Boşluğu Doldurmak: Sağlık Hizmetlerinde Yapay Zekanın Faydalı Olduğuna İlişkin Konsensusa Dayalı Değerlendirmeler

Yazan /

Megan E. SalweiORCID Simgesi,Keith MorseORCID Simgesi,Suchi Saria,Nigam H. ŞahORCID Simgesi,Armando BedoyaORCID Simgesi,Molly Beyer. / Yayınlanma tarihi: 12 Şubat 2026

GİRİŞ

Ön aşamalarda (yani kavram kanıtı aşamasında) önemli bir potansiyel göstermesine rağmen, yapay zekâ (YZ) bazen gerçek dünya ortamlarında hastalar, klinisyenler ve politika yapıcılar için en önemli ölçütler üzerinde anlamlı bir etki yaratmakta başarısız olmaktadır. Zorluklar sadece teknik sınırlamalardan değil, aynı zamanda zayıf kullanılabilirlik ve gerçek dünya klinik iş akışlarıyla uyumsuzluktan da kaynaklanmaktadır. Bu boşluğu fark eden bir yaklaşım olarak, kullanışlılık, YZ sistemlerini değerlendirmek için temel bir ilke olarak ortaya çıkmıştır. CHAI’nin Sorumlu YZ Rehberi’ne göre, bir YZ çözümü, sağlık hizmeti sunumuna somut bir fayda sağladığında ve sadece geçerlilik ve güvenilirlik değil, aynı zamanda kullanılabilirlik de gösterdiğinde kullanışlı kabul edilir (Sağlık YZ Koalisyonu).Alıntı2024a ; Elmore ve ark.Alıntı2025 ). Sağlık Yapay Zekası Koalisyonu (CHAI), güvenilir yapay zeka için adalet, güvenlik, şeffaflık, emniyet ve gizliliğin yanı sıra kullanışlılığı da beş temel odak alanından biri olarak önceliklendirmiştir. Bu makale, CHAI’nin Kullanışlılık Çalışma Grubu’nun temel içgörülerini özetlemektedir.

Biyoetik açıdan bakıldığında, faydalılık, iyilik yapma ilkesiyle yakından ilişkilidir. Doğru ancak kullanılamaz bir müdahale—örneğin, belirli bir bakım bağlamıyla uyumsuz bir araç—teknik vaadine rağmen anlamlı bir fayda sağlamayabilir. Bu anlamda, faydalılık, zarar vermeme ilkesinin etik tamamlayıcısı olarak işlev görür ve yapay zekanın yalnızca zarardan kaçınıp kaçınmadığını değil, aynı zamanda hastanın iyiliğine güvenilir bir şekilde katkıda bulunup bulunmadığını da sorgular.

CHAI’nin faydalılığı tanımlama yaklaşımı, klinisyenler, geliştiriciler, düzenleyiciler, sağlık yöneticileri ve hasta savunucuları da dahil olmak üzere çeşitli paydaşlardan gelen girdilerle şekillenmiştir (Elmore vd.).Alıntı2025 ). Yinelemeli, fikir birliğine dayalı bir süreç aracılığıyla—literatür incelemesi, çalışma grubu tartışmaları, topluluk çapında anketler, uzman toplantıları ve bağımsız inceleme—CHAI, yapay zekanın sağlık hizmetlerinde faydalı olmasını sağlayan unsurlara dair ortak bir anlayış sentezledi. Temel zorluklar, yapay zeka çözümlerinin klinik iş akışlarına sorunsuz bir şekilde entegre edilmesini, son kullanıcılar için uygulanabilir kalmasını ve anlamlı, ölçülebilir faydalar sağlamasını sağlamaktır. Fikir birliğine dayalı kılavuzlar, yapay zeka çözümleri geliştiren kişilerin bu üç özelliği elde etmeleri için yapılandırılmış bir yol sunmaktadır. Bu, yapay zekanın, yapay zeka modeli ve arayüzünün yanı sıra güvenli ve etkili kullanımı sağlayan ortamdaki klinik ve/veya operasyonel iş akışından oluşan bir sistem olarak düşünülmesini gerektirir (Saria).Alıntı(2022 ). Bu kılavuzlar, teknik yenilik ile pratik uygulama arasındaki boşluğu kapatmaya yardımcı olarak, çeşitli paydaşlardan gelen girdilerle geliştirilen içgörüler sağlayarak alanı ilerletmekte ve yapay zekayı sağlık hizmetlerinin iyileştirilmesine doğru yönlendirmektedir. Aşağıda, bu yinelemeli, fikir birliğine dayalı katılım süreciyle belirlenen bazı temel hususları vurguluyoruz. Hususların geliştirilmesine ilişkin yöntemlere dair ek ayrıntılar başka yerlerde rapor edilmiştir.

