Hekimler için yapay zekâdan güvenli ikinci görüş almak

İkinci görüşün değerli olduğu durumlar

Hekimler arasında ikinci görüş, bir meslektaşın aynı tabloya başka bir açıdan bakmasıdır. Yapay zekâdan alınan ikinci görüş bunun yerine geçmez ve yalnızca kendisine verilen ya da erişebildiği veriyle çalışır. Doğru kurulduğunda ise tabloyu karar öncesinde bir kez daha gözden geçirmenin hızlı bir yoludur.

Yapay zekâdan ikinci görüş özellikle şu durumlarda değer taşır:

• Karmaşık hastalarda, örneğin birden fazla kronik hastalığı ve uzun bir ilaç listesi olan bir hastada, önemli bir bulgu dağınık kayıtlar arasında kaybolabilir; yapay zekâ bu kayıtları birlikte okuyabilir.
• Belirsiz ya da beklenen seyri izlemeyen tablolarda ayırıcı tanı listesini genişletmek, akla gelmemiş bir olasılığı gündeme getirebilir.
• Nadir bir hastalık olasılığında ilgili literatüre hızlı erişim, hangi bulgunun araştırılması gerektiğini netleştirmeye yardımcı olur.
• Reçete ve tedavi planından önce alerji çatışmalarının, ilaç etkileşimlerinin ve kontrendikasyonların bir kez daha taranması, istenmeyen olayların önüne ek bir kontrol koyar.

Yanıtı doğrulamaya zamanın olmadığı acil kararlarda, muayene bulgusunun belirleyici olduğu tablolarda ve kayıtları eksik hastalarda klinik değerlendirme ve meslektaş konsültasyonu öne alınmalıdır. Yapay zekâ kayıtta olmayan bir bilgiyi bilemez; veri eksikse yanıt da eksik kalır.

Soruyu doğru sormak

Bir meslektaşa danışırken ne sorduğunuzu netleştirir ve hastayı kısaca özetlersiniz; yapay zekâya da aynı düzenle yaklaşın:

1. Klinik soruyu tek cümleyle belirleyin; ayırıcı tanı mı, tetkik planı mı, ilaç güvenliği mi, yoksa bir kılavuzun bu hastaya uygulanması mı istediğinizi açıkça yazın.
2. Hastayı kimliği belirlenemeyecek biçimde özetleyin; yaş aralığı, cinsiyet, ana yakınma, önemli muayene ve tetkik bulguları, eşlik eden hastalıklar, kullanılan ilaçlar ve alerjiler çoğu soru için yeterlidir. Ad, T.C. kimlik numarası, protokol numarası ya da doğum tarihi gibi tanımlayıcı bilgileri eklemeyin.
3. Açık uçlu bir soruyla başlayın. “Bu hastada gözden kaçırmamam gereken ne var?” gibi bir soru, aklınızdaki tanıyı yalnızca onaylatmaya çalışan bir sorudan daha fazla bilgi verir.
4. Kendi ön tanınızı ancak ondan sonra paylaşın ve modelden onu sınamasını isteyin; bu tanıyı destekleyen ve çürüten bulguların neler olduğunu sorun. Dil modelleri soruyu soranın çerçevesine uyma eğilimi gösterebilir; bu sıra o eğilimi dengeler.
5. Her önerinin gerekçesini ve dayandığı kaynağı isteyin; kaynak göstermeyen bir öneriyi doğrulanmamış bir fikir olarak değerlendirin.
6. Yanıtın hangi bilgilere dayandığını ve hangi bilgilerin eksik olduğunu sorun; işaret edilen eksik bir tetkik ya da öykü ayrıntısı da değerli bir bulgudur.

Yanıtın kaynağını ve gerekçesini doğrulamak

Büyük dil modelleri akıcı ve kendinden emin bir dille yanlış bilgi üretebilir. Buna halüsinasyon denir; var olmayan bir makaleye atıf yapmak, bir kılavuz önerisini yanlış aktarmak ya da hastanın kaydında olmayan bir bulguyu varmış gibi yazmak bunun örnekleridir. Yanıtın üslubu doğruluğu hakkında bilgi vermez; bu yüzden ikinci görüşü kullanmadan önce üç kontrol yapın.

İlk olarak kaynağı kontrol edin. Gösterilen makale, kılavuz ya da kayıt gerçekten var mı ve yanıtta söylenen şeyi söylüyor mu, açıp bakın. Kılavuzun güncel sürümüne dayanıp dayanmadığını ve önerinin hastanıza uygulanıp uygulanamayacağını değerlendirin.

