Sağlıkta Yapay Zeka İnovasyonu ve Mali İhtiyatın Kesişim Noktası
Sağlık sektörü yöneticileri, giderek karmaşıklaşan bir manzarada yol alıyorlar. Hasta bakım kalitesini ve sonuçlarını iyileştirme zorunluluğu tartışılmazken, bu durum artan operasyonel giderler, karmaşık düzenleyici çerçeveler ve önemli sermaye kısıtlamaları zemininde gerçekleşiyor. Yapay zeka bir devrim vaat etti; süreçleri kolaylaştırmanın ve yeni klinik içgörülerin kilidini açmanın bir yolu. Ancak, özellikle önemli hesaplama kaynakları gerektiren ve büyük ölçüde bulut altyapısına dayanan birçok mevcut yapay zeka çözümü, istemeden finansal baskıları artırdı ve genellikle beklenen, net yatırım getirisini sağlayamadı. Bu büyük ölçekli modellerin dağıtımı ve bakımıyla ilişkili maliyet ve karmaşıklık, birçok kurum için zorlu bir engel teşkil ediyor.
Bu gerçeklik, sağlık hizmetlerinde geleneksel yapay zeka stratejisinin temelden yeniden değerlendirilmesini gerektiriyor. Stratejik liderlik artık kaynak yoğun, genellikle tescilli sistemlerden daha yalın, olağanüstü verimli yapay zeka mimarilerine yönelmelidir. Gelecek, hesaplama gücü veya finansal sermaye gibi kaynakların dikkatli bir şekilde yönetildiği ortamlar için özel olarak optimize edilmiş açık kaynaklı modelleri benimsemekte yatıyor. Sağlık kuruluşları, ‘elastik’ yapay zeka modellerini – yani fahiş genel giderler olmadan yüksek performans sunabilen modelleri – stratejik olarak benimseyerek aynı anda birden fazla kritik hedefi gerçekleştirebilirler. Karmaşık operasyonları önemli ölçüde kolaylaştırma, hesaplamayla ilgili harcamaları büyük ölçüde azaltma, sıkı uyumluluk standartlarını koruma ve hasta bakımında daha hedefli, etkili yenilikleri teşvik etme potansiyeline sahipler. Bu paradigma kayması, üst düzey sağlık liderlerinin yalnızca maliyet kontrolünün ötesine geçmesini sağlar; yapay zekayı potansiyel bir maliyet merkezinden stratejik avantaj ve sürdürülebilir büyüme için güçlü bir motora dönüştürmelerini sağlar. Zorluk artık sadece yapay zekayı benimsemek değil, onu akıllıca benimsemektir.
Maliyet Etkin Yapay Zeka Alternatifleri Arasında Bir Rota Çizmek
Bu stratejik zorunlulukları başarıyla yönetmek için sağlık liderleri, finansal yönetim ve klinik yenilik ilkeleriyle sorunsuz bir şekilde uyum sağlarken performansı önceliklendiren hafif yapay zeka mimarilerinin benimsenmesini savunmalıdır. Mixture-of-Experts (MoE) büyük dil modellerinin ortaya çıkışı, bu bağlamda önemli bir ileri adımdır ve her sorgu için tüm ağlarını kullanarak bilgiyi işleyen geleneksel ‘yoğun’ modellere kıyasla cazip maliyet etkin alternatifler sunar.
