30 Saniyede Özet
Stanford ekibi, ertesi günün ameliyat listesini tarayan bir büyük dil modeli (LLM; metin üreten yapay zekâ modeli) aracını gerçek iş akışında denedi. JAMA Network Open'da 20 Ağustos 2026'da yayımlanan çalışmada araç, dahiliye komanajmanı gerektirebilecek hastaları %94 duyarlılık ve %74 özgüllükle işaretledi. Son kararı her zaman hekim verdi ve altı ayda araca bağlı güvenlik olayı bildirilmedi. Ancak ölçümler, geri bildirim verilen yaklaşık altıda bir vakaya dayanıyor.
Ne oldu?
Stanford Üniversitesi Hastane Tıbbı Bölümü, "SCM Navigator" adlı aracın sonuçlarını JAMA Network Open'da yayımladı. SCM, cerrahi komanajman (surgical comanagement) demek. Bu modelde hospitalist, yani yatan hastaya bakan dahiliye hekimi, eşlik eden hastalığı olan cerrahi hastayı cerrahi ekiple birlikte izliyor.
Araç, Stanford'un elektronik sağlık kaydına (ESK) doğrudan bağlı ChatEHR platformu üzerinde çalışıyor. Ertesi günün elektif beyin cerrahisi, ortopedi ve kulak burun boğaz vakalarını tarıyor. Anestezi ön değerlendirme notunu ve aktif ilaç listesini okuyup sabit bir ölçüt listesine göre sınıflıyor.
Ölçütler arasında inme, kalp yetersizliği, koroner hastalık, aritmi, diyabet, kronik böbrek hastalığı ve demans öyküsü var. Biyolojik ilaç ya da kanser tedavisi kullanımı da listede yer alıyor. Çıktı üç kademeli: "evet", "belki" ve "hayır".
Makaleye göre kurum içi bir ankette hospitalistler, uygun hastayı elle bulmak için günde 61 dakika harcadıklarını bildirmişti. Araç 22 Eylül 2025'te devreye girdi. Değerlendirme Şubat 2026'da sona erdi.
Kanıt ne kadar güçlü?
Çalışma, prospektif ve körleme yapılmamış bir kalite iyileştirme çalışması. Önce 232 geçmiş vakayla geliştirme yapıldı. Burada beş farklı OpenAI modeli karşılaştırıldı ve maliyet avantajı nedeniyle o3-mini seçildi.
Geliştirme aşamasında ilginç bir bulgu çıktı. Uzlaşı etiketine göre rutin akıştaki hekim kararlarının duyarlılığı 0,55 idi. Yani uygun hastaların yaklaşık yarısı gözden kaçıyordu.
Canlı kullanımda 6.193 vaka tarandı ve 1.582'si (%25,5) konsültasyon için işaretlendi. 16 komanajman hekiminden 14'ü çalışmaya katıldı. Referans ölçüt, tedavi eden hekimin o anki kararıydı.
Bu ölçüte göre duyarlılık 0,94 (%95 GA 0,91–0,96), özgüllük 0,74 (%95 GA 0,71–0,77) çıktı. Pozitif kestirim değeri 0,58, negatif kestirim değeri 0,97 oldu. "Evet" işaretlerinin 0,63'ü hekimce onaylandı, "belki" işaretlerinde bu oran 0,23'te kaldı.
Hekimin "görmeliyiz" dediği ama aracın atladığı 19 vaka tek tek incelendi. Bunların yalnız ikisi (%11) gerçek model hatasıydı. Kalanlar eksik ölçüt, yetersiz anestezi notu, sonradan gelişen komplikasyon, hekim değerlendirme hatası ya da form hatasından kaynaklanıyordu.
Sınırlılıklar önemli. Tek merkezli bir çalışma bu. Geri bildirim yalnızca 1.077 vakada (%17) alındı, dolayısıyla performans tahmini bu alt gruba dayanıyor.
Referans, hasta sonucu değil hekim kararıydı. Komplikasyon, yatış süresi ya da maliyet ölçülmedi. Uygunluk ölçütleri ulusal bir kılavuz değil, kurum içi uzlaşıydı. Irk kategorisi "diğer" olan hastalarda doğru sınıflama olasılığı daha düşüktü (düzeltilmiş OR 0,55).
