30 Saniyede Özet
Baş dönmesiyle gelen hastanın öyküsünü bir yapay zekâ ajanı alırsa, tanı uzmanınkiyle ne kadar örtüşür? Journal of Medical Internet Research (JMIR) dergisinde 7 Ağustos 2026'da yayımlanan Çin çalışmasında ajan, 176 hastanın 140'ında uzman tanısını ilk sıraya koydu. Uyum benign paroksismal pozisyonel vertigoda (BPPV) çok yüksek, vestibüler migrende daha düşüktü. Ajan muayene ve test sonuçlarını görmedi, bu yüzden tek başına tanı aracı değil.
Ne oldu?
Fudan Üniversitesi Göz ve KBB Hastanesi öncülüğündeki ekip, Çin'deki beş merkezde prospektif bir tanısal doğruluk çalışması yürüttü. Hasta alımı 25 Mart–1 Mayıs 2025 arasında yapıldı.
Çalışmanın iki aşaması vardı. İlk aşamada 10 büyük dil modeli (LLM; metin üreten yapay zekâ modeli) ve 5 kıdemli KBB uzmanı sınandı. Hepsi yapılandırılmış 227 vertigo öyküsünü değerlendirdi. Bu öykülerin 138'i gerçek hasta anketi, 89'u uzmanlarca kurgulanmış vakaydı.
Bu aşamada en iyi sonucu Gemini-2.5-pro ve o1 aldı (her biri %69,6). Uzman panelinin çoğunluk oyu %63,9'du. Hiçbir model uzman panelinden istatistiksel olarak anlamlı biçimde üstün çıkmadı.
İkinci aşamada DeepSeek-R1 tabanlı bir sohbet ajanı, hastane sunucularında yerel olarak çalıştırıldı. Hemşire, ajanın sorularını hastaya olduğu gibi okudu ve yanıtları tablete girdi. Görüşme ortanca 12 tur ve 9 dakika sürdü.
Ajan yalnızca öyküyü gördü. Muayene bulgusu, pozisyonel test, odyolojik test ya da görüntüleme sonucu almadı. Hekimler ajanın çıktısını görmeden kendi tanılarını koydu.
Kanıt ne kadar güçlü?
Analiz edilen 176 hastanın ortanca yaşı 51, %72,7'si kadındı. Ajan 140 hastada hekimle aynı tanıyı ilk sıraya koydu (%79,55; %95 GA %72,8–85,2).
Tanıya göre fark belirgindi. BPPV'de uyum 44 hastada 43'tü (%97,73). Ménière hastalığında 30 hastada 27 (%90) oldu.
Vestibüler migrende uyum 45 hastada 32'ye (%71,11) düştü. Kalıcı postural-algısal baş dönmesinde (PPPD, uzun süren ve ortamla tetiklenen işlevsel baş dönmesi) 28 hastada 19 (%67,86) kaldı. En sık yanlış etiket her iki grupta da BPPV'ydi.
Yazarlar 36 hatalı vakayı güvenlik açısından ayrıca sınıfladı. Santral ya da hayatı tehdit eden bir neden benign diye etiketlenmedi. Ancak ani işitme kaybı Ménière, labirent fistülü ise BPPV olarak sınıflandı.
Yazarlar bu tabloyu dikkatle yorumluyor. Kohortta santral nedenler zaten çok azdı. Bu nedenle ciddi bir tanıyı kaçırma riski bu çalışmayla güvenilir biçimde ölçülemezdi.
Diğer sınırlılıklar da önemli. Tanısı kesinleşmeyen 14 hasta ile protokol sapması olan 16 görüşme analiz dışı bırakıldı. Sapmaların çoğu, birden fazla hastanın konuşmasının tek oturuma girilmesiydi. Tüm görüşmeler Mandarin Çincesiyle yapıldı.
Hemşirenin yanıtları tablete aktarma biçimi denetlenmedi. Yazarlar, sonucun ajanın tek başına performansını değil, hemşire destekli iş akışını yansıttığını özellikle vurguluyor. Ajana her görüşmenin sonunda kesin bir tanı vermesi söylenmişti, yani belirsizlik bildiremiyordu.