GENEL DÜŞÜNCELER

Sorunun Tanımlanması

İlk ve en kritik adım, çözülmesi gereken sorunu tanımlamak ve yapay zekanın bu sorunu ele almak için doğru yaklaşım olup olmadığını değerlendirmektir. Bunu yapmak için, geliştiriciler ve program yöneticileri, kötü sorun tanımlama tuzağından kaçınmak için insan merkezli tasarıma erken aşamada dahil olmalıdır (Li vd.).Alıntı2020 ; Seneviratne ve ark.Alıntı(2022 ). Yapay zekâ, sağlık hizmetlerinde birçok sorunu çözme potansiyeline sahip olsa da, birçok sorun yapay zekâ çözümlerini gerektirmez veya bu çözümlerle en iyi şekilde çözülemez. Yapay zekânın güçlü ve zayıf yönlerini anlamak ve yalnızca amaca uygun olduğunda uygulamak önemlidir.

Kuruluşlar, işletmenin genel operasyonlarını değerlendirmeli ve yapay zeka çözümlerinden etkilenebilecek en olası maliyet ve değer kaldıraçlarını belirlemelidir. Bu, hem mevcut durumun kapsamlı bir değerlendirmesini (iyileştirmenin ölçülebileceği bir temel tanımlamayı) hem de mevcut iş akışını potansiyel olarak iyileştirmek için yapay zeka entegrasyonuna yönelik belirli fırsatları içerir. Genellikle iş sistemi analizi, tasarım düşüncesi, süreç iyileştirme ve/veya uygulama biliminden yararlanan ‘teslimat bilimi’ olarak adlandırılan bu problem tanımlama aşaması, bir yapay zeka aracının problemi çözmesi için yürütülmesi gereken iş akışını proaktif olarak hayal etmeyi gerektirir. Örneğin, bir yapay zeka modeli bir hastayı yeniden yatış riski yüksek olarak işaretledikten sonra, bu tahmini alan kişinin hangi özel adımları atması beklenmelidir? Bir çözümün amaçlanan sonuçlara ulaşması için bir efektör kolu gerekli olabilir. Örneğin, bir bozulma endeksi, 24 saatlik hızlı müdahale ekibiyle eşleştirildiğinde daha etkili olma olasılığı yüksektir (Escobar vd.).Alıntı(2020 ). Bu kaynakların tasarım sürecinin başlarında belirlenmesi gerekir. Sorun tanımlama aşaması, temsili değerlendirme örneklerinin hazırlanmasını ve sistemin girdi ve çıktısının açıkça tanımlanmasını da içerebilir. Bu basit yapı güçlüdür ve daha ileri tasarım araştırmalarının temellendirilmesine olanak tanır. Değerlendirme örnekleri gerçek veya sentetik kaynaklardan olabilir, birden fazla boyutu kapsayabilir ve böylece sorunu kapsamlı bir şekilde tanımlayabilir.

Faydaların, Risklerin ve Maliyetlerin Değerlendirilmesi

Sorun ve buna karşılık gelen yapay zeka çözümü belirlendikten sonraki adım, faydaları, riskleri ve maliyetleri değerlendirmektir. Örneğin: Risklerin ve faydaların büyüklüğü ve sıklığı nedir? Yapay zekadan kimler faydalanacak? Hangi roller ve görevler araçtan olumsuz etkilenebilir? Yapay zeka yanlışsa ve son kullanıcılar yapay zeka önerilerini istemeden kabul ederse riskler nelerdir? Tahmin edilmesi zor olsa da, etkilenen iş akışlarının sayısını, yapay zekanın iş akışı verimliliği üzerindeki etkisini ve mevcut dijital iş akışlarına entegre olma yeteneğini değerlendirmek, dağıtım maliyetlerini yaklaşık olarak belirlemeye yardımcı olabilir (Morse vd.).Alıntı2020 ). İş akışları belirlendikten sonra, iş kapasitesi kısıtlamalarını dikkate alan elde edilebilir faydayı tahmin eden açık kaynaklı yazılımlar kullanılarak simülasyonlar gerçekleştirilebilir (Jung vd.).Alıntı2021 ; Wornow ve ark.Alıntı2023 ).

