Sağlık sektörü, yapay zeka (YZ) teknolojilerinin hızla entegrasyonuyla köklü bir dönüşüm sürecinden geçiyor. Bu makale, YZ destekli tanı ve tedavi planlarının artan önemini, ardındaki teknolojileri ve gelecekteki potansiyelini teknik ama anlaşılır bir dille inceliyor.
Yapay zeka, makinelerin insan benzeri bilişsel yetenekleri taklit etmesini sağlayan bir bilim ve mühendislik dalıdır. Sağlık alanında YZ’nin yükselişi, özellikle büyük veri analizi, karmaşık örüntü tanıma ve karar verme süreçlerinde gösterdiği üstün yeteneklerle açıklanabilir. Temelde YZ, verilerden öğrenerek belirli görevleri yerine getiren algoritmalar ve modeller geliştirme üzerine kuruludur. Bu süreçte sıklıkla karşımıza çıkan temel kavramlar ise makine öğrenimi (Machine Learning), derin öğrenme (Deep Learning) ve doğal dil işleme (Natural Language Processing – NLP) şeklinde özetlenebilir.
Makine öğrenimi, sistemlerin açıkça programlanmadan verilerden öğrenmesini sağlayan bir YZ alt dalıdır. Sağlıkta, makine öğrenimi algoritmaları, hastalıkların teşhisinde veya tedavi yanıtlarının tahmininde kullanılmak üzere hasta verilerini (laboratuvar sonuçları, genetik bilgiler, yaşam tarzı verileri) analiz edebilir. Örneğin, bir hasta popülasyonunun verilerini inceleyerek, belirli bir hastalığın risk faktörlerini veya belirli bir ilacın hangi hastalarda daha etkili olacağını öngörebilirler. Bu sayede, doktorlar daha bilinçli kararlar alabilir ve kişiselleştirilmiş tedavi yaklaşımları geliştirebilirler.
Derin öğrenme ise makine öğreniminin bir alt dalıdır ve insan beyninin çalışma prensiplerinden ilham alan yapay sinir ağları kullanır. Özellikle tıbbi görüntüleme alanında çığır açmıştır. Radyoloji görüntülerindeki (MR, BT, röntgen) kanserli hücreleri veya anormallikleri tespit etmek, patoloji slaytlarındaki mikroskobik değişiklikleri yorumlamak gibi görevlerde derin öğrenme modelleri, insan uzmanlardan bile daha yüksek doğruluk oranlarına ulaşabilmektedir. Bu, erken teşhisin kritik olduğu birçok hastalık için hayati önem taşır. Ayrıca, ilaç keşfi ve geliştirme süreçlerinde de derin öğrenme, potansiyel ilaç moleküllerinin taranması ve etkileşimlerinin tahmin edilmesi gibi karmaşık görevlerde zaman ve maliyet tasarrufu sağlamaktadır.
Doğal Dil İşleme (NLP), makinelerin insan dilini anlamasını, yorumlamasını ve üretmesini sağlayan bir YZ alanıdır. Elektronik sağlık kayıtları (ESK) içerisinde yer alan serbest metin notlar, doktor raporları, hasta öyküleri gibi yapılandırılmamış verilerin analizinde NLP hayati bir rol oynar. Bu verileri işleyerek semptomları, teşhisleri, uygulanan tedavileri ve hastanın genel durumunu otomatik olarak çıkarabilir. Böylece, doktorların geniş hasta veritabanlarını daha hızlı gözden geçirmesine, potansiyel riskleri belirlemesine ve hatta klinik araştırmalar için uygun hastaları tespit etmesine yardımcı olur. Sağlıkta YZ’nin bu temel kavramları, tanı ve tedavi süreçlerini daha hızlı, daha doğru ve kişiselleştirilmiş hale getirme potansiyeli sunarak, geleceğin tıp anlayışını şekillendiriyor.
AI Destekli Tanı Süreçleri: Hastalıkları Daha Hızlı ve Doğru Belirlemek Mümkün mü?
Yapay zeka, hastalıkların tanısında devrim niteliğinde yenilikler sunarak, teşhis süreçlerini hem hızlandırmakta hem de doğruluk oranlarını artırmaktadır. Özellikle görüntüleme ve genetik verilerin analizi, YZ’nin en etkili olduğu alanların başında gelmektedir. Günümüzün karmaşık medikal verileri içerisinde, insan gözünün veya beyninin kaçırabileceği nüansları yakalayabilen YZ algoritmaları, erken teşhiste kritik bir rol oynamaktadır.
