30 Saniyede Özet
Eylül 2026'da ABD'li hekim yöneticiler, klinik yapay zekâda başarının canlıya geçişten önce hazırlandığını ve sonrasında izleme istediğini vurguladı. Yayımlanmış örnekler bu görüşü destekliyor. Sepsis ve not asistanı deneyimleri, başarının algoritmadan çok klinisyen katılımına, iş akışına ve sürekli izlemeye bağlı olduğunu gösteriyor. Hekimler, kurumlarına gelen her yeni araç için doğrulama, iş akışı ve izleme sorularını sormalı.
Ne oldu?
Healthcare IT News, 17 ve 21 Eylül 2026'da hekim yöneticilerle iki söyleşi yayımladı. İlkinde Sağlık Bilgi ve Yönetim Sistemleri Derneği (HIMSS) Hekim Topluluğu eş başkanı Ryan Sadeghian konuştu. Sadeghian, bir aracın erişime açılmasını hekimlerin onu işlerine kendi isteğiyle katmasından ayrı tutuyor. Söyleşide gerçek bir klinik sorundan yola çıkmak, küçük ve ölçülebilir hedefler ve canlıya geçiş sonrası sürekli izleme öne çıktı.
İkinci söyleşide Amerikan Hastaneler Birliği (AHA) baş hekim yöneticisi Chris DeRienzo kaynak dağılımına dikkat çekti. DeRienzo, teknoloji projelerinde zaman ve bütçenin en az dörtte üçünün insana ve sürece ayrılmasını önerdi. Bu görüşler bir kanıt değil, deneyimli yöneticilerin değerlendirmesi. Ancak yayımlanmış uygulama çalışmaları benzer bir tablo çiziyor.
Kanıt ne kadar güçlü?
Başarısızlığın en çok alıntılanan örneği Michigan Medicine'dan geliyor. Araştırmacılar, yaygın kullanılan ticari bir sepsis tahmin modelini yaklaşık 40 bin yatışta dışsal olarak doğruladı (modeli geliştirildiği ortam dışında test etmek). JAMA Internal Medicine'de 2021'de yayımlanan çalışmada eğri altı alan (AUC, ayırt etme gücü ölçüsü) 0,63 bulundu. Satıcının bildirdiği değer 0,76–0,83 aralığındaydı.
Aynı çalışmada model, yatan hastaların yaklaşık beşte biri için uyarı üretti. Uyarı verildiğinde hastada yatışın geri kalanında sepsis bulunma olasılığı yalnızca yüzde 12'ydi. Bu tablo, uyarı yorgunluğunun (sık ve isabetsiz uyarılar nedeniyle uyarıların önemsenmemesi) nasıl oluşabileceğini gösteriyor. Dersi net: Satıcı verisi, yerel doğrulamanın yerini tutmuyor.
Olumlu örnek Johns Hopkins'ten geliyor. TREWS adlı erken uyarı sistemi beş hastanede 590.736 hastayı izledi ve sonuçlar 2022'de Nature Medicine'de yayımlandı. Analiz, antibiyotikten önce uyarı alan 6.877 sepsis hastasına odaklandı. Uyarısı üç saat içinde onaylananlarda, onaylanmayanlara göre düzeltilmiş hastane mortalitesi mutlak yüzde 3,3, göreli yüzde 18,7 daha düşüktü.
Çalışma prospektif bir kohorttu, randomize değildi; bu nedenle nedensellik kesin değil.
Duke Üniversitesi'nin Sepsis Watch deneyimi, başarının arka planını gösteriyor. JMIR Medical Informatics'te 2020'de yayımlanan uygulama çalışmasına göre ön saf klinisyenler iş akışının tasarım ve geliştirilmesine yoğun biçimde katıldı. Yazarlar paydaşları uzlaştırmak, rolleri tanımlamak ve personeli eğitmek için ciddi yatırım gerektiğini bildirdi. Başarılı entegrasyonların nadir olduğunu da açıkça yazdılar.
Kaiser Permanente, ortam dinleyen not asistanlarını (muayene konuşmasından taslak not çıkaran araç) tüm ağa açmadan önce 10 haftalık bir pilot yürüttü. Kurumun araştırma birimine göre hekimlerin doğruluk ve kullanılabilirlik geri bildirimleri ayrıntılı incelendi. Araç gönüllü kullanıldı, hasta onamı alındı ve hekimler taslak notu düzenledi. Ardından 8 bölge, 600 muayenehane ve 40 hastaneye yayıldı.
Uygulama bilimi (sağlık yeniliklerinin gerçek ortama nasıl yerleştiğini inceleyen alan) bu örnekleri sistemli bir çerçeveye oturtuyor. Greenhalgh ve arkadaşlarının 2017'de geliştirdiği NASSS çerçevesi yedi alan tanımlıyor. Bunlar hastalık, teknoloji, değer önerisi, kullanıcılar, kurum, geniş bağlam ve zaman içinde uyum. PLOS Digital Health'teki 2025 tarihli bir kapsam derlemesi, en çok engelin kurum ve kullanıcı alanlarında raporlandığını buldu.
