Topluluğumuza ACUHIT 2026 Jüri Özel Ödülü: Dijital İkiz Tabanlı Klinik Zeka Platformu

Özet

Elektronik sağlık kayıtlarının (EHR) sağlık sistemleri genelinde yaygınlaşması, klinik veri altyapısının kapsamını ve erişilebilirliğini önemli ölçüde genişletmiştir. Bununla birlikte, bu veri birikimi büyük ölçüde kullanılmamaya devam etmektedir; çünkü klinik bilginin önemli bir bölümü parçalı yapıda, zamansal tutarsızlıklarla dolu ve eyleme dönüştürülebilir karar destek mekanizmalarıyla henüz entegre edilmemiş biçimde bulunmaktadır.

Bu çalışmada, söz konusu açıkları gidermek amacıyla geliştirilen Next Medical Intelligence (NMI) projesinin mimari temelleri ele alınmaktadır. Sistem; laboratuvar ölçümleri, hekim notları, farmakolojik geçmişler ve hasta vizit örüntüleri gibi heterojen klinik veri akışlarını bütünleşik ve öngörücü bir analitik çerçevede birleştirmektedir. Mimari üç temel bileşen üzerine inşa edilmiştir: Dijital İkiz tabanlı hasta temsili, çok boyutlu bir X-Skor risk metriği ve Türkçenin morfolojik yapısına özgü gereksinimleri karşılamak üzere tasarlanmış bir klinik doğal dil işleme (NLP) hattı.

Sistem, Acıbadem Üniversitesi bünyesinde düzenlenen 48 saatlik ACUHIT Hackathonu'nda sunulmuş ve Jüri Özel Ödülü'ne layık görülmüştür.

Next Medical Intelligence - ACUHIT 2026

1 · Giriş

1.1 · Çalışmanın Motivasyonu

Çağdaş sağlık kurumları, yapısal ve içeriksel açıdan heterojen klinik veri kümeleri üretmektedir. Elektronik sağlık kayıt sistemleri; biyokimyasal ve hematolojik laboratuvar sonuçlarını, farmakolojik reçete kayıtlarını, görüntüleme raporlarını, semptom odaklı hekim notlarını ve idari işlem belgelerini sürekli bir zaman serisi biçiminde kayıt altına almaktadır.

Ne var ki bu veri birikimi, klinik karar vericiler açısından eş zamanlı bir güçlük de oluşturmaktadır. Hekimler, zaman baskısı altında ve hayati sonuçlar doğurabilecek koşullarda birbiriyle bütünleştirilmemiş çok sayıda bilgi kaynağını değerlendirmek durumundadır. Bu yapısal kısıt, klinik bozulmanın erken dönem sinyallerinin gözden kaçırılmasına zemin hazırlamaktadır.

1.2 · Veri Kümesine Özgü Güçlükler

Büyük ölçekli klinik veri kümelerinde söz konusu güçlük, birbiriyle etkileşen birkaç yapısal sorun tarafından derinleştirilmektedir:

Sınıf dengesizliği: Sağlıklı ve kritik vakalar arasındaki oransal asimetri, öngörücü modellerin eğitim süreçlerini olumsuz etkilemektedir.
Çok kanallı eksik veri: Birden fazla ölçüm kanalında gözlemlenen sistematik eksiklikler veri bütünlüğünü zayıflatmaktadır.
Yüksek değişken korelasyonu: Birbiriyle ilişkili çok sayıda biyomedikal değişkenin bir arada bulunması, modellerin asıl belirleyici faktörleri tespit etmesini güçleştirmektedir.
Yapılandırılmamış metnin baskınlığı: Klinik anlatılar, standart sayısal analiz yöntemleriyle doğrudan işlenememektedir.

Proje kapsamında yürütülen analizler bu güçlüklerin boyutunu somutlaştırmaktadır: 3,4 milyonu aşkın klinik vizit içeren yarışma veri kümesinde kritik sonuç sınıfları gözlemlerin yalnızca %5'ini oluşturmaktadır. Bu oran, yalnızca istatistiksel bir zorluk değil; aynı zamanda zamanında müdahaleyi engelleyen yapısal bir kısıt olarak değerlendirilmelidir.

2 · Dijital İkiz Yaklaşımı

2.1 · Kavramsal Çerçeve

NMI platformu, her hastayı statik bir kayıt yerine dinamik bir dijital ikiz olarak modellemektedir. Bu yaklaşım; bireyin anlık klinik durumunu, geçmişe ait biyometrik profilini ve zamansal eğilimlerini tek bir temsil katmanında birleştirmeyi amaçlamaktadır. Platform, bu amacı gerçekleştirmek üzere işlevsel açıdan birbirini tamamlayan iki aşamalı bir yapı üzerine kurulmuştur.