Radyoloji ve patoloji, YZ’nin dönüştürücü gücünü en net gördüğümüz dallardan ikisidir. Örneğin, meme kanseri taramalarında kullanılan mamogramlar, akciğer grafikleri veya beyin MR’ları gibi görüntüler, derin öğrenme tabanlı Evrişimsel Sinir Ağları (Convolutional Neural Networks – CNN) tarafından analiz edilebilir. CNN’ler, bu görüntülerdeki lezyonları, tümörleri veya diğer anormallikleri yüksek doğrulukla tespit etmek üzere eğitilir. Bir vaka analizine bakacak olursak, Google Health tarafından geliştirilen bir YZ modeli, meme kanseri teşhisinde radyologlardan daha iyi performans göstermiştir. Bu model, hem yanlış negatif hem de yanlış pozitif oranlarını düşürerek, hastaların gereksiz biyopsilerden kaçınmasına veya kanserin daha erken evrede tespit edilmesine yardımcı olmuştur. Bu tür sistemler, radyologların iş yükünü azaltırken, aynı zamanda ikinci bir “göz” olarak görev yaparak hata olasılığını minimize eder.
# Basit bir tıbbi görüntü sınıflandırma modelinin pseudo-kodu
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Conv2D, MaxPooling2D, Flatten, Dense
def build_image_classifier_model(input_shape=(256, 256, 3), num_classes=2):
model = Sequential([
Conv2D(32, (3, 3), activation='relu', input_shape=input_shape),
MaxPooling2D((2, 2)),
Conv2D(64, (3, 3), activation='relu'),
MaxPooling2D((2, 2)),
Flatten(),
Dense(128, activation='relu'),
Dense(num_classes, activation='softmax') # 'softmax' ikiden fazla sınıf için, ikili için 'sigmoid' olabilir
])
model.compile(optimizer='adam',
loss='sparse_categorical_crossentropy', # veya binary_crossentropy
metrics=['accuracy'])
return model
# Model örneğini oluşturma
# model = build_image_classifier_model()
# model.summary()
# Eğitim veri setleri ile modelin eğitilmesi
# model.fit(train_images, train_labels, epochs=10, validation_data=(val_images, val_labels))
Yukarıdaki kod bloğu, bir tıbbi görüntü sınıflandırıcısı için temel bir CNN yapısını göstermektedir. Bu tür bir model, eğitildiğinde belirli bir görüntünün (örneğin bir mamogram) kanserli olup olmadığını tahmin edebilir. Veri setindeki etiketli görüntülerle eğitilen bu modeller, zamanla karmaşık örüntüleri öğrenerek teşhis doğruluğunu artırır.
Laboratuvar verileri ve YZ'nin entegrasyonu, özellikle genetik hastalıkların analizinde büyük bir potansiyele sahiptir. Genom dizileme teknolojileri sayesinde elde edilen devasa genetik veri setleri, insan analizi için oldukça karmaşık ve zaman alıcıdır. YZ algoritmaları, bu genetik verileri tarayarak nadir hastalıklarla ilişkili mutasyonları veya belirli ilaçlara karşı genetik yatkınlıkları tespit edebilir. Bu, hem tanı sürecini hızlandırır hem de kişiselleştirilmiş tıp uygulamalarına zemin hazırlar. Örneğin, bir genetik varyantın belirli bir kanser türüyle ilişkilendirilmesi, hastalığın erken evrede teşhis edilmesine ve hedefe yönelik tedavilerin belirlenmesine yardımcı olabilir.
Elektronik Sağlık Kayıtları (ESK) ve Doğal Dil İşleme (NLP) ise hasta hikayeleri, muayene notları ve diğer serbest metin verilerinden hastalık belirtilerini ve önemli klinik bilgileri çıkarmak için kullanılır. NLP algoritmaları, ESK'larındaki yapılandırılmamış metinleri analiz ederek, hastanın geçmişini, semptomlarını, alerjilerini ve ilaç geçmişini otomatik olarak yapılandırılmış verilere dönüştürebilir. Bu, doktorların ve araştırmacıların büyük hasta kohortlarını hızlıca gözden geçirmesini, belirli risk faktörlerine sahip hastaları belirlemesini ve hatta salgın hastalıkların yayılımını tahmin etmesini sağlayabilir. Sonuç olarak, YZ destekli tanı süreçleri, hastalıkları daha erken, daha doğru ve daha verimli bir şekilde belirleyerek, hastaların yaşam kalitesini artırma ve sağlık sistemleri üzerindeki yükü hafifletme potansiyeline sahiptir.
