Sesli yapay zekâ kayıtçısıyla olay raporları daha eksiksiz

Çalışma, Singapur General Hospital Hemşirelik Yönetimi Bölümü'nden beş yazar tarafından yürütüldü. NARRATE, "olayların doğru aktarımı için yapay zekâ ile iyileştirilmiş hemşirelik" anlamına gelen bir kısaltma. Akış, SingHealth'in kurum içinde geliştirdiği Note Buddy adlı ortam dinleyen kayıtçı (ambient scribe) üzerine kuruldu. Bu tür araçlar konuşmayı yazıya döker ve bir büyük dil modeli (LLM; metin üreten yapay zekâ modeli) ile nota dönüştürür.

Sorumlu hemşire olayı sesli anlatıyor, sistem de SBAR (Durum-Öykü-Değerlendirme-Öneri) biçiminde bir taslak üretiyor. Komutlar, Dünya Sağlık Örgütü'nün (DSÖ) olay bildirimi için tanımladığı asgari bilgi modeline göre hazırlandı. Kritik bir bilgi eksikse taslakta görünür bir "eksik bilgi" işareti kalıyor. Rapor sisteme aktarılmadan önce taslağı doğrulamak ve eksikleri tamamlamak sorumlunun zorunlu görevi.

Araştırmacılar düşme ve ilaç uygulamasıyla ilgili olaylara ait 150 raporu karşılaştırdı. Bunların 75'i Haziran–Ağustos 2025'teki geleneksel serbest metin döneminden, 75'i Ocak–Mart 2026'daki NARRATE döneminden seçildi. Raporları, tasarıma katılmamış iki değerlendirici kimliksizleştirilmiş hâlde puanladı.

DSÖ uyumlu eksiksizlik puanı ortalaması 11,81'den 13,61'e yükseldi. Aynı sorumlunun birden çok raporu hesaba katıldığında fark 1,95 puandı (%95 GA 0,91–3,00). Anlatı kalitesi için uyarlanan PDQI ölçeğinde (hekim belgeleme kalitesi aracı) ortalama 3,61'den 4,13'e çıktı. Rapor uzunlukları ise benzerdi (ortalama 777'ye karşı 733 kelime).

Keşif amaçlı alt analizde kazanç en çok "neden oldu" ve "ne yapıldı" bölümlerinde görüldü. Olayın tanımı zaten iyi yazılıyordu; bu bölümde anlamlı fark çıkmadı. Bu örüntü, yapılandırılmış komutların en çok atlanan içeriği hatırlattığını düşündürüyor.

Yazarlar bir yanlılık kaynağını da sınadı. SBAR başlıkları değerlendiriciye raporun hangi döneme ait olduğunu ele verebilirdi. Bu yüzden 60 rapor biçimsiz düz paragrafa çevrilip yeniden puanlandı. Eksiksizlik farkı sürdü (1,70; %95 GA 0,27–3,14), ancak sentez, iç tutarlılık ve denge alanlarındaki farklar anlamlılığını yitirdi.

Değerlendiriciler arası uyum orta düzeydeydi. Eksiksizlik puanında tek değerlendirici için ICC (sınıf içi korelasyon katsayısı, puanlayıcı uyumu ölçüsü) 0,689 bulundu. Ayrışmalar en çok katkıda bulunan etkenler gibi yorum gerektiren maddelerde toplandı. Bu da en çok iyileşen bölümün en öznel puanlanan bölüm olduğunu hatırlatıyor.

Sınırlılıklar ciddi ve yazarlar bunları açıkça yazıyor. Tasarım geriye dönük öncesi-sonrası karşılaştırmadır; nedensellik kurulamaz. NARRATE kullanımı gönüllüydü ve uygun raporların yaklaşık %40'ını oluşturuyordu. İki dönemde rapor yazan sorumlular tamamen farklı kişilerdi.

Değerlendirme listesi, aynı DSÖ modeline dayanan komutlar kilitlendikten sonra kesinleştirildi. Bu durum, ölçütün araca göre biçimlenmesi riskini doğuruyor. En önemlisi, ses kaydı saklanmadığı için raporların olguya ne kadar sadık kaldığı ölçülemedi. Yazarlar çıkar çatışması bildirmedi.

Bu çalışmanın mesajı, ortam dinleyen yapay zekânın yalnız hekim notu için değil, güvenlik raporları için de kullanılabileceği. Çalışma zaman tasarrufunu ölçmedi. Gösterilen kazanç, eksik bilgiyi görünür kılan yapılandırmayla ilişkili. Kliniğinizde benzer bir araç gündeme gelirse şu soruları sorun:

• Taslak ile son rapor arasında doğruluk denetimi yapılıyor mu?
• Kullanım gönüllüyse, kullanmayanlarla eşzamanlı bir karşılaştırma planlandı mı?
• Ses kaydı saklanıyor mu, saklanmıyorsa hata sonradan nasıl izlenecek?
• Raporların suçlayıcı değil, sistem odaklı kalması nasıl güvenceye alınıyor?

Daha düzenli bir rapor, daha doğru bir rapor anlamına gelmez. Üstelik çalışmada daha iyi raporların daha az olaya ya da daha iyi önlemlere yol açtığı gösterilmedi.

Sağlık Bakanlığı'nın kalite ve akreditasyon sitesinde "Türkiye Hasta Güvenliği Bildirim Sistemi" adlı bir dijital uygulama yer alıyor. Bu çalışma, yapay zekâ destekli bir akışın böyle bir bildirim altyapısına nasıl bağlanacağını değil, rapor içeriğinin kalitesini inceledi. Türkçe konuşmada aynı performansın elde edilip edilmeyeceği bilinmiyor.

Olay anlatımları hem hasta hem çalışan bilgisi içerir. Kişisel Verilerin Korunması Kanunu (KVKK) sağlık verisini özel nitelikli sayar; ses işleyen bir aracın veriyi nerede işlediği bu yüzden açık olmalı. Singapur'daki aracın kurum içinde geliştirilmiş olması, bu soruyu yanıtlamayı kolaylaştıran bir tasarım tercihi.