Verimliliği temel alarak tasarlanan yeni modelleri düşünün. Raporlar, belirli gelişmiş MoE modellerinin eğitim maliyetlerinin tek haneli milyon dolarlarla ölçüldüğünü gösteriyor – bu, teknoloji devleri tarafından karşılaştırılabilir yoğun modelleri geliştirmek için sıklıkla harcanan on milyonlarca, hatta yüz milyonlarca dolarla keskin bir tezat oluşturuyor. Ön geliştirme maliyetindeki bu dramatik düşüş, gelişmiş yapay zeka yeteneklerinin potansiyel bir demokratikleşmesine işaret ediyor. Ayrıca, Chain-of-Experts (CoE) gibi yenilikçi çerçeveler, uzman alt ağlarını paralel yerine sıralı olarak etkinleştirerek MoE konseptini geliştirir. Bu sıralı işleme, operasyon sırasında gereken hesaplama kaynaklarını daha da azaltarak, modelin analitik derinliğinden ödün vermeden genel verimliliği artırır. Kanıtlanabilir avantajlar, yapay zeka modelinin aktif olarak kullanıldığı aşama olan çıkarıma da uzanır. DeepSpeed-MoE gibi mimariler için yapılan karşılaştırmalar, çıkarım süreçlerinin eşdeğer yoğun modellere göre 4.5 kata kadar daha hızlı çalıştığını ve 9 kat daha ucuz olduğunu göstermiştir. Bu rakamlar, MoE mimarilerinde bulunan somut maliyet avantajlarını güçlü bir şekilde vurgulayarak, sofistike yapay zekayı daha geniş bir sağlık uygulamaları yelpazesi için daha erişilebilir ve ekonomik olarak uygulanabilir hale getiriyor. Bu alternatifleri benimsemek sadece para tasarrufu yapmakla ilgili değil; aynı zamanda değer yaratan teknolojiye daha akıllı, daha sürdürülebilir yatırımlar yapmakla ilgilidir.
Operasyonel Üstünlük İçin Açık Kaynak Gücünden Yararlanmak
DeepSeek-V3-0324 gibi yenilikler bu değişimi örnekliyor ve yapay zeka teknolojisindeki sadece artımlı bir iyileştirmeden çok daha fazlasını temsil ediyor; sağlık sektörü için stratejik bir dönüm noktasına işaret ediyorlar. Açık kaynaklı, Mixture-of-Experts (MoE) temeli üzerine inşa edilen bu özel model, Multi-Head Latent Attention (MLA) ve Multi-Token Prediction (MTP) gibi en son tekniklerden yararlanıyor. Tasarımı, gelişmiş yapay zeka yetenekleri arayan sağlık kuruluşları için geleneksel giriş engellerini önemli ölçüde düşürüyor. Son teknoloji dil modellerini Mac Studio gibi üst düzey bir masaüstü bilgisayar gibi yerel donanımda etkili bir şekilde çalıştırma olasılığı, derin bir değişimi ifade ediyor. Yapay zeka dağıtımını, bulut hizmetlerine bağlı potansiyel olarak külfetli, devam eden bir operasyonel harcamadan, donanıma yapılan daha öngörülebilir, yönetilebilir, tek seferlik bir sermaye yatırımına dönüştürüyor.
MoE mimarisinin kendisi, yapay zeka uygulamasının ekonomik denklemini temelden yeniden yazıyor. Her bir sorgu için milyarlarca parametreyi etkinleştirmek yerine, DeepSeek, devasa parametre havuzundan (toplamda 685 milyar parametre olduğu bildiriliyor, ancak sorgu başına yalnızca yaklaşık 37 milyar kullanılıyor) yalnızca en ilgili ‘uzman’ alt ağlarını seçici olarak devreye sokuyor. Bu seçici aktivasyon, çıktının kalitesinden veya karmaşıklığından ödün vermeden dikkate değer bir hesaplama verimliliği sağlıyor. Dahil edilen MLA tekniği, modelin kapsamlı hasta kayıtlarını veya yoğun, karmaşık klinik kılavuzları işlerken bile incelikli bağlamı kavrayıp sürdürebilmesini sağlıyor – sağlık hizmetlerinde kritik bir yetenek. Eş zamanlı olarak, MTP, modelin metni token token üreten geleneksel modellere göre önemli ölçüde daha hızlı – potansiyel olarak %80’e kadar daha hızlı – kapsamlı ve tutarlı yanıtlar üretmesini sağlıyor. Operasyonel şeffaflık, hesaplama verimliliği ve hızın bu kombinasyonu, doğrudan gerçek zamanlı, yerelleştirilmiş klinik destek potansiyeline dönüşüyor. Yapay zeka yardımı doğrudan bakım noktasında sunulabilir, böylece genellikle bulut bağımlı çözümlerle ilişkili gecikme sorunları ve veri gizliliği endişeleri azaltılır.