Tedavi Planlamasında Yapay Zeka: Kişiye Özel Yaklaşımlar Nasıl Geliştiriliyor?
Yapay zeka, tanı süreçlerinde olduğu gibi tedavi planlamasında da kişiselleştirilmiş ve etkin yaklaşımlar geliştirmemizi sağlayarak, tıbbi uygulamaların geleceğini şekillendiriyor. Tedavilerin genel geçer olmaktan çıkıp, hastanın bireysel özelliklerine göre optimize edilmesi, YZ'nin sağlıkta sunduğu en büyük avantajlardan biridir. Bu, ilaç geliştirmeden cerrahi operasyonlara ve kronik hastalık yönetimine kadar geniş bir yelpazeyi kapsamaktadır.
İlaç geliştirme süreci geleneksel olarak son derece uzun, maliyetli ve riskli bir yolculuktur. YZ, bu süreci baştan sona optimize ederek, yeni moleküllerin keşfini hızlandırır ve potansiyel yan etkilerin tahminini iyileştirir. Derin öğrenme modelleri, milyarlarca kimyasal bileşiği tarayarak belirli bir hastalığı hedefleyebilecek en uygun molekülleri belirleyebilir. Örneğin, proteinlerin üç boyutlu yapılarını doğru bir şekilde tahmin edebilen AlphaFold gibi YZ araçları, ilaç tasarımcılarının yeni ilaç adayları geliştirmesine yardımcı olur. Bu sayede, ilaç keşif süreçleri birkaç yıldan birkaç aya kadar düşürülebilirken, geliştirme maliyetleri de önemli ölçüde azalmaktadır. Kişiselleştirilmiş tıp bağlamında ise YZ, bir hastanın genetik profilini, metabolizmasını, yaşam tarzını ve diğer klinik verilerini analiz ederek, hangi ilacın, hangi dozda ve ne süreyle en etkili olacağını tahmin edebilir. Bu, özellikle onkoloji gibi alanlarda, hastaların DNA'sına özgü hedefe yönelik tedavilerin belirlenmesini sağlayarak başarı oranlarını artırır ve gereksiz yan etkileri minimize eder.
Robotik cerrahi, YZ entegrasyonuyla ameliyat odalarında adeta akıllı asistanlara dönüşmüştür. Cerrahi robotlar, YZ algoritmaları sayesinde ameliyat sırasında gerçek zamanlı veri analizi yapabilir, cerraha en uygun kesim noktalarını önerebilir ve titreme gibi insan hatalarını ortadan kaldırarak operasyonun hassasiyetini artırabilir. Örneğin, YZ destekli navigasyon sistemleri, cerrahların karmaşık anatomik yapıları daha iyi anlamasına ve ameliyat esnasında optimal rotayı belirlemesine yardımcı olur. Bu, özellikle minimal invaziv cerrahi tekniklerinde, hastalar için daha hızlı iyileşme süreleri ve daha az komplikasyon anlamına gelir. Robotlar, aynı zamanda ameliyat sonrası süreçte hastanın durumunu izleyebilir ve olası riskleri önceden tahmin edebilir.
Kronik hastalık yönetimi, YZ'nin hasta takibi ve önleyici müdahalelerle yaşam kalitesini artırdığı bir diğer kritik alandır. Diyabet, kalp yetmezliği, hipertansiyon gibi kronik rahatsızlıkları olan hastalar, giyilebilir sensörler ve akıllı cihazlar aracılığıyla sürekli izlenebilir. YZ algoritmaları, bu cihazlardan gelen verileri (kan şekeri seviyeleri, kalp atış hızı, aktivite düzeyi) analiz ederek, hastanın durumunda anormallikler veya olası bir krizin erken belirtilerini tespit edebilir. Örneğin, bir diyabet hastasının kan şekeri seviyelerinde tehlikeli bir düşüş veya yükseliş öngörüldüğünde, sistem otomatik olarak hastayı veya doktorunu uyararak zamanında müdahale edilmesini sağlayabilir. Bu tür tahmine dayalı modeller, hastaların hastaneye yatış riskini azaltırken, kendi sağlıklarını daha proaktif bir şekilde yönetmelerine olanak tanır. Sonuç olarak, YZ destekli tedavi planlaması, her hastaya özel, daha etkin ve daha güvenli tedavi yaklaşımları sunarak sağlık hizmetlerinin kalitesini artırmaktadır.