Bir tutarsızlık da not edilmeli. Tartışma bölümünde özgüllük %78 olarak geçiyor, sonuçlarda ise 0,74. Biz sonuç bölümündeki değeri esas aldık.
Çalışma bölümün iç kaynaklarıyla finanse edildi. Bazı yazarlar araçla doğrudan ilişkisi belirtilmeyen girişim sermayesi ortaklığı, hisse ve sektör onursal ücretleri beyan etti.
Hekim için ne anlama geliyor?
Buradaki yenilik, modelin tanı koyması değil. Model, zaten tanımlı bir ölçüt listesini her vakaya aynı titizlikle uyguluyor. Hekimin gözden kaçırdığı hastayı yakalamak için yüksek duyarlılık seçilmiş, bedelini ise yanlış alarmlar ödüyor.
Benzer bir aracı kendi kurumunuzda düşünüyorsanız şu sorular işe yarar:
- Ölçüt listesi yazılı ve güncel mi, yoksa hekimden hekime mi değişiyor?
- Model hangi notu okuyor ve o not gerçekten eksiksiz dolduruluyor mu?
- Yanlış negatifleri kim, ne sıklıkla gözden geçirecek?
- Geri bildirim oranı düşükse performansı nasıl izleyeceksiniz?
- Hasta verisi kurum dışına çıkıyor mu?
Yazarların hata analizi de öğretici. Kaçan vakaların çoğu model yüzünden değil, eksik belgelenmiş notlar ve tanımsız dışlama kuralları yüzünden oldu. Yani bu tür bir aracın başarısı, büyük ölçüde kayıt kalitesine bağlı.
Türkiye'den bakınca
Stanford'daki gibi ayrı bir komanajman servisinin Türkiye'deki hastanelerde ne ölçüde karşılığı olduğunu gösteren bir veriye ulaşamadık. SCM Navigator kurum içi bir araç ve Türkiye'de kullanımda olduğuna dair bilgi yok. Bu nedenle aktarılabilir olan ürün değil, fikrin kendisi: yazılı bir ölçüt listesini her ameliyat vakasına aynı titizlikle uygulamak.
Böyle bir tarama, önce ölçütlerin kurum içinde yazıya dökülmesini gerektirir. Aracın okuduğu anestezi notu eksikse, Stanford'daki hata analizinin gösterdiği gibi tarama da eksik kalır. Hasta kaydı bir dil modeli için kurum dışına çıkacaksa hukuki dayanak baştan kurulmalı. Kişisel Verilerin Korunması Kanunu (KVKK) sağlık verisini özel nitelikli sayar.
Sık sorulan sorular
Araç hastayı doğrudan konsültasyona mı yönlendiriyor?
Hayır. Araç yalnızca liste üzerinde işaret koyuyor, kararı komanajman hekimi veriyor. Geri bildirim verilen vakalarda hekimler "evet" işaretlerinin %37,5'ini, "belki" işaretlerinin %76,9'unu reddetti.
%94 duyarlılık tüm hastalar için geçerli mi?
Tam olarak değil. Değer, hekim geri bildirimi alınan 1.077 vakadan hesaplandı. Geri bildirim verilmeyen vakalarda performansın aynı olduğu kanıtlanmadı.
Hasta sonuçları iyileşti mi?
Bu çalışma bunu ölçmedi. Yazarlar komplikasyon, yatış süresi ve maliyet etkisinin ayrıca araştırılması gerektiğini belirtiyor.
Kaynaklar
- Wang J, Keyes T ve ark. (2026) — An Electronic Health Record–Integrated, Large Language Model–Powered Tool to Triage Surgical Patients, JAMA Network Open: https://doi.org/10.1001/jamanetworkopen.2026.29579
- PubMed (2026) — Makale kaydı ve çıkar çatışması beyanı, PMID 42623072: https://pubmed.ncbi.nlm.nih.gov/42623072/
- PubMed Central (2026) — Açık erişimli tam metin, PMC13494733: https://pmc.ncbi.nlm.nih.gov/articles/PMC13494733/
- Kişisel Verileri Koruma Kurumu — Personal Data Protection Law (6698 sayılı Kanun): https://www.kvkk.gov.tr/Icerik/6649/Personal-Data-Protection-Law
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
Stanford'da 6.193 ameliyatı tarayan LLM aracı, komanajman adaylarını %94 duyarlılık ve %74 özgüllükle işaretledi; hekim geri bildirimi %17'de kaldı.