2.2 · Faz A — Temel Risk Profilinin Oluşturulması

Birinci aşama; yaş, vücut kitle indeksi, kronik hastalık geçmişi ve önceki tanılar gibi demografik ve anamnestik verilerden beslenen bir temel klinik risk profili oluşturmayı amaçlamaktadır. Bu aşamada belirsizlik koşulları altında olasılıksal çıkarım için Bayes güncellemesi temel alınmaktadır:

$P(H \mid E) = \frac{P(E \mid H)\, P(H)}{P(E)}$

Bu formülasyon, sistemin mevcut kanıta dayanarak bireyin yüksek riskli klinik bir kohort içinde yer alma ön-test olasılığını hesaplamasına olanak tanımaktadır. Sonraki aşamalarda gerçekleştirilecek daha hesaplama yoğun analizler için etkin bir ön eleme filtresi işlevi görmektedir.

2.3 · Faz B — Zamansal Seyir Modellemesi

İkinci aşama, klinik değerlendirmenin yalnızca anlık ölçümlere dayandırılmasının yetersiz kaldığı önkabulünden hareket etmektedir. Klinik bozulma, yalıtılmış bir olay olarak değil; birden fazla biyometrik sinyal üzerinde gözlemlenen zamansal eğilimler biçiminde kendini göstermektedir.

Platform, hastalık seyrini aşağıdaki boyutlar üzerinden modellemektedir:

Vizit sıklığının zaman içindeki değişim örüntüsü
Laboratuvar değerlerinin oynaklığı ve eğim yönü
İlaç değişim davranışı ve kombinasyon örüntüleri
Hekim notlarından çıkarılan semptom progresyonu

Temel seyir sinyali olan vizit yoğunluğu, üstel bozunma işleviyle biçimselleştirilmektedir:

$\text{Score}_{\text{Gap}} = \prod_{i=1}^{k} e^{-\lambda \Delta T_i}$

Bu ifadede $\Delta T_i$ ardışık vizitler arasındaki zaman aralığını, $\lambda$ ise bağlama göre kalibre edilen bozunma katsayısını göstermektedir. Ampirik gözlemler, kritik tanı eşiğine yaklaşan hastaların sağlık hizmetleriyle etkileşim sıklığında belirgin bir artış sergilediğini ortaya koymaktadır; bu durum sisteme, olumsuz sonuçlar gerçekleşmeden önce saptanabilir seyir değişikliklerini tespit etme kapasitesi kazandırmaktadır.

3 · X-Skor: Bütünleşik Klinik Risk Metriği

3.1 · Bileşenler ve Biçimsel Tanım

Projenin birincil metodolojik katkısı, heterojen klinik sinyalleri yorumlanabilir tek bir çerçevede birleştiren X-Skor'un geliştirilmesidir. Metrik dört bileşenden oluşmaktadır:

Laboratuvar sapmaları: Biyokimyasal ve hematolojik belirteçlerin referans aralıklarından sapma büyüklükleri
Semptom sinyalleri: NLP yöntemiyle klinik anlatılardan çıkarılan semptom örüntüleri
Farmakolojik etkileşim yükü: Aktif reçetelerdeki ilaç etkileşimlerinin kümülatif risk değeri
Davranışsal seyir sinyalleri: Vizit yoğunluğu ve bakım arama davranışındaki zamansal değişimler

Toplam risk skoru şöyle ifade edilmektedir:

$X(t) = \sum_{i=1}^{4} w_i\, S_i(t), \quad \sum_{i=1}^{4} w_i = 1$

Her $S_i(t)$ terimi belirli bir klinik sinyale karşılık gelen normalleştirilmiş alt skoru; $w_i$ ise alan uzmanı değerlendirmeleri ve ampirik kalibrasyon süreçleriyle belirlenen göreli ağırlığı göstermektedir.

3.2 · Mevcut Puanlama Sistemleriyle Karşılaştırma

X-Skor, APACHE, SOFA veya NEWS2 gibi yerleşik klinik puanlama sistemlerinden birkaç boyutta ayrışmaktadır:

Yapılandırılmamış hekim notlarının doğrudan analize dahil edilmesi
İlaç etkileşim modellemesinin risk hesabına entegrasyonu
Sabit zaman aralıkları yerine olaya dayalı güncelleme mekanizması
HL7 FHIR standartları aracılığıyla kurumlararası veri birlikte çalışabilirliği

Bu tasarım kararlarının bütünü, sistemin klinisyenlere periyodik anlık ölçümlerin ötesinde sürekli güncellenen bir risk tahmini sunmasını olanaklı kılmaktadır.