Gerçek Dünya Senaryosu: YZ'nin Sağlıkta Dönüştürücü Gücü
Yapay zeka teknolojileri, laboratuvar ortamından çıkıp gerçek dünya senaryolarında somut faydalar sağlamaya başlamıştır. Bu örnekler, YZ'nin sağlık hizmetlerini nasıl kökten değiştirdiğini ve gelecekteki potansiyelini açıkça göstermektedir. İşte bu dönüşümün önde gelen iki çarpıcı örneği:
IBM Watson for Oncology
IBM Watson for Oncology, yapay zekanın onkoloji alanında kanser tedavi planlamasına yardımcı olmak üzere tasarlanmış iddialı bir girişimiydi. Sistem, yüz binlerce tıbbi makale, kitap, klinik çalışma, hasta kaydı ve en güncel tedavi kılavuzlarını içeren devasa bir veri tabanına sahipti. Doktorlar, hastalarının klinik bilgilerini (tanı, tümör evresi, genetik mutasyonlar vb.) sisteme girdiğinde, Watson bu bilgileri analiz ederek kanıta dayalı, kişiselleştirilmiş tedavi seçenekleri sunuyordu. Amaç, onkologların karar verme süreçlerini desteklemek ve hastalar için en uygun tedavi protokollerini belirlemelerine yardımcı olmaktı.
Watson'ın faydaları arasında, doktorlara en güncel literatürü hızla tarayarak bilgi sağlaması ve nadir görülen kanser türleri veya karmaşık vakalar için alternatif tedavi yaklaşımları önermesi yer alıyordu. Özellikle bilgiye erişimin zor olduğu veya uzman doktor sayısının kısıtlı olduğu bölgelerde, Watson bir "sanal danışman" görevi görebilirdi. Ancak, projenin zorlukları da az değildi. Başlangıçta öngörülenin aksine, Watson'ın klinik ortamda entegrasyonu ve performansı beklentilerin altında kaldı. Verilerin karmaşıklığı, sistemin eğitilmesi için gereken yüksek kalitede veri miktarı ve YZ'nin sürekli öğrenme ve adapte olma ihtiyacı gibi faktörler, Watson'ın tam potansiyeline ulaşmasını engelledi. Ayrıca, YZ sistemlerinin "kara kutu" doğası, yani kararlarını nasıl verdiğinin şeffaf olmaması, klinik uzmanların sisteme güvenini sarsan önemli bir faktör oldu. Bu vaka, YZ'nin sağlıkta devrim yaratma potansiyelinin yanı sıra, pratik entegrasyon ve etik sorunların ne kadar karmaşık olabileceğini de gösterdi.
DeepMind AlphaFold ve AlphaFold 2
Google DeepMind'ın AlphaFold projesi, yapay zekanın temel bilimlerde nasıl çığır açabileceğine dair mükemmel bir örnektir. AlphaFold, biyolojideki en zorlu problemlerden biri olan protein katlanması sorununa çözüm buldu. Proteinler, hücrelerin temel yapı taşlarıdır ve görevlerini yerine getirebilmeleri için belirli bir üç boyutlu yapıya katlanmaları gerekir. Bir proteinin diziliminden (amino asit dizisi) üç boyutlu yapısını doğru bir şekilde tahmin etmek, onlarca yıldır bilim dünyasının peşinde koştuğu bir hedefti ve ilaç keşfi, hastalık mekanizmalarını anlama gibi birçok alanda kilit rol oynamaktadır.