Referans tanının güvenilirliği de sınandı. Bağımsız bir KBB uzmanı 40 vakada aynı tanıya %87,5 oranında ulaştı (kappa 0,83). En zayıf uyum vestibüler migrendeydi.
Çalışma Çin Ulusal Anahtar Ar-Ge Programı tarafından desteklendi. Yazarlar çıkar çatışması bildirmedi. Kullanılabilirlik, tedavi kararları ve klinik sonuçlar ölçülmedi.
Hekim için ne anlama geliyor?
Vestibüler tanıda öykü çoğu zaman en güçlü ipucu. Bu çalışma, yapılandırılmış ve eksiksiz bir öykünün yaygın periferik nedenleri ayırmada ne kadar ileri gidebileceğini gösteriyor. Aynı zamanda öykünün tek başına yetmediği yerleri de açıkça ortaya koyuyor.
Böyle bir aracı değerlendirirken şunlara dikkat edin:
- Araç yalnızca hekime yönelik bir anamnez yardımcısı olarak konumlanmalı.
- Ani işitme kaybı ve nörolojik bulgular için kırmızı bayrak yönlendirmesi olmalı.
- Acil serviste santral nedenleri dışlamak için muayene yerine geçmemeli.
- Vestibüler migren ve PPPD önerilerine daha şüpheci yaklaşılmalı.
- Model ve istem sürümleri kayıt altına alınmalı.
Türkiye'den bakınca
Çalışma Mandarin Çincesiyle ve Çin'deki hastanelerde yapıldı. Türkçe konuşan hastalarda aynı performans beklenmemeli, yerel doğrulama gerekir. Yazarlar da farklı dil ve sağlık sistemlerinde ayrı doğrulama çağrısı yapıyor.
Türkiye için en aktarılabilir ayrıntı, modelin hastane sunucularında yerel olarak çalıştırılması. Bu kurulumda hasta öyküsü kurum dışındaki bir servise gönderilmiyor. Kişisel Verilerin Korunması Kanunu (KVKK) sağlık verisini özel nitelikli saydığı için bu kurulum, modeli kendi sunucusunda çalıştıracak hastanelere örnek olabilir. Tanıya destek veren bir anamnez aracı, kullanım amacına göre Türkiye İlaç ve Tıbbi Cihaz Kurumu'nun (TİTCK) tıbbi cihaz mevzuatına da girebilir.
Sık sorulan sorular
Yapay zekâ uzman hekimden daha mı iyi tanı koydu?
Hayır. İlk aşamada modellerle uzman paneli arasında anlamlı fark çıkmadı. İkinci aşamada ajan, hekimin muayene sonrası koyduğu tanıyla karşılaştırıldı.
Bu ajan acil serviste inmeyi dışlamak için kullanılabilir mi?
Hayır. Çalışma ayaktan KBB polikliniklerinde yapıldı ve santral nedenler çok azdı. Yazarlar da öyküye dayalı çıktının santral nedenleri dışlayamayacağını vurguluyor.
Hasta tableti kendi başına kullanabilir mi?
Bu test edilmedi. Görüşmeleri hemşireler yürüttü, dolayısıyla sonuçlar hemşire destekli iş akışına ait.
Kaynaklar
- Lu C, Zhang R ve ark. (2026) — Conversational Large Language Models for Vestibular Diagnosis in Outpatient Clinics: Prospective Multicenter Diagnostic Accuracy Study, J Med Internet Res: https://doi.org/10.2196/100442
- PubMed (2026) — Makale kaydı, PMID 42572244: https://pubmed.ncbi.nlm.nih.gov/42572244/
- PubMed Central (2026) — Açık erişimli tam metin, PMC13454017: https://pmc.ncbi.nlm.nih.gov/articles/PMC13454017/
- Kişisel Verileri Koruma Kurumu — Personal Data Protection Law (6698 sayılı Kanun): https://www.kvkk.gov.tr/Icerik/6649/Personal-Data-Protection-Law
- Türkiye İlaç ve Tıbbi Cihaz Kurumu — Kurum internet sitesi: https://www.titck.gov.tr/
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
Çin'de 5 merkezde 176 baş dönmesi hastasında yalnız anamnezle çalışan DeepSeek-R1 ajanı, uzman tanısıyla %79,6 uyuştu; BPPV'de uyum %97,7'ydi.