Sağlık yöneticileri, DeepSeek-V3 gibi modellerin sunduğu stratejik esnekliği sadece teknik bir harikadan daha fazlası olarak kavramalıdır; sektör genelinde yalın yapay zeka benimsemesine doğru radikal bir hareketi müjdeliyor. Tarihsel olarak, üst düzey yapay zeka modellerine erişim, bulut altyapısına ve devam eden hizmet ücretlerine önemli yatırımlar gerektiriyordu, bu da kullanımlarını etkili bir şekilde büyük, iyi finanse edilen kurumlarla sınırlıyor ve daha küçük kuruluşları harici satıcılara veya daha az yetenekli araçlara bağımlı bırakıyordu. DeepSeek ve benzeri açık kaynak girişimleri bu paradigmayı yıkıyor. Artık toplum hastaneleri, kırsal klinikler veya orta ölçekli özel muayenehaneler bile, daha önce yalnızca önemli sermaye kaynaklarına ve özel BT altyapısına sahip büyük akademik tıp merkezlerinin veya büyük hastane sistemlerinin özel alanı olan sofistike yapay zeka araçlarını gerçekçi bir şekilde dağıtabilir. Bu demokratikleşme potansiyeli, gelişmiş sağlık teknolojisine eşit erişim için oyunun kurallarını değiştiriyor.
Finansal Manzarayı Yeniden Şekillendirmek: Yapay Zeka İçin Yeni Bir Ekonomi
Verimli, açık kaynaklı yapay zekaya doğru bu kaymanın finansal etkileri derindir ve abartılamaz. OpenAI (GPT serisi) veya Anthropic (Claude serisi) gibi büyük yapay zeka laboratuvarları tarafından geliştirilen tescilli modeller, doğası gereği sürekli, ölçeklenen maliyetler içerir. Bu maliyetler bulut bilişim kullanımı, API çağrı ücretleri, veri transfer ücretleri ve bu devasa modelleri çalıştırmak için gereken önemli hesaplama yükünden kaynaklanır. Her sorgu, her analiz, büyüyen bir operasyonel gider kalemine katkıda bulunur.
Buna karşılık, DeepSeek-V3 gibi hesaplama açısından tutumlu, verimlilik için optimize edilmiş ve yerel altyapıda çalışabilen tasarımlar, bu devam eden operasyonel maliyetleri bir büyüklük sırası veya potansiyel olarak daha fazla azaltabilir. Erken karşılaştırmalar ve tahminler, benzer görevler için önde gelen tescilli bulut tabanlı yapay zeka hizmetlerini kullanmaya kıyasla potansiyel operasyonel tasarrufların 50 kata kadar ulaşabileceğini göstermektedir. Bu dramatik azalma, yapay zeka uygulaması için Toplam Sahip Olma Maliyeti (TCO) hesaplamasını temelden değiştirir. Daha önce yüksek, tekrarlayan ve genellikle öngörülemeyen bir operasyonel gider olan şey, önemli ölçüde daha düşük devam eden işletme maliyetleriyle daha yönetilebilir, uygun fiyatlı ve öngörülebilir bir sermaye yatırımına (öncelikle donanımda) dönüşür. Bu finansal yeniden yapılandırma, sağlık kuruluşlarının ödeme gücünü, bütçe öngörülebilirliğini ve genel finansal çevikliğini önemli ölçüde artırır, hasta bakımı, personel veya tesis iyileştirmeleri gibi diğer kritik yatırımlar için sermayeyi serbest bırakır. Yapay zekanın finansal bir yük yerine sürdürülebilir bir varlık haline gelmesini sağlar.
Klinik Farklılığa Ulaşmak: Kararları ve Bakım Sunumunu Güçlendirmek
Etkileyici finansal ve operasyonel avantajların ötesinde, DeepSeek-V3 gibi verimli yapay zeka modellerinin yetenekleri, sağlık hizmetlerinin temel misyonuna derinden uzanır: klinik operasyonları ve hasta sonuçlarını iyileştirmek. Modelin kanıtlanmış doğruluğu ve büyük veri kümeleri arasında bağlamı koruma yeteneği, kritik klinik uygulamalara güçlü bir şekilde katkıda bulunur. Bu tür modellerle desteklenen sofistike klinik karar destek sistemlerini hayal edin; bir hastanın karmaşık geçmişini, mevcut semptomlarını ve laboratuvar sonuçlarını en son tıbbi literatür ve tedavi kılavuzlarına karşı anında analiz ederek klinisyenlere kanıta dayalı öneriler sunabilirler.
