Aile Hekimliğinde Yapay Zeka Uygulamaları

Giriş

Yapay zeka (YZ), bilgiyi işleyen, görevleri yerine getiren ve insan benzeri yanıt veren sistemler geliştirmek için kullanılan bilişim tekniklerinin bütünüdür (1). Son yıllarda YZ, birinci basamak sağlık hizmetleri ve aile hekimliği dahil olmak üzere sağlık hizmetlerinin sunumunu iyileştirmek için umut vadeden bir araç olarak öne çıkmıştır (2,3). Aile hekimliği, hastaların ilk başvuru noktasıdır ve hem kronik hastalık yönetiminde hem de koruyucu sağlık hizmetlerinde merkezi bir rol oynamaktadır (4). Bu alandaki YZ uygulamaları arasında risk tahmini, klinik karar destek sistemleri, tanısal yardım, dokümantasyon, kronik hastalık takibi ve kişiselleştirilmiş tedavi planlaması yer almaktadır (5,6). Ancak YZ'nin rutin aile hekimliği pratiğine entegrasyonu çoğu ülkede henüz erken aşamadadır ve veri gizliliği, algoritmik önyargı, işgücü eğitimi ve birlikte çalışabilirlik gibi zorluklar yaygın benimsemeyi sınırlamaya devam etmektedir (7,8). Bu bölümde aile hekimliğinde tarama, tanı, takip ve tedavide YZ konusunu ele alacağız.

Taramada YZ Uygulamaları

Aile hekimliği, geniş nüfus erişimiyle YZ temelli tarama yaklaşımları için kritik bir uygulama alanı sunmakta; sağlık hizmetlerini reaktif yapıdan proaktif modele dönüştürme potansiyeli taşımaktadır (9). Birinci basamakta YZ; randevu öncesi planlama, risk tahmin araçları ve yaşa uygun taramaların otomasyonuyla idari yükü azaltırken, çoklu veri kaynaklarının entegrasyonu sayesinde yüksek riskli bireylerin erken belirlenmesine ve sınırlı kaynaklı ortamlarda tarama kapasitesinin genişletilmesine olanak tanır (4, 10). Makine öğrenmesi (ML), geleneksel yöntemlerin kaçırabileceği risk örüntülerini ortaya çıkararak yüksek riskli bireylerin daha hassas belirlenmesini sağlarken; derin öğrenme (DL) özellikle görüntü temelli analizlerde doğruluğu artırmakta, doğal dil işleme (NLP) ise klinik metinlerden anlamlı sinyaller üretmektedir (6). Boylamsal elektronik sağlık kaydı (ESK) analizine dayalı modeller; diyabet, kronik obstrüktif akciğer hastalığı (KOAH), kronik böbrek hastalığı, kardiyovasküler hastalıklar ve ruh sağlığı bozuklukları gibi kronik durumları klinik tanıdan yıllar önce öngörebilmektedir (11,12). Diyabet yönetimi odaklı modeller, hipoglisemi gibi komplikasyonların riskini tahmin ederek gereksiz sevkleri azaltmakta ve kişiselleştirilmiş bakım planlamalarını desteklemektedir (13,14). Nadir ve sıklıkla gecikmeli tanı alan durumlarda da benzer bir potansiyel söz konusudur. ESK verileri üzerinde NLP ve ML tabanlı sistemler primer immün yetmezlik (örn; PIDCAP projesi) ve ailesel hiperkolesterolemi gibi hastalıkları daha erken ve yüksek doğrulukla saptayabilmiştir (15,16). Ruh sağlığı alanında ise farklı ML modelleri intihar riski, depresyon şiddetini ve doğum sonrası depresyonu öngörebilmekte; birinci basamakta yönetilebilecek vakalar ile ileri uzman hekim değerlendirmesi gerektiren hastaların ayırt edilmesine katkı sağlamaktadır. Ancak intihar üzerine çalışmalar ayırt edicilik yüksek olsa da gerçek vakaları yakalama oranının sınırlı kalabildiğini bildirmektedir. Bu nedenle bu araçların daha çok destekleyici filtre olarak konumlandırılması önerilmektedir (17,18,19). Kanser taramalarında YZ destekli risk sınıflandırma yaklaşımları ise, kolorektal kanserden melanoma, meme kanserine kadar geniş bir yelpazede mevcut yöntemlere kıyasla daha hedefli ve maliyet-etkin modeller sunmaktadır (3). YZ modeline dayalı risk temelli bir meme kanseri taramasının, evrensel tarama protokollerine göre daha az kaynakla daha fazla sağlık faydası sağladığı gösterilmiştir (20). Benzer şekilde ML algoritmaları gizli kalmış atriyal fibrilasyonun tanı oranını artırmakta (21); taşınabilir YZ destekli ultrason sistemleri sınırlı eğitime sahip personelin dahi bebeklerde kalça çıkığını birinci basamakta uzman düzeyinde saptamasını mümkün kılmaktadır (22). Retinal görüntüleme alanında derin öğrenme tabanlı sistemler, birinci basamak koşullarında diyabetik retinopati tespitinde yüksek doğruluk sağlarken (23,24), teletıp entegrasyonlu farklı YZ mimarilerini birleştiren ensemble sistemler, glokom taraması gibi uzmanlık gerektiren değerlendirmeleri birinci basamağa taşımaktadır (25). Retinal tarama araçları aynı zamanda nörodejeneratif, kardiyovasküler ve kronik böbrek hastalıkları gibi göz bulgusu veren sistemik durumların invaziv olmayan yollarla erken saptanmasına da katkı sağlamaktadır (26, 27). Taramalara ilişkin küresel araştırmalar hızla artmaktadır. Türkiye'de de pilot projeler şeklinde taramalara ilişkin uygulamalar olsa da (28) genel kapsam sınırlıdır ancak mevcut dijital sağlık altyapısı, birinci basamakta tarama stratejileri için önemli bir zemin sunmaktadır. Mevcut bulgular YZ uygulamalarının daha hedefli ve maliyet-etkin tarama altyapıları oluşturabileceğini gösterse de klinik uygulamaya entegrasyon küresel ölçekte sınırlıdır. Homojen veri setleri üzerinde eğitilen modellerde genellenebilirlik ve önyargı riski, görüntüleme kalitesi ile teknik standartlardaki değişkenlik ise taramada önemli metodolojik güçlükler olarak öne çıkmaktadır (15,17).