İkinci olarak gerekçeye bakın. İyi bir yanıt, hangi bulgudan hangi sonuca nasıl ulaştığını adım adım gösterir. Gerekçesi izlenemeyen bir öneri doğru olsa bile klinik kararın dayanağı olamaz.

Üçüncü olarak belgede yazanla modelin çıkarımını ayırın. “Hastanın kreatinin değeri yükselmiş” cümlesi bir belgeye dayanır; “bu yükselme ilaca bağlı olabilir” cümlesi ise bir çıkarımdır. Bir klinik karar destek sisteminin bu ikisini her yanıtta ayrı göstermesi beklenir. Yanıtta bu ayrım görünmüyorsa hekimin onu kendisinin yapması gerekir.

Son olarak, kararı hasta kaydına kendi klinik değerlendirmeniz olarak ve gerekçesiyle geçirin; yapay zekânın çıktısı bu değerlendirmenin yerini almaz.

Hasta verisinin gizliliği ve kararın hekimde kalması

Sağlık verileri KVKK'da (Kişisel Verilerin Korunması Kanunu) özel nitelikli kişisel veri, GDPR'da özel kategori veridir; hastanede bu verinin veri sorumlusu kurumdur. ChatGPT ya da Gemini gibi genel amaçlı sohbet botları belirli bir kurumun mevzuatına, verisine ve iş akışına göre tasarlanmamıştır; bu tür bulut tabanlı araçlara hasta verisi girmek kurumun veri sorumluluğu açısından değerlendirilmelidir. Konunun ayrıntısını hasta verisi kurum dışına çıkmadan yapay zekâ kullanmak rehberinde anlattık.

Yapay zekâ hekimin yerine geçmez; hastayı muayene etmez, hastanın tercihlerini ve koşullarını bilmez, kararın klinik ve etik sorumluluğunu taşımaz. Otomatik sistemlerin önerilerine gereğinden fazla güvenip kendi değerlendirmesini geri plana atma eğilimi, otomasyon yanlılığı olarak bilinir. Bunu dengelemenin yolu, her öneriyi kabul etmeden önce gerekçesine bakmayı alışkanlık hâline getirmektir.

Opinion AI hekime ikinci görüşü nasıl sunar

Opinion AI, hastaneler ve sağlık sigortası şirketleri için Türkçe klinik yapay zekâ MINA üzerine kurulu bir klinik karar destek platformudur. Hekim tarafında bu işi, mevcut HBYS'nin (hastane bilgi yönetim sistemi) yerine geçmeden üzerine akıllı bir katman olarak eklenen klinik karar platformu TIS yapar. Hastanın başvuruları, laboratuvar sonuçları, görüntüleme raporları, epikrizleri ve konsültasyonları, HBYS ve Medula kayıtlarıyla birlikte tek ve canlı bir profilde, yani hasta dijital ikizinde toplanır.

Hekim soruyu hasta dosyası açıkken kendi cümlesiyle sorar; örneğin “Bu hastada gözden kaçırmamam gereken ne var?” Yanıt hastanın dijital ikizine ve klinik kaynaklara dayanır, gerekçesi ve kaynağıyla birlikte gelir. Her yanıtta hangi bilginin hasta belgesinden geldiği, hangisinin MINA'nın kendi çıkarımı olduğu ayrı gösterilir. Alerji çatışmaları, ilaç etkileşimleri ve kontrendikasyonlar reçete önerisinden önce taranır. MINA'nın son sürüm model değerlendirmesinde klinik tuzak tespiti sonucu %96'dır (100 tuzakta 96; MINA v3.7 · 8 protokol · ~9.300 vaka).

Hekim ikizi hekimin onayıyla oluşturulur; tetkik isteme örüntülerini, kod tercihlerini ve tedavi desenlerini öğrenir ve öneriyi hekimin kendi pratiğine yakın bir dille, gerekçesiyle sunar.

MINA'nın açık ağırlıklı temel modeli sürekli ön eğitimle (CPT) Türkçeye ve 14 branşın klinik diline uyarlanmış, LoRA adaptörleriyle branş, kurum ve göreve göre uzmanlaştırılmıştır. Klinik bilgi grafı (GraphRAG) üzerinde ajanik orkestrasyonla çalışır ve PubMed, The Lancet, JAMA ve BMJ gibi 30M+ kaynağa dayanır. Modelin klinik doğruluğunu ve etik sınırlarını, 15 branştan hekimin yer aldığı Hekim Etik ve Danışma Kurulu düzenli olarak denetler.

