Klinik Karar Destek Sistemleri — Modern Tasarım Prensipleri

Klinik karar destek sistemi (KDS) nedir?

Klinik karar destek sistemi (clinical decision support, CDS), hekime bakım anında hastaya özgü bilgi, uyarı veya öneri sunan yazılımdır. Hastanın elektronik kaydındaki verileri klinik kurallar veya modellerle karşılaştırır; sonucu uyarı, hatırlatma, risk skoru veya öneri olarak gösterir.

Klasik örnekler: ilaç-ilaç etkileşim uyarısı, böbrek fonksiyonuna göre doz uyarısı, alerji uyarısı, erken uyarı skorları (NEWS2 gibi). Yeni nesil sistemler makine öğrenmesiyle görüntü, EKG veya laboratuvar örüntülerinden tahmin üretir.

Teşhis veya tedavi kararı için hastaya özgü bilgi üreten KDS yazılımları çoğu durumda tıbbi cihaz yazılımıdır (AB MDR Kural 11, MDCG 2019-11). Ayrıntı: /ai/turkiyede-yapay-zeka-regulasyonu

Uyarı yorgunluğu

İlaç güvenliği uyarılarının büyük kısmı hekimler tarafından geçersiz kılınır. Sistematik bir derleme, uyarıların %49 ile %96’sının geçersiz kılındığını bildirmiştir (van der Sijs ve ark., J Am Med Inform Assoc 2006). Çok sayıda düşük değerli uyarı, kritik uyarının da gözden kaçmasına yol açabilir.

İyi tasarlanmış KDS’de dikkat edilecekler:

• **Özgüllük**: uyarı, hastanın bağlamını (böbrek fonksiyonu, gebelik, alerji) dikkate almalı.
• **Kademelendirme**: yalnız kritik uyarılar iş akışını durdurmalı; diğerleri pasif gösterilebilir.
• **Geri bildirim döngüsü**: geçersiz kılma gerekçeleri toplanmalı ve kurallar düzenli olarak gözden geçirilmeli.
• **Yerel doğrulama**: eşikler kurumun hasta popülasyonunda test edilmeli.

Kanıt ve şeffaflık

Bir önerinin nereden geldiği görülebilmelidir: uzmanlık derneği kılavuzu, doğrulanmış klinik skor (CHA₂DS₂-VASc, Wells gibi) veya yayımlanmış bir modelin doğrulama çalışması.

Model tabanlı sistemlerde ayrıca şunlar sorulmalıdır: model hangi veriyle eğitildi, dış doğrulaması var mı, alt gruplarda performans nasıl, eşik nasıl seçildi, sonuçlar hasta çıktısında fark yarattı mı?

Makine öğrenmesi tabanlı KDS: farklar ve riskler

Kural tabanlı KDS’de kuralı insanlar yazar. Makine öğrenmesi tabanlı KDS’de örüntüler veriden öğrenilir; bu nadir ve çok değişkenli ilişkileri yakalayabilir.

Başlıca riskler: kararın gerekçesinin açıklanamaması, eğitim verisinde az temsil edilen gruplarda düşük performans, farklı bir hastaneye taşındığında performans kaybı ve zamanla veri kayması. Bu yüzden yerel doğrulama ve sürekli izleme gerekir.

FDA’nın pazarlama kararı verdiği yapay zekâ destekli cihaz sayısı hızla arttı; ancak bir analiz, Aralık 2025’e kadar listelenen 1.357 cihazdan yalnızca 3’ünde hasta merkezli sonuçların değerlendirildiğini gösterdi. Ayrıntı: /haberler/fda-onayli-yapay-zeka-tibbi-cihazlar-hasta-sonucu-testi

Hekim için pratik özet

Bir KDS’yi değerlendirirken üç soru sorun: (1) Uyarılar klinik olarak anlamlı mı? (2) Kaynağını veya doğrulama kanıtını gösteriyor mu? (3) Hastanın bağlamını dikkate alıyor mu?

Sık yanlış uyarı veren kuralları sistem yöneticisine bildirin; bu geri bildirim kural setinin iyileştirilmesi için gereklidir.