Yapay zekâ modellerinin çevresel maliyetlerine ilişkin farkındalık giderek artmaktadır (Dhar).Alıntı(2020 ); bu, diğer maliyet ve risk etkileriyle birlikte, “toplam sahip olma maliyeti”ne ulaşmak için bir modele dahil edilmelidir. Bu maliyet değerlendirme modeli giderek daha fazla benimsenmektedir, çünkü yapay zekanın çok boyutlu doğasını ve karmaşık işletmelerde yapay zeka çözümlerinin tasarlanması ve uygulanmasıyla ilişkili maliyet katmanlarını dikkate almayı amaçlamaktadır. Benzer bir model, zaman içinde yapay zeka çözümlerinin beklenen değerini tahmin etmek için fayda tarafında da uygulanmalıdır. Hem beklenen maliyet hem de beklenen değer tahmin edildiğinde, bir kuruluş yapay zekanın yatırım getirisini (ROI) ölçmeye ve izlemeye başlayabilir. Her bir uygulamanın mali kapasitesinin önemli ölçüde farklılık gösterebileceğini varsaymak tamamen makuldür. Örneğin, düşük kaynaklı bir yer, dış kaynaklı abonelik modellerine ihtiyaç duyabilirken, yüksek kaynaklı bir yer, sürekli eğitimli yoğun hesaplama modellerinin maliyetini maliyet etkin olarak görebilir (Dünya Sağlık Örgütü).Alıntı2021 ).

İş Akışı Entegrasyonu

Yapay zekâ yaşam döngüsü boyunca iş akışı entegrasyonu dikkate alınmalı ve değerlendirilmelidir (bkz. Sağlık Yapay Zekâ Koalisyonu).Alıntı2024a veTablo 1(Yapay Zeka Yaşam Döngüsü için). CHAI topluluğunun genelinde yaptığımız ankette, yapay zekanın iş akışına entegrasyonu, yapay zeka yaşam döngüsü boyunca en önemli konu olarak değerlendirilmiştir. İş akışına entegrasyon, bir teknolojinin bireysel, ekip ve organizasyonel düzeylerdeki görevlerin, insanların, bilgilerin ve araçların sırası ve akışına ve ayrıca daha geniş iş sistemine uyumuna bağlıdır (Salwei vd.).Alıntı2021 ). Teknolojilerin klinik iş akışlarına yetersiz entegrasyonu, hayal kırıklığına, düşük kabul görmeye veya terk edilmeye, geçici çözümlere ve artan iş yüküne ve bilişsel yüke yol açabilir (Salwei vd.).Alıntı2021 ). Bu nedenle, iş akışı entegrasyonunun faydalı, kullanılabilir ve etkili yapay zeka için elzem olması şaşırtıcı değildir (Celi vd.).Alıntı2019 ).

 

İnsan faktörleri mühendisliği, kullanıcı deneyimi ve uygulama bilimi alanlarında eğitim almış kişilerin, yeni yapay zeka aracına uyum sağlamak için mevcut iş akışlarını inceleme ve yeniden tasarlama süreçlerine dahil edilmesi gerekmektedir; bu süreç 1. aşamadan itibaren başlamalıdır (bkz.Tablo 1Geliştirme süreci boyunca ve uygulama sonrasında sürekli değerlendirme ile birlikte, son kullanıcılar insan merkezli tasarım sürecine aktif ve anlamlı bir şekilde dahil edilmelidir. Ayrıca, iş gücü simülasyonları, iş akışının niteliksel değerlendirmelerini tamamlayabilir (Wornow vd.).Alıntı(2023 ). Yapay zekanın faydalarını gerçekleştirmek için, yapay zekanın klinik (ve diğer son kullanıcı) çalışmalarını engellemek yerine gerçekten desteklemesi şarttır. Bu, yapay zeka tarafından sağlanan bilgilerin, mevcut klinik iş akışını geliştiren eyleme geçirilebilir bilgiler sağlamak için hem doğru hem de zamanında olması gerektiği anlamına gelir. İş akışı entegrasyonu, ortamların dijital ikizlerinin uygulanmasıyla simüle edilebilir. Bu kavram, geliştiricilerin tam ve maliyetli bir uygulama yapmadan yapay zeka sistemlerinin etkilerini daha iyi anlamalarını sağlar. Düşünceli bir iş akışı entegrasyonu olmadan, yapay zeka tabanlı çözümlerden elde edilen çıktılar, klinisyen üzerinde yük oluşturmaya, sürekli bakım açıklarına veya sağlık hizmeti sunan kuruluş için artan sorumluluğa katkıda bulunma potansiyeline sahiptir.