Kararı her zaman hekim verir ve her çıktı sonradan denetlenebilir. Veri kurumun içinde kalır; veri sorumlusu kurumdur, modelin gördüğü veri KVKK uyumlu maskelemeden geçer ve Opinion AI kişisel veri toplamaz.

Sık sorulan sorular

Hasta hakkında yapay zekâdan ikinci görüş almak güvenli mi?

Yapay zekâdan ikinci görüş, belirli koşullar sağlandığında güvenli biçimde kullanılabilir. Araç kurumun onayladığı ve hasta verisini kurumun denetiminde tutan bir araç olmalı, yanıt gerekçesini ve kaynağını göstermeli, hekim de her öneriyi kabul etmeden önce doğrulamalıdır. Yapay zekâ gözden kaçabilecek bir olasılığı hatırlatabilir; tanı ve tedavi kararı ise her zaman hekimde kalır.

Yapay zekâya klinik bir soru nasıl sorulmalı?

Önce ayırıcı tanı, tetkik planı ya da ilaç güvenliği gibi klinik soruyu netleştirin. Ardından hastayı kimliği belirlenemeyecek biçimde yaş aralığı, cinsiyet, yakınma, önemli bulgular, eşlik eden hastalıklar, ilaçlar ve alerjilerle özetleyin. “Bu hastada gözden kaçırmamam gereken ne var?” gibi açık uçlu bir soruyla başlayın, kendi ön tanınızı ancak ondan sonra paylaşıp sınanmasını isteyin ve her önerinin gerekçesini ve kaynağını sorun.

Yapay zekânın gösterdiği kaynaklar ve bilgiler nasıl doğrulanır?

Gösterilen makaleyi ya da kılavuzu açıp gerçekten var olduğunu ve yanıtta söylenen şeyi söylediğini kontrol edin; dil modelleri var olmayan kaynaklara atıf yapabilir. Kılavuzun güncel sürümüne dayanıp dayanmadığına ve önerinin hastanıza uygulanıp uygulanamayacağına bakın. Yanıtta hasta belgesinden gelen bilgiyle modelin çıkarımını ayırın; gerekçesi izlenemeyen bir öneriyi kararın dayanağı yapmayın.

Genel amaçlı sohbet botlarına hasta bilgisi girilebilir mi?

Sağlık verileri KVKK'da özel nitelikli kişisel veri, GDPR'da özel kategori veridir; hastanede bu verinin veri sorumlusu kurumdur. Genel amaçlı araçlar belirli bir kurumun mevzuatına, verisine ve iş akışına göre tasarlanmamıştır; bulut tabanlı genel araçlara hasta verisi girmek kurumun veri sorumluluğu açısından değerlendirilmelidir. Daha güvenli yol, kurumun onayladığı ve kurumun kendi sunucularında ya da izole bir bulut ortamında çalışan bir araç kullanmaktır.

Yapay zekâ hekimin yerine tanı koyabilir mi?

Yapay zekâ hekimin yerine tanı koymamalıdır. Hastayı muayene etmez, yalnızca kendisine verilen ya da erişebildiği kayıtlarla çalışır ve kararın klinik ve etik sorumluluğunu taşımaz. Sorumlu bir kurulumda öneri gerekçesi ve kaynağıyla gelir, hekim öneriyi doğrular, düzeltir ya da reddeder ve her çıktı sonradan denetlenebilir.

Hekim ikizi nedir, hekimin verisi nasıl kullanılır?

Hekim ikizi, hekimin tetkik isteme örüntülerini, kod tercihlerini ve tedavi desenlerini öğrenerek karar desteğini hekimin kendi pratiğine göre kişiselleştiren katmandır. Opinion AI'ın platformunda hekimin onayıyla oluşturulur ve hekimin pratiği, kimliği gizlenmiş akranlarıyla karşılaştırılır. Amacı hekimleri sıralamak değil, öneriyi hekimin çalışma biçimine yakın bir dille ve gerekçesiyle sunmaktır.

Gerekçeli ve kaynak gösteren bir ikinci görüşün kurumunuzda nasıl çalışacağını birlikte değerlendirmek için POC Talebi formunu kullanabilirsiniz. Genel araçların sınırları için genel amaçlı sohbet botları ile klinik karar destek sistemlerinin farkı, hasta profili için hasta dijital ikizi ve klinik kararda kullanımı rehberlerine bakabilirsiniz.