Tanıda YZ Uygulamaları

Tanı sürecinde yüksek hasta hacmi, sınırlı süre ve çok çeşitli veri kaynaklarının varlığı birinci basamak üzerinde önemli bir bilişsel yük oluşturmaktadır. Klinik iş akışlarına entegre edilen YZ sistemleri, karmaşık semptom örüntülerini analiz edip tanısal doğruluğu artırarak bu yükü hafifletmekte ve hekimlerin karar verme süreçlerini desteklemektedir (1, 29). Ambient YZ sistemleri, hasta–hekim görüşmelerini eş zamanlı analiz ederek otomatik klinik notlar üretmekte, erken uyarı ve hatırlatma mekanizmalarıyla proaktif bakım sunmakta ve hekimin idari görevlerden çok hastaya odaklanmasını sağlayarak tükenmişlik riskini azaltmaktadır (30). “YZ doktor” uygulamalarıyla gerçekleştirilen semptom temelli triyajlar ve ESK ile giyilebilir verileri entegre eden karar destek platformları, özellikle uzman erişiminin sınırlı olduğu bölgelerde tanısal kapasiteyi genişletmektedir (2). Farklı klinik alanlarda tanıya odaklanan uygulamalar mevcuttur. Ebeveyn değerlendirmeleri ve video analizlerini kullanan yazılım tabanlı araçlar otizm tanı sürecini hızlandırabilmiştir (31). Kardiyovasküler alanda ESK tabanlı ML araçları risk faktörleri, semptomlar ve ilaç verilerini birlikte analiz ederek kalp yetersizliğini daha doğru saptayabilmiş (32); YZ destekli EKG analizleri düşük ejeksiyon fraksiyonlu kalp yetersizliği tanı oranını düzenli kullanan hekimlerde iki katına çıkarmıştır (3). Bu alanda erken tanı ve risk sınıflandırmasını hedefleyen YZ destekli prospektif çalışmalar devam etmektedir (33). Büyük dil modellerinin (LLM) ESK entegrasyonu da klinik iş akışı optimizasyonu açısından araştırılmaktadır (34). Görüntü temelli DL algoritmaları mevcut meta-analizlere göre şüpheli deri lezyonlarında yüksek tanısal doğruluk göstermekte; zamansal ESK analizine dayalı modeller (ör. MedAlbert) akciğer kanserinin erken saptanmasında geleneksel yöntemlere göre daha isabetli tahminler sunmaktadır (35,36). Ancak birinci basamak verilerine dayalı YZ kanser uygulamalarının henüz erken aşamada olduğu değerlendirilmektedir. Uzman merkezlerin verilerine dayalı modeller birinci basamak gibi düşük prevalanslı ortamlarda spektrum sapması riski taşımaktadır. Bu nedenle gerçek dünya koşullarında prospektif doğrulama ve maliyet-etkinlik analizleri kritik önemdedir (37). Yerel bağlamda ise Türkiye'de aile hekimliği asistanları eğitimlerinde YZ kullanımını büyük oranda desteklerken; polifarmasi gibi risklerin değerlendirilmesinde YZ destekli karar destek araçları geliştirilmektedir (38,39). Giderek artan literatür, YZ'nın klinik kararın yerine geçen bir sistem değil, artırılmış zeka (augmented intelligence) yaklaşımıyla karar sürecini güçlendiren tamamlayıcı bir araç olduğunu göstermektedir (10). Bununla birlikte, yapay zeka sistemlerinin klinik pratikte veri mahremiyeti ve algoritmik önyargı risklerinin titizlikle ele alınması; modellerin ise şeffaf, açıklanabilir, iş akışlarıyla uyumlu ve gerçek yaşam verileriyle geliştirilmiş olması gerekmektedir (15,29,30).

