliğine ve bileşime ilişkin ayrıntıları otomatik biçimde ayıklayabileceğini gösteriyor. Araştırmacıların yaklaşımı, klasik manuel taramanın yarattığı zaman kaybını ve yorum farklılıklarını azaltmayı hedefliyor. Aynı zamanda, standart otomatik metin işleme yöntemlerinin sıkça zorlandığı teknik terminoloji, kimya dili ve sektörler arası format farklılıklarına karşı daha esnek bir çözüm sunmayı amaçlıyor. Bu yönüyle çalışma, yapay zekânın yalnızca belge sınıflandırma değil, çevresel sağlık verilerinin derinlemesine okunması için de kullanılabileceğini ortaya koyuyor.

Kimyasal maruziyet değerlendirmesi, halk sağlığı açısından yalnızca bir veri toplama işlemi değil; hangi maddelerin nerede, ne miktarda ve hangi bileşimde bulunduğunu anlamaya dayanan bir risk okuması anlamına geliyor. Güvenlik Bilgi Formları bu okumanın temel kaynaklarından biri olsa da, belgelerin yapısı çoğu zaman düzenli bir veri tabanı gibi işlemiyor. Bir SDS’de kimyasal adlar, karışım oranları, saflık bilgileri, tehlike sınıfları ve önlem açıklamaları farklı bölümlere dağılabiliyor. Bu da araştırmacıların ve düzenleyicilerin büyük ölçekli değerlendirmelerde ciddi bir manuel iş yüküyle karşılaşmasına neden oluyor.

Yeni çalışmanın önemi tam da burada belirginleşiyor. Büyük dil modelleri, geniş metin kümeleri üzerinde eğitildikleri için bağlamı, anlamsal ilişkileri ve teknik ifadeler arasındaki bağlantıları anlamada önceki nesil doğal dil işleme araçlarına göre daha güçlü kabul ediliyor. Araştırmada bu kapasite, SDS belgelerinden kimyasal içerik bilgilerini sistematik biçimde çıkarmak için kullanıldı. Böylece yalnızca tek tek maddelerin adı değil, aynı zamanda bileşimle ilgili ayrıntıların da daha yüksek çözünürlükte taranabilmesi hedeflendi.

Bu tür bir otomasyonun çevresel epidemiyoloji açısından önemi büyük. Maruziyet değerlendirmesi, hava, su, toprak ya da işyeri ortamındaki kimyasallara ilişkin risklerin anlaşılmasında temel bir basamak. Ancak eldeki veri kaynağı ne kadar büyük ve düzensiz olursa, analiz de o kadar zorlaşıyor. LLM tabanlı tarama araçları, bu noktada araştırmacıların belge yığınları içinde kaybolmadan daha tutarlı veri setleri oluşturmasına yardımcı olabilir. Bu da risk sınıflandırmalarının daha hızlı güncellenmesine ve potansiyel tehlikelerin daha erken fark edilmesine katkı sağlayabilir.

Yine de çalışma, yapay zekânın tek başına nihai karar verici olduğu anlamına gelmiyor. SDS belgeleri düzenleyici amaçlarla hazırlanmış olsa da, içerikleri üretici beyanlarına ve dönemsel mevzuata göre değişebiliyor. Bu nedenle otomatik sistemlerin çıktıları, uzman denetimiyle birlikte yorumlanmak zorunda. Yeni yaklaşımın gücü, insan değerlendirmesinin yerini almakta değil; belge incelemesini ölçeklendirmekte ve önceliklendirmeyi kolaylaştırmakta yatıyor. Bilim insanları açısından bu, daha fazla veri noktasını daha kısa sürede inceleme olanağı anlamına geliyor.

Çalışmanın yayınlandığı dergi de konunun disiplinler arası niteliğini yansıtıyor. Exposure science ve çevresel epidemiyoloji, yalnızca kimyasalların varlığını değil, bu maddelerin insan sağlığıyla ilişkisini de çözümlemeye odaklanıyor. AI tabanlı metin işleme araçlarının bu alana girişi, veri madenciliği ile halk sağlığı araştırmaları arasındaki köprüyü güçlendiriyor. Özellikle sanayi üretimi, iş güvenliği ve çevre izlemi gibi alanlarda her gün üretilen büyük belge hacmi düşünüldüğünde, otomatik tarama sistemleri gelecekte daha merkezi bir rol oynayabilir.

Lee ve çalışma arkadaşlarının ortaya koyduğu bulgular, kimyasal güvenlik belgelerinin pasif arşivler olmaktan çıkıp, dinamik ve sorgulanabilir veri kaynaklarına dönüşebileceğini gösteriyor. Bu dönüşümün pratik sonucu, daha hızlı maruziyet değerlendirmesi, daha ayrıntılı bileşim analizi ve daha güçlü risk yönetimi olabilir. Bununla birlikte, model performansının farklı belge türlerinde, farklı dillerde ve farklı endüstriyel yazım biçimlerinde nasıl değiştiğini görmek için ek araştırmalara ihtiyaç olacak. Yine de mevcut çalışma, yapay zekânın çevresel sağlık bilimlerinde veri yorumlama kapasitesini genişleten dikkat çekici bir adım olarak öne çıkıyor.

Sonuç olarak, büyük dil modelleriyle yapılan SDS taraması, kimyasal maruziyet değerlendirmesinde hız, kapsam ve ayrıntı düzeyini artırabilecek yeni bir araç sunuyor. Araştırmanın ortaya koyduğu yaklaşım, düzenleyiciler ve bilim insanları için daha yüksek çözünürlüklü bir risk haritalaması vaad ediyor; ancak bu vaadin güvenilir biçimde hayata geçirilmesi, dikkatli doğrulama ve uzman denetimiyle mümkün olacak.