Faydalılık yeterince ele alınmadığında, sonuçlar yalnızca teknik veya operasyonel olmakla kalmaz. Kötü entegre edilmiş yapay zeka çözümleri, bakım sunumundaki eşitsizlikleri artırabilir, klinisyenlerin ahlaki sıkıntılarına katkıda bulunabilir ve gecikmiş, göz ardı edilmiş veya yanlış uygulanmış öneriler yoluyla hastalara yeni riskler getirebilir. Bu gibi durumlarda, yapay zeka biçimsel olarak fayda vaat ederken, özünde iyilik ve zarar vermeme ilkelerini baltalayabilir.

Yerel Bağlama Uygun Şekilde Uyarlama

İş akışı entegrasyonuyla birlikte, yapay zeka araçlarının özellikle yeni bir ortama yapay zeka sistemi uygulanırken yerel kullanım bağlamına uyarlanması gerekir. Birçok çalışma, yapay zeka performansının kuruluştan kuruluşa değişebileceği için yapay zeka çözümlerinin yerel verilerle doğrulanmasının gerekliliğini göstermiştir (Wong vd.).Alıntı2021 ; Lyons ve ark.Alıntı2023 ). Bu, yaşam döngüsünün 2. aşamasındaki “geliştirme ve uygulama ortamları arasındaki farklılıkları değerlendirme” hususuyla uyumludur. Ancak, yerel bağlama uyarlama, verilerin çok ötesine geçer. Uygulama başarısı için insanlar, görevler, araçlar ve teknolojiler, fiziksel çevre ve organizasyonel bağlam da dahil olmak üzere tüm sosyoteknik sistemin dikkate alınması gerekir (Beede vd.).Alıntı2020 ; Salwei ve CarayonAlıntı2022 ). Kullanılabilirlik, bir sistemin doğuştan gelen bir özelliği değil, belirli bir çalışma bağlamında kullanımın bir sonucudur (Uluslararası Standardizasyon Örgütü).Alıntı(2018 ). Bu nedenle, bir ortamda son derece kullanışlı ve işlevsel olan yapay zeka destekli bir çözüm, tercüme edildiğinde aynı sonucu garanti etmez. Yerel bağlamı anlamak, iş akışı entegrasyonuna da dikkat etmeyi gerektirir, çünkü yerel iş akışlarına uyum, yapay zekanın başarılı bir şekilde benimsenmesi için çok önemlidir.

Güven

Yapay zekâya son kullanıcıların duyduğu güven, geliştirme yaşam döngüsü boyunca çok yönlü ve önemli bir husustur. Güven, özellikle eksik bilgi içeren karmaşık ortamlarda, son kullanıcıların sistemlere olan bağımlılığını etkiler (Lee ve See).Alıntı2004 ). Yapay zekâ, uygun güveni destekleyecek şekilde tasarlanmalıdır; yani güven, kullanım bağlamına ve yapay zekânın o özel bağlamdaki amacına, sürecine ve performansına ve insanın yapay zekâ modeliyle nasıl iş birliği yapabileceğine bağlıdır (Benda vd.).Alıntı2021 ; Henry ve ark.Alıntı(2022 ). Arayüz tasarımı ve daha geniş sistem mimarisi, son kullanıcılar tarafından uygun güvenin sağlanmasına destek olabilir veya engel olabilir. Sağlık hizmeti sunan kuruluşlar da bu çözümlere hasta popülasyonlarıyla güven oluşturmalıdır. Yapay zeka teknolojisinin hastaların sağlık yolculuğundaki etkisi, kullanışlılık değerlendirmesine dahil edilmelidir. Aksi takdirde, hastaya finansal toksisite veya diğer olumsuz sonuçlar şeklinde zarar verilebilir (Jain vd.).Alıntı2024 ). Bazı araştırmalar, uygun güven için yapay zekanın tasarımına yönelik yöntemler sunarken (Henry vd.),Alıntı2022 ), bu alanda daha fazla çalışmaya ihtiyaç var. Tasarımcılar, model olgu etiketleri gibi yöntemler aracılığıyla yapay zekanın yeteneklerini veya sınırlamalarını son kullanıcılara iletebilirler (Sendak vd.).Alıntı2020 ; Sağlık Yapay Zekası KoalisyonuAlıntı2024b ), performans göstergeleri veya sistem şeffaflığı unsurları. Bunlar, kullanılan yapay zeka çözümü daha az yorumlanabilir “kara kutu” metodolojisine dayandığında özellikle faydalıdır (ayrıca bkz. Sorumlu Yapay Zeka Kılavuzundaki Şeffaflık Hususları; Sağlık Yapay Zekası Koalisyonu).Alıntı2024a ). Yapay zeka tasarımına son kullanıcı geri bildirimlerinin izlenmesi ve dahil edilmesi de güveni artırabilir. Son olarak, yapay zeka konusunda klinisyen ve diğer son kullanıcı yetkinliklerinin geliştirilmesi, klinisyen paydaşlar arasında katılımı artırabilir ve uygun güveni sağlayabilir (Russell vd.).Alıntı2023 ).