Takipte YZ Uygulamaları

YZ destekli araçlar, birinci basamak sağlık hizmetlerinde uzun süreli hasta takibini desteklemek için giderek daha fazla kullanılmaktadır. Makine öğrenimi algoritmaları (lojistik regresyon, rastgele orman, derin öğrenme gibi yöntemler), diyabet, hipertansiyon ve KOAH gibi kronik hastalıklara sahip hastalar için hastaneye yeniden yatışları, acil servis başvurularını ve hastalık ilerlemesini tahmin etmek amacıyla elektronik sağlık kaydı (ESK) verilerini analiz edebilmektedir (40,41). Ancak bu modellerin performansı zaman içinde veri dağılımındaki değişimler (veri kayması) nedeniyle bozulabilmektedir. Muralitharan ve arkadaşlarının sistematik derlemesi, retrospektif doğrulama aşamasından prospektif uygulamaya geçildiğinde model performansının düştüğünü göstermiştir (42). Giyilebilir cihazlar ve uzaktan hasta takip sistemleri, kan şekeri düzeyleri, kan basıncı ve kalp hızı dahil olmak üzere sürekli biyometrik veriler üretmekte olup, YZ sistemleri bu verileri işleyerek erken uyarı işaretlerini tespit edebilir ve zamanında müdahaleleri tetikleyebilir (43,44). Klinik anlamda bu durum, hekimin hasta bakmadığı zamanlarda bile olası komplikasyonların erken fark edilmesini ve önleyici müdahale yapılmasını mümkün kılmaktadır. Ayrıca YZ destekli sohbet robotları ve konuşma ajanları, özellikle diyabet bakımında hasta katılımı ve öz yönetim desteği için test edilmiş olup tedavi uyumu ve sağlık okuryazarlığında iyileşmeler göstermişlerdir (45,46). Büyük dil modelleri gibi üretken YZ araçları, hekimlerin karmaşık tıbbi literatürü daha verimli bir şekilde işlemesine ve anlamasına yardımcı olma kapasiteleri açısından değerlendirilmekte olup bu durum, klinisyenleri kanıta dayalı uygulamalarla güncel tutarak dolaylı olarak tanı, tedavi, takip kalitesini iyileştirme potansiyeline sahiptir (47). Güncel bir kapsam incelemesi, YZ'nin klinik muhakeme ve iş akışı ihtiyaçlarıyla uyumlu olduğunda birinci basamak sağlık hizmetlerini destekleme potansiyeline sahip olduğunu, ancak kullanılabilirlik, eğitim eksiklikleri ve entegrasyon zorlukları gibi engellerin ele alınması gerektiğini bildirmiştir (3).