Ayrıca, bu modeller kapsamlı elektronik sağlık kayıtlarının (EHR) hızlı özetlenmesinde mükemmeldir, meşgul doktorlar için önemli bilgileri hızla çıkarır veya kısa devir teslim raporları oluşturur. Belki de en dönüştürücü olanı, son derece kişiselleştirilmiş tedavi planlarının geliştirilmesine yardımcı olabilmeleridir. Hastaya özgü klinik verileri, genomik bilgileri, yaşam tarzı faktörlerini ve hatta sağlığın sosyal belirleyicilerini entegre ederek, yapay zeka tedavileri benzeri görülmemiş bir hassasiyetle uyarlamaya yardımcı olabilir. Örneğin, klinisyenler, bir hastanın ayrıntılı tıbbi geçmişini ve genetik belirteçlerini geniş onkoloji veritabanları ve araştırma makaleleriyle karşılaştırmak için verimli, yerel olarak çalışan bir yapay zekadan yararlanarak son derece spesifik ayırıcı tanılar veya özelleştirilmiş kemoterapi rejimleri oluşturabilirler. Bu tür hedeflenmiş içgörüler yalnızca hasta sonuçlarını optimize etme ve yaşam kalitesini iyileştirme potansiyeline sahip olmakla kalmaz, aynı zamanda operasyonel verimlilik kazanımlarını mümkün olan en iyi hasta bakımını sağlama temel, misyon odaklı hedefiyle mükemmel bir şekilde hizalar. Teknoloji, daha yüksek kaliteli, daha kişiselleştirilmiş tıbbın bir sağlayıcısı haline gelir.
İnsan Bağlantısı İçin Yapay Zekayı İnce Ayarlamak: Hasta Katılımı Zorunluluğu
Hasta iletişimi ve eğitimi, gelişmiş yapay zekanın önemli değer sunabileceği ancak dikkatli bir değerlendirme gerektiren başka bir hayati alandır. DeepSeek gibi modellerin varsayılan entelektüel hassasiyeti ve olgusal doğruluğu klinik görevler için çok önemli olsa da, bu tarz doğrudan hasta etkileşimi için optimal olmayabilir. Etkili iletişim empati, duyarlılık ve karmaşık bilgileri erişilebilir ve güven verici bir şekilde iletme yeteneği gerektirir. Bu nedenle, hasta odaklı uygulamalarda yapay zekanın tam potansiyelini gerçekleştirmek stratejik özelleştirme gerektirir.
Bu kalibrasyon, modeli empatik iletişim veri kümeleri üzerinde ince ayarlama gibi tekniklerle veya hasta materyalleri veya sohbet botu yanıtları oluşturmak için kullanılan istemlerde açık talimatlar sağlayarak başarılabilir. Sağlık yöneticileri, hasta katılımı için yalnızca güçlü bir yapay zeka dağıtmanın yetersiz olduğunu kabul etmelidir; güven oluşturmak, sağlık okuryazarlığını geliştirmek ve genel hasta memnuniyetini artırmak için gerekli olan teknik doğruluk ile incelikli sıcaklık arasında doğru dengeyi kurmak için düşünceli bir adaptasyon gerektirir.
Dahası, DeepSeek gibi modellerin açık kaynaklı doğası, uygun şekilde uygulandığında güvenlik ve veri gizliliği açısından belirgin bir avantaj sunar. Modeli tamamen şirket içinde barındırma yeteneği, kendi kendine yeten bir dağıtım ortamı yaratır. Bu, hassas hasta verilerini tamamen kuruluşun güvenlik duvarları içinde ve doğrudan kontrolü altında tutarak güvenlik duruşunu önemli ölçüde artırır. Genellikle verileri karmaşık satıcı anlaşmaları ve potansiyel olarak şeffaf olmayan sistem mimarileri tarafından yönetilen harici sunuculara iletmeyi içeren tescilli bulut tabanlı modellerin aksine, şirket içi açık kaynaklı bir çözüm, hem kodun hem de veri işleme süreçlerinin daha kolay, daha kapsamlı denetlenmesine olanak tanır. Kuruluşlar güvenlik protokollerini özelleştirebilir, erişimi titizlikle izleyebilir ve potansiyel tehditleri daha etkili bir şekilde kontrol altına alabilir. Bu doğal esneklik ve görünürlük, iyi yönetilen açık kaynak dağıtımlarını, korunan sağlık bilgilerini (PHI) işlemek için yalnızca harici, kapalı kaynak sistemlere güvenmeye kıyasla daha güvenli, daha kontrol edilebilir bir alternatif haline getirebilir, böylece güvenlik açıklarını azaltır ve veri ihlalleriveya yetkisiz erişimle ilişkili riskleri azaltır.