Pilot Uygulama ve Dağıtım

Pilot ve uygulama aşamaları, önceki aşamalardaki maliyet, fayda ve risk tahminlerinin gerçek değerleriyle uyumlu olup olmadığını doğrulamak için bir fırsat sunar. Bu adımlar ayrıca, son kullanıcı girdilerinin ve algılarının gerçek dünya ortamında yeterince ele alınıp alınmadığını da doğrulayabilir. Rastgele kontrollü çalışmalar (RCT’ler) veya yarı deneysel tasarımlara dayalı nicel etkinlik tahminleri, genel olarak, gözlemsel çalışmalara dayalı olanlardan daha az yanlı olacaktır. Bu amaçla, kademeli kama çalışma tasarımları ve fark-fark yöntemleri giderek daha popüler hale gelmektedir (Brownson vd.).Alıntı(2023 ). Bu erken değerler, yapay zeka çözümünün daha sonraki aşamalarda izlenmesi sırasında karşılaştırma için ölçütler oluşturmaya da yardımcı olabilir. Etkinliği ve olumlu sonuçları gösteren kanıtların üretilmesi, klinisyenler/son kullanıcılar arasında olduğu kadar tıp dernekleri ve ödeme kuruluşları arasında da güven oluşturmak için gereklidir. Bu kanıt üretimi, geri ödeme için savunuculuk yapmak için gerekli olacaktır.

Yapay Zeka Çözümünün Performansını Zaman İçinde İzlemek

Sağlam bir tasarım ve uygulama sürecine rağmen, karmaşık sosyoteknik sistemlerin doğası gereği yapay zekanın uygulanmasının ardından yeni ve beklenmedik sorunların ortaya çıkması muhtemeldir (Wilson).Alıntı(2014 ). Yapay zekânın performansı, yeni politikalar ve hasta popülasyonları, veri kümesi değişiklikleri ve modelin tahmin edilen sonuçlar üzerindeki etkisi gibi çeşitli faktörler nedeniyle kullanım süresi boyunca değişebilir (Lenert vd.).Alıntı2019 ; Finlayson ve ark.Alıntı2021 ; Davis ve ark.Alıntı2024 ). Güvenilirliği sağlamak ve kullanışlılığı, kullanılabilirliği ve etkinliği korumak için, yapay zeka araçları uygulamaya konulduktan sonra sürekli olarak izlenmelidir (Embí).Alıntı2021 ; SariaAlıntı2022 ; Lin ve ark.Alıntı2025 ; Prinster ve ark.Alıntı2025 ; Sittig ve SinghAlıntı2025 ). Proaktif izleme sistemleri yalnızca yapay zeka performansına değil, aynı zamanda süreç ölçütleri ve sonuçları üzerindeki etkisine de odaklanmalıdır (Salwei vd.).Alıntı2025 ) ve çeşitli demografik alt gruplar arasında adil ve tarafsız bir performans sunulmasını sağlamak için dikkatli olunmalıdır. Ek olarak, yapay zeka araçları hakkında son kullanıcı geri bildirimlerini toplamak ve uygulamak için mekanizmalar oluşturulmalıdır. Örneğin, arayüzlere doğrudan entegre edilmiş hızlı geri bildirim mekanizmaları (örneğin, yerleşik bir Likert ölçeği ile) gerçek zamanlı son kullanıcı geri bildirimlerini başarıyla toplayabilir (Rubins vd.).Alıntı2022 ). Bakım kalitesini etkileyen güvenlik sorunlarına ilişkin verileri toplamak için olumsuz olay bildirim sistemleri de kurulmalıdır.