AlphaFold ve özellikle geliştirilmiş versiyonu AlphaFold 2, bu sorunu derin öğrenme ve sinir ağları kullanarak neredeyse çözmeyi başardı. CASP (Critical Assessment of protein Structure Prediction) yarışmalarında eşi benzeri görülmemiş bir doğrulukla protein yapısı tahminleri yaparak bilim dünyasını şaşkına çevirdi. AlphaFold'un başarısı, ilaç keşfi süreçlerini kökten değiştirebilir. Artık araştırmacılar, potansiyel ilaç adaylarının hedef proteinlerle nasıl etkileşime gireceğini daha hızlı ve doğru bir şekilde modelleyebilirler. Bu, yeni ilaçların geliştirilmesi için gereken süreyi ve maliyeti büyük ölçüde azaltabilir. Ayrıca, hastalıkların moleküler düzeydeki mekanizmalarını anlamamızı sağlayarak, genetik hastalıklardan kansere kadar birçok rahatsızlık için yeni tedavi stratejileri geliştirmemizin önünü açmıştır. AlphaFold, yapay zekanın sadece klinik uygulamalarda değil, temel bilimsel araştırmalarda da nasıl bir dönüştürücü güç olabileceğinin en iyi kanıtlarından biridir.
Yapay Zeka Sağlıkta Neden Kritik Önem Taşıyor? Avantajları ve Zorlukları Nelerdir?
Yapay zeka, günümüz sağlık sistemlerinin karşı karşıya olduğu birçok zorluğa çözüm sunarak kritik bir öneme sahiptir. Artan nüfus, kronik hastalıkların yaygınlaşması, sağlık hizmetlerine erişimdeki eşitsizlikler ve tıbbi bilginin hızla katlanarak artması gibi faktörler, YZ'yi vazgeçilmez bir araç haline getirmektedir. Ancak bu dönüşüm potansiyeli, beraberinde önemli avantajları ve aşılması gereken ciddi zorlukları da getirmektedir.
Avantajlar:
- Verimlilik ve Hız: YZ algoritmaları, devasa veri setlerini (görüntüler, laboratuvar sonuçları, genetik dizilimler) saniyeler içinde işleyebilir. Bu, tanı süreçlerini hızlandırır, araştırmacıların yeni ilaç moleküllerini daha çabuk keşfetmelerini sağlar ve klinik karar verme süreçlerini optimize eder.
- Doğruluk ve Hata Payının Azalması: YZ, insan gözünün veya beyninin kaçırabileceği ince ayrıntıları tespit edebilir. Özellikle radyoloji ve patolojideki yüksek doğruluk oranları, yanlış teşhis olasılığını azaltır ve daha tutarlı sonuçlar elde edilmesini sağlar.
- Kişiselleştirilmiş Tıp: Her bireyin genetik yapısı, yaşam tarzı ve sağlık geçmişi farklıdır. YZ, bu bireysel verileri analiz ederek hastaya özel tedavi planları, ilaç dozajları ve önleyici sağlık stratejileri geliştirmemize olanak tanır.
- Sağlık Hizmetlerine Erişim: YZ destekli mobil uygulamalar veya tele-tıp platformları, uzak bölgelerdeki veya kısıtlı imkanlara sahip hastaların uzman görüşüne ve temel sağlık hizmetlerine daha kolay erişmesini sağlayabilir.
- Yeni Keşifler ve Bilimsel İlerlemeler: AlphaFold örneğinde olduğu gibi, YZ temel bilimsel problemlere çözüm getirerek yeni ilaçların, aşıların ve tedavi yöntemlerinin keşfedilmesine olanak tanır. Bilimsel araştırmaları hızlandırır ve veri analizi kapasitesini artırır.
Zorluklar:
- Veri Güvenliği ve Gizliliği: Hastaların hassas sağlık verilerinin toplanması, saklanması ve işlenmesi, büyük veri güvenliği ve gizlilik endişelerini beraberinde getirir. HIPAA ve GDPR gibi düzenlemelere uyum, bu alanda kritik öneme sahiptir.
- Etik Sorunlar ve Sorumluluk: YZ algoritmalarının aldığı kararların etik sonuçları, özellikle ölüm kalım meselelerinde kimin sorumlu olacağı (doktor, YZ geliştiricisi, kurum?) gibi soruları gündeme getirir. Önyargılı (biased) veri setleriyle eğitilmiş algoritmaların belirli hasta gruplarına karşı ayrımcı kararlar alması riski de mevcuttur.