Aynı derleme önemli bir eksikliğe de işaret ediyor. İncelenen 57 çalışmanın 33'ü çerçeveyi geriye dönük, yani iş işten geçtikten sonra kullandı. Çerçeveyi ileriye dönük (prospektif) kullanan çalışma sayısı yalnızca 15'ti.
Hekim için ne anlama geliyor?
Kurumunuza yeni bir klinik yapay zekâ aracı geliyorsa, canlıya geçişten önce şu soruları sorun:
- Model bizim hastalarımızda ve verimizde dışsal olarak doğrulandı mı?
- Başlangıç ölçümü ve başarı ölçütü önceden tanımlandı mı?
- Uyarıya kim, ne kadar sürede, hangi adımla yanıt verecek?
- Hekim ve hemşireler tasarıma ve pilot değerlendirmesine katıldı mı?
- Canlıya geçişten sonra doğruluk, yanlış alarm ve yan etki kim tarafından izlenecek?
Bu soruların yanıtı yoksa sorun algoritmada değil, uygulama planında olabilir. TREWS örneğinde daha iyi sonuç, uyarının zamanında bir klinisyence onaylanmasıyla ilişkiliydi. Yani aracın değeri, etrafındaki iş akışıyla birlikte ortaya çıkıyor.
Türkiye'den bakınca
Türkiye'de hastane yapay zekâ pilotlarının sonuçlarını toplayan ulusal bir kayda ulaşamadık. Klinik karar veren bir yazılım tıbbi cihaz sayılabilir; bu alanda otorite Türkiye İlaç ve Tıbbi Cihaz Kurumu (TİTCK). Pilot sırasında işlenen hasta verisi de 6698 sayılı Kişisel Verilerin Korunması Kanunu (KVKK) kapsamında özel nitelikli veri sayılıyor.
Bu nedenle yerel doğrulama, veri işleme dayanağı ve izleme sorumlusu pilot başlamadan yazılı hâle getirilmeli. Dış ülkelerde iyi sonuç veren bir araç, farklı hasta profili ve iş akışında aynı sonucu vermeyebilir.
Sık sorulan sorular
Satıcının bildirdiği doğruluk neden yetmiyor?
Model, geliştirildiği hastanedeki hasta profili ve kayıt alışkanlıklarını öğrenir. Michigan örneğinde ticari modelin ayırt etme gücü satıcı değerlerinin belirgin altında kaldı. Yerel dışsal doğrulama bu farkı canlıya geçişten önce gösterir.
Canlıya geçişten sonra neler izlenmeli?
Uyarı sayısı, yanlış alarm oranı, uyarıya yanıt süresi ve hasta sonuçları düzenli izlenmeli. Veri ve iş akışı değiştikçe modelin performansı da değişebilir. İzleme sorumlusu ve eşikler önceden belirlenmeli.
Hekim katılımı neden bu kadar önemli?
Duke örneğinde klinisyenler iş akışının tasarımına katıldı; Kaiser Permanente'de ise hekim geri bildirimi pilotun temelini oluşturdu. Katılım, aracın gerçek iş akışına uymasını ve güven oluşmasını sağlıyor. Yukarıdan dayatılan araçlar, sistemde açık kalsa bile kullanılmayabilir.
Kaynaklar
- Michigan Medicine (2021) — Popular sepsis prediction tool less accurate than claimed (JAMA Intern Med çalışması özeti): https://www.michiganmedicine.org/health-lab/popular-sepsis-prediction-tool-less-accurate-claimed
- Adams R ve ark. (2022) — Prospective, multi-site study of patient outcomes after implementation of the TREWS machine learning-based early warning system for sepsis, Nature Medicine: https://www.nature.com/articles/s41591-022-01894-0
- Sendak MP ve ark. (2020) — Real-World Integration of a Sepsis Deep Learning Technology Into Routine Clinical Care: Implementation Study, JMIR Med Inform: https://dihi.org/outcome/real-world-integration-of-a-sepsis-deep-learning-technology-into-routine-clinical-care-implementation-study/
- Kaiser Permanente Division of Research (2025) — Quality assurance informs large-scale use of ambient AI clinical documentation: https://divisionofresearch.kaiserpermanente.org/quality-assurance-informs-large-scale-use-of-ambient-ai-clinical-documentation/
- Shin ve ark. (2025) — The NASSS framework use over time: A scoping review, PLOS Digital Health: https://journals.plos.org/digitalhealth/article?id=10.1371%2Fjournal.pdig.0000418
- Healthcare IT News (2026) — Effective clinical AI adoption starts before go-live (haber kaynağı): https://www.healthcareitnews.com/news/effective-clinical-ai-adoption-starts-go-live
- Healthcare IT News (2026) — Want healthcare AI to work? Start with clinicians (haber kaynağı): https://www.healthcareitnews.com/news/want-healthcare-ai-work-start-clinicians
Bu içerik bilgilendirme amaçlıdır ve bireysel tıbbi tavsiye yerine geçmez.
İlgili Yazılar
Bu konuyla ilgili Doktorclub'da ele aldığımız diğer hekim onaylı rehberler:
Başarılı klinik yapay zekâ uygulamalarını başarısız pilotlardan ayıran ne? Sepsis ve not asistanı örnekleri, uygulama bilimi ve hekim için kontrol listesi.