ÇÖZÜM

En doğru ve iyi niyetli yapay zeka araçları bile, klinisyenler ve diğer son kullanıcılar tarafından kullanılmadıkları takdirde sağlık hizmetlerini iyileştirmekte başarısız olacaktır. Gerçek dünya etkisi, iş akışına uyum ve bağlamsal uyarlanabilirlik ile tanımlanan kullanışlılık, yapay zekayı değerlendirmek için merkezi bir ölçüt olmalıdır. Kullanılabilirlik, güven ve iş akışı entegrasyonu gibi hususlar, geç aşama testlerine veya lansman sonrası ayarlamalara bırakılmak yerine, geliştirmenin başından sonuna kadar dikkate alınmalıdır. Yapay zeka tasarımındaki sorunları proaktif olarak belirlemek ve çözmek için bu alanlara erken yatırım yapmak, son kullanıcılarla daha anlamlı bir etkileşim sağlayabilir, maliyetli yeniden tasarımları azaltabilir ve yapay zeka araçlarının başarılı bir şekilde benimsenme, sürdürülme ve anlamlı klinik değer sunma olasılığını artırabilir. İnsan merkezli tasarım ve kullanılabilirlik değerlendirmesini geliştirme ve uygulama aşamalarının her birine entegre ederek, sağlık sistemleri inovasyon ile anlamlı klinik fayda arasındaki boşluğu kapatabilir. Dahası, kullanışlılığı yalnızca teknik bir endişe değil, etik bir yükümlülük olarak ele alarak, yapay zeka yönetişimi, iyilik ilkesini daha tam olarak yerine getirebilir ve yapay zeka destekli bakımın gerçek klinik ortamlarda anlamlı faydalar sağlamasını sağlayabilir.

KAYNAKLAR

  1. Beede E ve ark. 2020. Diyabetik retinopatinin tespiti için kliniklerde kullanılan derin öğrenme sisteminin insan merkezli değerlendirmesi. 2020 CHI İnsan Faktörleri ve Bilgisayar Sistemleri Konferansı Bildirileri, s. 1–12.

(Yeni bir pencerede aç)Google Akademik

  1. Benda NC, Novak LL, Reale C, Ancker JS. 2021. Yapay Zekaya Güven: Uygun Güvene Göre Tasarım Yapmamızın Nedenleri. J Am Med Inform Assoc . 29(1):207–212. https://doi.org/10.1093/jamia/ocab238

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Brownson RC, Colditz GA, Proctor EK. 2023. Sağlıkta yaygınlaştırma ve uygulama araştırması: bilimi pratiğe çevirmek . 3. baskı. Oxford University Press.

(Yeni bir pencerede aç)Google Akademik

  1. Celi LA, Fine B, Stone D. 2019. Tıpta bir uyanış: insanlık ve akıllı makinelerin ortaklığı. Lancet Digit Health . 1(6):e255–e257. https://doi.org/10.1016/s2589-7500(19)30127-x

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Sağlık Yapay Zekası Koalisyonu. 2024a. Sorumlu Yapay Zeka Rehberi. Sağlık Yapay Zekası Koalisyonu.https://chai.org/responsible-ai-guide/(Yeni bir pencerede aç)

(Yeni bir pencerede aç)Google Akademik

  1. Sağlık Yapay Zekası Koalisyonu. 2024b. CHAI Uygulamalı Model Kartı.https://chai.org/draft-chai-applied-model-card/(Yeni bir pencerede aç)

(Yeni bir pencerede aç)Google Akademik

  1. Davis SE, Embí PJ, Matheny ME. 2024. Klinik tahmin araçlarının sürdürülebilir kullanımı – model bakımına 360° yaklaşım. J Am Med Inform Assoc . 31(5):1195–1198. https://doi.org/10.1093/jamia/ocae036