İp Üstünde Ustalaşmak: Şeffaflık, Gözetim ve Riski Dengelemek
Son derece verimli, uygun maliyetli yapay zeka çözümlerinin cazibesi yadsınamaz olsa da, sağlık yöneticileri ilgili risklerin net bir değerlendirmesiyle ilerlemelidir. Özellikle model şeffaflığı, veri egemenliği, klinik güvenilirlik ve potansiyel önyargılar konusunda kritik değerlendirme gereklidir. Parametrelerin paylaşıldığı ‘açık ağırlıklı’ modellerde bile, temel eğitim verileri genellikle erişilemez veya yetersiz belgelenmiş olarak kalır. Modeli eğitmek için kullanılan verilere ilişkin bu içgörü eksikliği, eşit olmayan veya yanlış çıktılara yol açabilecek doğal önyargıları – toplumsal, demografik veya klinik – gizleyebilir. Ayrıca, bazı modellere gömülü sansür veya içerik filtrelemenin belgelenmiş örnekleri, tarafsızlık ve tam şeffaflık iddialarını baltalayan önceden programlanmış önyargıları ortaya koymaktadır.
Bu nedenle yöneticiler bu potansiyel eksiklikleri öngörmeli ve proaktif olarak azaltmalıdır. Açık kaynaklı modelleri etkili bir şekilde dağıtmak, önemli sorumluluğu sağlık kuruluşunun iç ekiplerine kaydırır. Bu ekipler, sağlam güvenlik önlemlerinin alınmasını sağlamalı, HIPAA gibi düzenleyici gerekliliklere sıkı sıkıya bağlı kalmalı ve yapay zeka çıktılarındaki önyargıyı belirlemek ve azaltmak için titiz süreçler uygulamalıdır. Açık doğa, kodu denetlemek ve modelleri iyileştirmek için benzersiz fırsatlar sunarken, aynı zamanda net yönetişim yapılarının kurulmasını gerektirir. Bu, özel gözetim komiteleri oluşturmayı, yapay zeka kullanımı için net politikalar tanımlamayı ve yapay zeka performansını değerlendirmek, zararlı ‘halüsinasyonları’ (uydurma bilgiler) tespit etmek ve etik ilkelere ve düzenleyici standartlara sarsılmaz bağlılığı sürdürmek için sürekli izleme protokolleri uygulamayı içerir.
Ayrıca, veri gizliliği, güvenlik protokolleri ve düzenleyici gözetim için farklı standartlara sahip yargı bölgeleri altında geliştirilen veya eğitilen teknolojiyi kullanmak ek karmaşıklık katmanları getirir. Bu, kuruluşu öngörülemeyen uyumluluk zorluklarına veya veri yönetişimi risklerine maruz bırakabilir. Sağlam yönetişimi sağlamak – titiz denetim uygulamaları, proaktif önyargı azaltma stratejileri, yapay zeka çıktılarının klinik uzmanlığa karşı sürekli doğrulanması ve özenli operasyonel gözetim yoluyla – faydaları kullanırken bu çok yönlü riskleri etkili bir şekilde azaltmak için kesinlikle gereklidir. Liderlik ekipleri, özellikle uluslararası kaynaklardan veya çeşitli düzenleyici ortamlardan kaynaklanan güçlü araçları benimsemenin doğasında bulunan karmaşıklıkları dikkatlice yönetirken, bu güçlü teknolojilerin dönüştürücü potansiyelini en üst düzeye çıkararak net politikaları, hesap verebilirlik çerçevelerini ve sürekli öğrenme döngülerini stratejik olarak yerleştirmelidir. Kritik olarak, insan gözetimi, yapay zeka tarafından üretilen klinik önerilerin her zaman nitelikli sağlık profesyonellerinin yargısını destekleyen ancak asla yerine geçmeyen bir danışmanlık işlevi görmesini sağlayan, pazarlık edilemez bir operasyonel koruma önlemi olarak kalmalıdır.