- Düzenlemeler ve Onay Süreçleri: YZ destekli tıbbi cihazlar ve yazılımlar için uygun düzenleyici çerçeveler oluşturmak ve bu sistemlerin klinik kullanıma uygunluğunu onaylamak, karmaşık ve zaman alıcı bir süreçtir.
- Entegrasyon Maliyetleri ve Altyapı: YZ sistemlerinin mevcut sağlık altyapılarına entegrasyonu, yüksek maliyetli donanım, yazılım ve uzman insan kaynağı gerektirebilir. Bu, özellikle daha kısıtlı bütçelere sahip kurumlar için bir engel teşkil edebilir.
- İnsan Faktörü ve Güven: Doktorların ve hastaların YZ sistemlerine güven duyması, adaptasyon süreçleri için hayati öneme sahiptir. YZ'nin insan uzmanların yerini alacağı algısı yerine, destekleyici bir araç olduğu algısının yerleştirilmesi gerekmektedir.
Mobil Sağlık Uygulamalarında Yapay Zeka: Kullanıcı Deneyimini Nasıl Geliştirebiliriz?
Mobil sağlık uygulamaları (mHealth), akıllı telefonlar ve giyilebilir cihazlar aracılığıyla sağlık hizmetlerine erişimi kolaylaştırarak, hastaların kendi sağlıklarını daha aktif yönetmelerine olanak tanır. Yapay zeka entegrasyonuyla birlikte, bu uygulamalar kişiselleştirilmiş geri bildirimler, proaktif sağlık önerileri ve hatta erken teşhis uyarıları sunarak kullanıcı deneyimini radikal bir şekilde geliştirebilir. YZ, mobil sağlık uygulamalarını sadece veri toplayan araçlar olmaktan çıkarıp, adeta cepteki kişisel sağlık koçlarına dönüştürmektedir.
Bir YZ destekli mobil sağlık uygulaması, kullanıcının giyilebilir sensörlerden topladığı kalp atış hızı, uyku düzeni, adım sayısı gibi biyometrik verileri sürekli olarak analiz edebilir. Bu verilerle birlikte, kullanıcının manuel olarak girdiği diyet bilgileri veya semptom günlüğü gibi ek bilgiler de YZ algoritmaları tarafından işlenir. Örneğin, bir kullanıcının kalp atış hızında veya uyku düzeninde anormallikler tespit edildiğinde, YZ modeli bu değişiklikleri geçmiş verilerle karşılaştırarak potansiyel bir sağlık sorununu veya stres seviyesindeki artışı öngörebilir. Uygulama, bu durumda kullanıcıya egzersiz önerileri, stres azaltma teknikleri veya bir doktora danışma tavsiyesi gibi kişiselleştirilmiş bildirimler gönderebilir.
Daha ileri düzeyde YZ entegrasyonları, doğal dil işleme (NLP) kullanarak semptom takibi veya diyet danışmanlığı gibi özellikler sunabilir. Kullanıcılar, uygulama içindeki bir sohbet botuna semptomlarını doğal dilde anlatabilir ve YZ, bu girdileri analiz ederek potansiyel durumlar hakkında bilgi verebilir veya bir sonraki adımı (örneğin bir doktordan randevu alma) önerebilir. Elbette bu tür sistemler tanı koymaz, ancak kullanıcıları bilgilendirir ve doğru yönlendirmeler yapar. Diyabet hastaları için bir mobil uygulama, yemek kayıtlarını analiz ederek kan şekeri seviyeleri üzerindeki olası etkilerini tahmin edebilir ve buna göre diyet veya insülin dozajı hakkında kişiselleştirilmiş öneriler sunabilir.
Mobil uyumluluk, bu uygulamaların başarısı için vazgeçilmezdir. Kullanıcılar farklı ekran boyutlarına sahip cihazlarda (akıllı telefonlar, tabletler) tutarlı ve erişilebilir bir deneyim bekler. Bu noktada CSS medya sorguları (media queries) devreye girer. Medya sorguları, web sayfalarının ve mobil uygulamaların arayüzlerinin, kullanıcının cihazının ekran boyutuna, yönüne ve çözünürlüğüne göre otomatik olarak uyum sağlamasına olanak tanır. Aşağıdaki örnek, temel bir mobil uyumlu tasarımın nasıl yapılabileceğini göstermektedir:
Bu CSS kodu,