(Yeni bir pencerede aç)PubMed(Yeni bir pencerede aç)Google Akademik

  1. Dhar P. 2020. Yapay zekanın karbon etkisi. Nat Mach Intell . 2(8):423–425. https://doi.org/10.1038/s42256-020-0219-9

(Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Elmore M ve diğerleri. 2025. Sağlık hizmetlerinde sorumlu yapay zekâ için fikir birliği oluşturma. Am J Bioeth . 25(10):5–8. https://doi.org/10.1080/15265161.2025.2552711

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Embí PJ. 2021. Algorithmovigilance – yapay zekâ destekli sağlık hizmetlerinin etkinliği ve eşitliği için analiz ve izleme yöntemlerinin geliştirilmesi. JAMA Netw Open . 4(4):e214622. https://doi.org/10.1001/jamanetworkopen.2021.4622

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Escobar GJ ve diğerleri. 2020. Hastanede klinik durumun kötüleşme riski taşıyan yetişkinlerin otomatik olarak belirlenmesi. N Engl J Med . 383(20):1951–1960. https://doi.org/10.1056/NEJMsa2001090

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Finlayson SG ve diğerleri. 2021. Yapay zekada klinisyen ve veri kümesi değişimi. N Engl J Med . 385(3):283–286. https://doi.org/10.1056/NEJMc2104626

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Henry KE ve diğerleri. 2022. Yapay zekanın benimsenmesinde insan-makine işbirliği kilit önemdedir: Klinik hekimlerin devreye alınmış bir makine öğrenme sistemiyle ilgili deneyimleri. NPJ Digit Med . 5(1):97. https://doi.org/10.1038/s41746-022-00597-7

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Uluslararası Standardizasyon Örgütü. 2018. ISO 9241-11 İnsan-Sistem Etkileşiminin Ergonomisi – Bölüm 11: Kullanılabilirlik: Tanımlar ve Kavramlar . ISO.

(Yeni bir pencerede aç)Google Akademik

  1. Jain SS, Mello MM, Shah NH. 2024. Klinik hekimlerin yapay zeka kullanımından kaynaklanan hastalar için finansal toksisiteden kaçınma. N Engl J Med . 391(13):1171–1173. https://doi.org/10.1056/NEJMp2406135

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Jung K ve ark. 2021. Tahmin modellerini pratikte kullanışlı hale getirmek için bir çerçeve. J Am Med Inform Assoc . 28(6):1149–1158. https://doi.org/10.1093/jamia/ocaa318

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Lee JD, See KA. 2004. Otomasyona güven: uygun güven için tasarım. İnsan Faktörleri . 46(1):50–80. https://doi.org/10.1518/hfes.46.1.50_30392

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Lenert MC, Matheny ME, Walsh CG. 2019. Prognostik modeller, aksi takdirde kendi başarılarının kurbanı olacaklardır…. J Am Med Inform Assoc . 26(12):1645–1650. https://doi.org/10.1093/jamia/ocz145

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Li RC, Asch SM, Shah NH. 2020. Sağlık hizmetlerinde yapay zekâ için bir uygulama bilimi geliştirme. NPJ Digit Med . 3(1):107. https://doi.org/10.1038/s41746-020-00318-y

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Lin AL ve diğerleri. 2025. Algoritma tabanlı klinik karar destek sistemi: gelişen düzenleyici ortam ve yerel denetim için en iyi uygulamalar. Annu Rev Biomed Data Sci . 8(1):491–507. https://doi.org/10.1146/annurev-biodatasci-103123-094601

(Yeni bir pencerede aç)PubMed(Yeni bir pencerede aç)Google Akademik

  1. Lyons PG ve diğerleri. 2023. Amerika Birleşik Devletleri’ndeki dokuz ağ hastanesinde tescilli bir sepsis tahmin modelinin performansındaki değişkenlikle ilişkili faktörler. JAMA Intern Med . 183(6):611–612. https://doi.org/10.1001/jamainternmed.2022.7182

(Yeni bir pencerede aç)PubMed(Yeni bir pencerede aç)Google Akademik

  1. Morse KE, Bagley SC, Shah NH. 2020. Hasta bakımını iyileştirmek için tahmine dayalı modellerin gizli uygulama maliyetini tahmin edin. Nat Med . 26(1):18–19. https://doi.org/10.1038/s41591-019-0651-8

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Prinster D, Han X, Liu A, Saria S. 2025. WATCH: Ağırlıklı-konformal martingaller aracılığıyla yapay zeka uygulamaları için uyarlanabilir izleme. Uluslararası Makine Öğrenimi Konferansı Bildirilerinde.