4 · Türkçe Klinik Doğal Dil İşleme

4.1 · Sorunun Kapsamı

Hekim notları, elektronik sağlık kayıtlarında saklanan klinik bilginin yaklaşık %80'ini oluşturmakta; ancak bu bilgi geleneksel sayısal analiz yöntemleriyle doğrudan işlenememektedir. Mevcut klinik NLP sistemlerinin büyük çoğunluğu İngilizce derlemler üzerinde geliştirilmiş olup morfolojik açıdan karmaşık dillerde yetersiz kalmaktadır.

Türkçe; çekimsel biçimbilimi ve sözcük türetme kapasitesi itibarıyla sözcük-biçim çeşitliliği yüksek bir dil olup genel amaçlı tokenizasyon yaklaşımları tıbbi bağlamlarda önemli ölçüde başarısızlığa uğramaktadır.

4.2 · Önerilen Tokenizer Mimarisi

Bu boşluğu kapatmak amacıyla proje kapsamında özel bir Türkçe Klinik Tokenizer geliştirilmiştir. Tokenizer üç bileşenli bir hibrit mimariye dayanmaktadır:

Bayt Çifti Kodlaması (BPE): Alt sözcük birimlerinin frekansa dayalı öğrenimini sağlamaktadır.
WordPiece tokenizasyonu: Sözlük dışı sözcüklere karşı dirençli bir parçalama stratejisi sunmaktadır.
Kural tabanlı tıbbi varlık tanıma: Laboratuvar referans değerleri, ilaç adı-doz ifadeleri ve ICD-10 kodları gibi alana özgü yapıların korunmasını güvence altına almaktadır.

4.3 · Olumsuzlama Algılama

Sistemin doğruluğu açısından belirleyici bir işlev, olumsuzlama algılama mekanizmasına aittir. Algoritma, "taşikardi saptanmadı" gibi ifadelerdeki olumsuzlama yapılarını tespit ederek semptom yokluğunun semptom varlığı olarak yanlış sınıflandırılmasının önüne geçmektedir. Olumsuzlama çözümlemesindeki yetersizlik, klinik NLP sistemlerinde yaygın biçimde gözlemlenen ve klinik açıdan ciddi sonuçlar doğurabilen bir hata kategorisini temsil etmektedir.

5 · Düzensiz Klinik Zaman Serileri için Derin Öğrenme

5.1 · Geleneksel Yaklaşımların Kısıtları

Standart makine öğrenmesi algoritmaları, klinik veri kümelerini çoğunlukla sabit boyutlu özellik vektörleri olarak temsil etmekte ve örnekler arasındaki zamansal bağıntıları göz ardı etmektedir. Sağlık verilerinin yapısal niteliği bu varsayımla çelişmektedir: klinik ölçümler düzensiz zaman aralıklarında gerçekleşmekte, hasta gruplarında sistematik eksiklikler bulunmakta ve klinisyen açısından kritik bilgi çoğunlukla ardışık ziyaretler arasındaki örüntü değişimlerinde yer almaktadır.

5.2 · AID-MAE Mimarisi

Bu dinamikleri modelleyebilmek amacıyla sistem, çok değişkenli klinik zaman serileri için geliştirilmiş bir Maskeli Otokodlayıcı (AID-MAE) mimarisini benimsemektedir. Eğitim süreci iki aşamalıdır:

Öz-denetimli ön eğitim: Klinik zaman serisindeki değerlerin rastgele seçilmiş bölümleri maskelenerek modelin bu değerleri bağlamsal örüntülere dayanarak yeniden oluşturması beklenmektedir. Bu aşama, modelin etiket gerektirmeksizin klinik değişkenler arasındaki ilişkisel yapıları öğrenmesine olanak tanımaktadır.

İnce ayarlı risk sınıflandırması: Ön eğitimde edinilen temsil kapasitesi üzerine denetimli sınıflandırma katmanları eklenerek olumsuz klinik sonuçların tahminine yönelik görev-odaklı bir uyarlama gerçekleştirilmektedir.

5.3 · Değerlendirme Sonuçları

Sistem değerlendirmesi güçlü bir öngörü performansına işaret etmektedir: birden fazla kohort alt grubunda ROC eğrisi altında kalan alan (AUC) değerleri 0,92'yi aşmaktadır. Kalibrasyon analizleri ise modelin yalnızca sıralama başarısıyla sınırlı kalmadığını, güvenilir olasılıksal tahminler ürettiğini doğrulamaktadır.