Geleceği Tasarlamak: Yalın Yapay Zeka ile Rekabet Avantajı Oluşturmak
Stratejik bir bakış açısıyla, DeepSeek-V3 gibi verimli, açık kaynaklı yapay zeka modellerinin benimsenmesi yalnızca operasyonel bir yükseltme değildir; sağlık kuruluşlarının belirgin ve sürdürülebilir bir rekabet avantajı oluşturması için bir fırsattır. Bu avantaj, üstün operasyonel verimlilik, kişiselleştirilmiş hasta bakımı sunma yeteneklerinin geliştirilmesi ve daha fazla finansal dayanıklılık şeklinde kendini gösterir. Bu ortaya çıkan paradigma kaymasından etkili bir şekilde yararlanmak ve yalın yapay zekayı stratejik bir farklılaştırıcı olarak kullanmak için, sağlık kuruluşlarındaki üst yönetim birkaç temel eylemi önceliklendirmelidir:
- Odaklanmış Pilot Programlar Başlatın: Bu modellerin gerçek dünya senaryolarındaki etkinliğini titizlikle doğrulamak için belirli departmanlar veya klinik alanlar içinde hedeflenmiş pilot projeler başlatın. Hem klinik etkiyi (ör. tanısal doğruluk, tedavi planı optimizasyonu) hem de operasyonel faydaları (ör. zaman tasarrufu, maliyet azaltma) ölçün.
- Çok Disiplinli Uygulama Ekipleri Oluşturun: Klinisyenler, veri bilimcileri, BT uzmanları, hukuk/uyum uzmanları ve operasyonel yöneticilerden oluşan özel ekipler oluşturun. Bu işlevler arası yaklaşım, yapay zeka çözümlerinin izole teknik uygulamalar olmak yerine mevcut klinik iş akışlarına ve idari süreçlere düşünceli ve kapsamlı bir şekilde entegre edilmesini sağlar.
- Ayrıntılı Maliyet-Fayda Analizleri Yapın: Yalın, potansiyel olarak şirket içi yapay zeka çözümlerinin uygun ekonomisini, mevcut tescilli veya bulut ağırlıklı alternatiflerin TCO’su ile karşılaştırarak doğru bir şekilde yansıtan ayrıntılı finansal modelleme yapın. Bu analiz yatırım kararlarını bilgilendirmeli ve yatırım getirisini göstermelidir.
- Net Performans Metrikleri ve Başarı Kriterleri Belirleyin: Yapay zeka uygulaması için spesifik, ölçülebilir, ulaşılabilir, ilgili ve zamana bağlı (SMART) hedefler tanımlayın. Performansı bu metriklere göre sürekli izleyin, zaman içinde yinelemeli iyileştirmeler yapmak ve dağıtım stratejilerini iyileştirmek için veri toplayın.
- Sağlam Yönetişim Çerçeveleri Geliştirin ve Uygulayın: Yapay zekaya özel olarak uyarlanmış kapsamlı yönetişim yapılarını proaktif olarak kurun. Bu çerçeveler risk yönetimi protokollerini ele almalı, ilgili tüm düzenlemelere (HIPAA, vb.) sarsılmaz uyumu sağlamalı, hasta gizliliğini ve veri güvenliğini korumalı ve yapay zeka kullanımı için etik yönergeleri ana hatlarıyla belirtmelidir.
Yalın yapay zeka ilkelerini proaktif olarak benimseyerek ve DeepSeek-V3 ve ardılları gibi modelleri keşfederek, sağlık yöneticileri sadece yeni teknolojiyi benimsemiyorlar; kuruluşlarının gelecek için stratejik yeteneklerini temelden yeniden şekillendiriyorlar. Bu yaklaşım, sağlık hizmeti sağlayıcılarını benzeri görülmemiş operasyonel mükemmellik seviyelerine ulaşma, klinik karar verme süreçlerini önemli ölçüde geliştirme, daha derin hasta katılımını teşvik etme ve teknolojik altyapılarını geleceğe hazırlama konusunda güçlendirir – tüm bunları yaparken genellikle gelişmiş yapay zeka benimsemesiyle ilişkili finansal yükü önemli ölçüde azaltır. Bu, sağlık hizmetlerinde daha akıllı, daha sürdürülebilir yeniliğe doğru stratejik bir dönüştür.