(Yeni bir pencerede aç)Google Akademik

  1. Rubins D ve ark. 2022. Klinik karar destek sisteminin iyileştirilmesini desteklemek için gerçek zamanlı kullanıcı geri bildirimi. Uygulamalı Klinik Bilgi . 13(5):1024–1032. https://doi.org/10.1055/s-0042-1757923

(Yeni bir pencerede aç)PubMed(Yeni bir pencerede aç)Google Akademik

  1. Russell RG ve diğerleri. 2023. Sağlık çalışanları tarafından yapay zekâ tabanlı araçların kullanımı için yetkinlikler. Acad Med . 98(3):348–356. https://doi.org/10.1097/ACM.0000000000004963

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Salwei ME ve ark. 2021. Acil serviste insan faktörlerine dayalı klinik karar destek sisteminin iş akışı entegrasyon analizi. Uygulamalı Ergonomi . 97:103498. https://doi.org/10.1016/j.apergo.2021.103498

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Salwei ME, Carayon P. 2022. Sağlık hizmetlerinde yapay zekanın uygulanması için sosyoteknik sistemler çerçevesi. J Cogn Eng Decis Mak . 16(4):194–206. https://doi.org/10.1177/15553434221097357

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Salwei ME ve diğerleri. 2025. Yapay Zeka (YZ) izleme sisteminin insan merkezli tasarımı: Vanderbilt Algoritma İzleme ve Operasyon Sistemi (VAMOS). JAMIA Open. 8(5). https://doi.org/10.1093/jamiaopen/ooaf136

(Yeni bir pencerede aç)Google Akademik

  1. Saria S. 2022. Tüm yapay zekâlar eşit yaratılmamıştır: güvenli ve etkili benimseme stratejileri. NEJM Catal Innov Care Deliv . 3(2). https://doi.org/10.1056/CAT.22.0075

(Yeni bir pencerede aç)Google Akademik

  1. Sendak MP, Gao M, Brajer N, Balu S. 2020. Makine öğrenimi modeli bilgilerinin model gerçekleri etiketleriyle klinik son kullanıcılara sunulması. NPJ Digit Med . 3(1):41. https://doi.org/10.1038/s41746-020-0253-3

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Seneviratne MG ve diğerleri. 2022. Sağlık hizmetlerinde makine öğrenimi için kullanıcı merkezli tasarım: bakım yönetiminden bir vaka çalışması. BMJ Health Care Inform . 29(1):e100656. https://doi.org/10.1136/bmjhci-2022-100656

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Sittig DF, Singh H. 2025. Gerçek dünya klinik bakımında yapay zekanın güvenliğini sağlamaya yönelik öneriler. JAMA . 333(6):457–458. https://doi.org/10.1001/jama.2024.24598

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Wilson JR. 2014. Sistem ergonomisi/insan faktörlerinin temelleri. Uygulamalı Ergonomi . 45(1):5–13. https://doi.org/10.1016/j.apergo.2013.03.021

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Wong A ve diğerleri. 2021. Hastanede yatan hastalarda yaygın olarak uygulanan tescilli bir sepsis tahmin modelinin dış doğrulaması. JAMA Intern Med . 181(8):1065–1070. https://doi.org/10.1001/jamainternmed.2021.2626

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

  1. Dünya Sağlık Örgütü. 2021. Sağlık alanında yapay zekanın etiği ve yönetimi . Dünya Sağlık Örgütü.

(Yeni bir pencerede aç)Google Akademik

  1. Wornow M, Ross EG, Callahan A, Shah NH. 2023. APLUS: Sağlık hizmetlerinde makine öğrenimi modellerinin kullanışlılık simülasyonları için bir Python kütüphanesi. J Biomed Inform . 139:104319. https://doi.org/10.1016/j.jbi.2023.104319

(Yeni bir pencerede aç)PubMed (Yeni bir pencerede aç)Web of Science ®(Yeni bir pencerede aç)Google Akademik

https://www.tandfonline.com/doi/full/10.1080/15265161.2026.2617850

Scroll to Top