6 · Açıklanabilirlik ve Sistem Entegrasyonu

6.1 · Açıklanabilir Yapay Zekâ Bileşeni

Yapay zekâ destekli karar sistemlerinin klinik pratiğe entegrasyonunun önündeki önemli bir engel, model davranışlarının klinisyenler tarafından yorumlanabilmesidir. Tahmin başarısı ne düzeyde olursa olsun, gerekçesi anlaşılmayan bir sistemin klinisyen tarafından benimsenmesi güçtür.

Bu doğrultuda NMI arayüzü, risk skoru değişikliklerine katkıda bulunan nedensel sinyalleri klinisyene açık biçimde sunan Reason Chips bileşenini bünyesine katmıştır. Bileşenin öne çıkardığı sinyal örnekleri şunlardır:

Kısa bir zaman diliminde belirgin biçimde artan vizit sıklığı
Hekim notlarında yeni tespit edilen veya ağırlaşan semptomlar
Referans sınırlarının dışına çıkan laboratuvar değerleri

6.2 · Altyapı Entegrasyonu

Sistem, HL7 FHIR (Fast Healthcare Interoperability Resources) standartları temel alınarak tasarlanmıştır. Bu tercih; kurumlar arasında veri alışverişini ortak bir çerçeveye oturtmakta, yalıtılmış veri yapılarının oluşmasını engellemekte ve sistemin mevcut hastane bilgi yönetim altyapılarıyla uyumunu kolaylaştırmaktadır. Platform, bağımsız bir araç olarak değil; mevcut klinik iş akışlarını tamamlayan bir bileşen olarak konumlandırılmaktadır.

7 · Disiplinlerarası İş Birliği

Sağlık teknolojisi geliştirme süreçlerinde mühendislik yetkinliği ile klinik uzmanlığın bir arada bulunması, sistemin gerçek dünya koşullarında işlevselliğini belirleyen kritik etkenlerden biridir. Mühendislik perspektifinden üretilen çözümlerin pratiğe aktarılabilmesi, klinik süreçlerin ve kısıtların yeterince kavranmasını gerektirmektedir; bunun tersi de geçerlidir.

Bu çalışmada ekip, mühendislik ve tıp alanlarından gelen uzmanları bir araya getirmiştir:

Alan	Katkıda Bulunanlar
Mühendislik	Muhammet Anıl Yağız, Talha Tursun
Tıp	Betin Bilkan Karaman, Şimal Arslan, Yılmaz Tutak

Bu yapı; teknik gereksinimleri karşılamanın ötesinde, gerçek dünya klinik iş akışlarıyla örtüşen ve klinisyen benimsemesi için gerekli güven zeminini oluşturan bir sistem tasarımını mümkün kılmıştır.

Teşekkür

Ekip; projenin kapsamının genişletilmesine katkıda bulunan Nexgene AI ekibine ve Kutsal Baran Özkurt'a en içten teşekkürlerini sunar.

ACUHIT 2026 Hatıra Fotoğrafı

8 · Sonuç

Klinik bilişim araştırmaları, statik veri analizi yaklaşımlarından gerçek zamanlı ve bütünleşik karar destek mimarilerine doğru yönelmektedir. Bu eğilim; veri altyapısındaki genişlemenin yanı sıra, klinik pratiğin gerçek zamanlı ve hasta özgül bilgiye olan talebinden kaynaklanmaktadır.

NMI mimarisi; dijital ikiz modellemesi, klinik NLP ve derin öğrenmenin bütünleşik bir çerçevede nasıl işlevsel biçimde bir araya getirilebileceğini ortaya koymaktadır. X-Skor, Türkçe klinik tokenizer ve AID-MAE bileşenleri; birbirinden bağımsız teknik çözümler olarak değil, birbirini tamamlayan bir sistem ekosisteminin parçaları olarak tasarlanmıştır.

Çalışma, hackathon kapsamında geliştirilen bir prototip niteliği taşımakla birlikte metodolojik geçerliliği ve klinik motivasyonuyla ölçeklenebilir uygulamalara yönelik bir referans noktası oluşturmaktadır. Sistemin klinik ortamlara aktarılması, prospektif doğrulama çalışmaları ve genişletilmiş kohort analizleri gerektirmekte olup bu çalışmalar gelecek araştırmaların öncelikli gündem maddesini oluşturmaktadır.

Referanslar

ACUHIT 2026 Hackathonu — Acıbadem Üniversitesi. acuhit.com