Tedavide YZ Uygulamaları

YZ tabanlı klinik karar destek sistemleri, hastaya özgü verileri güncel klinik kılavuzlarla entegre ederek aile hekimlerinin kanıta dayalı tedavi kararları vermesine yardımcı olmaktadır (5,48). Bu sistemlerde nihai klinik karar hekime ait olmalı (clinician-in-the-loop ilkesi), YZ önerileri açıklanabilir olmalı ve hekim gerektiğinde öneriyi geçersiz kılabilmelidir. Bu sistemler, özellikle aile hekimliğinde sık karşılaşılan bir sorun olan çoklu hastalık durumlarının yönetiminde, birden fazla kronik hastalığın bir arada bulunduğu ve tedavi etkileşimlerinin dikkatle değerlendirilmesi gereken durumlarda yararlıdır (8). Geriatrik hastalar için potansiyel olarak uygunsuz ilaçları, ilaç-ilaç etkileşimlerini ve ilaç-hastalık etkileşimlerini tespit eden YZ destekli bir web uygulaması, YZ'nin birinci basamakta akılcı ilaç kullanımını doğrudan nasıl destekleyebileceğini ve polifarmasi komplikasyonlarını nasıl azaltabileceğini göstermektedir (39). YZ algoritmaları, kardiyovasküler risk, diyabetik komplikasyonlar ve ilaç yanıtlarını tahmin etmede yüksek doğruluk göstermiş olup daha kişiselleştirilmiş tedavi yaklaşımlarını mümkün kılmaktadır (10,41). Retinal görüntülerin, deri lezyonlarının ve elektrokardiyogramların analizi için YZ destekli araçların uzmanlarla karşılaştırılabilir veya daha iyi performans gösterdiği kanıtlanmış olup bu durum, aile hekimlerinin bazı olgularda uzman sevki olmadan tedaviye başlamasına olanak tanımaktadır (5,23). Ancak birinci basamakta YZ uygulamasının etkili olabilmesi için gerçek iş akışlarıyla uyumlu hale getirilmesi gerekmektedir (49).

Zorluklar ve Gelecek Yönelimler

Aile hekimliğinde YZ entegrasyonunun temel zorlukları arasında veri gizliliği ve güvenlik endişeleri, özellikle yeterince temsil edilmeyen popülasyonlara yönelik potansiyel algoritmik önyargı, YZ sistemleri ile mevcut ESK platformları arasında birlikte çalışabilirlik ihtiyacı ve YZ araçlarının kontrollü bir şekilde uygulanmaması durumunda doktor-hasta ilişkisinin zayıflama riski yer almaktadır (7,8). YZ destekli tanı hatalarına ilişkin sorumluluk meselesi de henüz çözüme kavuşturulamamıştır (8). Bu bağlamda, YZ destekli kararlarda nihai klinik sorumluluk hekime ait olmalı, kurum ve yazılım geliştirici arasındaki sorumluluk dağılımı ulusal düzeyde yasal çerçevelerle belirlenmeli ve karar süreçlerinin izlenebilirliği (audit trail) sağlanmalıdır. Veri gizliliğinin korunması için Kişisel Verilerin Korunması Kanunu (KVKK) ve Genel Veri Koruma Tüzüğü (GDPR) uyumluluğu, veri anonimleştirme ve bilgilendirilmiş onam süreçleri esas alınmalıdır. Algoritmik önyargının azaltılması için temsilci veri kümeleri, adalet metrikleri ve düzenli önyargı denetimleri gereklidir (50). Örneğin, yetersiz temsil edilen bir popülasyonda eğitilmiş bir tanı modelinin yanlış negatif üretmesi, tanıda gecikmeye ve hasta zararına yol açabilir. Mevcut kanıt tabanının büyük ölçüde retrospektif ve tek merkezli çalışmalara dayandığı, dış doğrulama ve çok merkezli randomize kontrollü çalışma sayısının sınırlı olduğu unutulmamalıdır. Bu zorluklara rağmen YZ, hekimleri idari yüklerden kurtarma ve kişiselleştirilmiş, hasta merkezli bakıma odaklanmalarını sağlama potansiyeline sahiptir (5,6). Gelecek araştırmalar, pragmatik klinik çalışmalara, birinci basamak sağlık profesyonelleri ile birlikte tasarım çalışmalarına ve hekimleri YZ destekli pratiğe hazırlayan yapılandırılmış tıp eğitimi müfredatlarına öncelik vermelidir (3,51). Türkiye'nin geniş aile hekimliği iş gücü ve köklü birinci basamak sağlık bilgi sistemleri, gelecekteki YZ entegrasyonu için güçlü bir temel oluşturmaktadır. Ancak YZ araçlarının aile hekimliği pratiğinde yaygın olarak benimsenebilmesi için yapılandırılmış eğitim programlarına, ulusal kılavuzlara ve pilot uygulama çalışmalarına ihtiyaç duyulmaktadır (52). Bu doğrultuda, aile hekimleri YZ okuryazarlığı eğitimlerine katılmalı, sağlık yöneticileri pilot projeler başlatmalı ve araştırmacılar pragmatik randomize kontrollü çalışmalara öncelik vermelidir.

Kaynakça

1. Katsakiori PF, Kagadis GC, Mulita F, Marangos M. Implementing artificial intelligence in family medicine: Challenges and limitations. Cureus. 2024 Dec 11;16(12).
2. Lin SY, Mahoney MR, Sinsky CA. Ten ways artificial intelligence will transform primary care. J Gen Intern Med. 2019 Aug 15;34(8):1626-30.
3. Katonai G, Arvai N, Mesko B. AI and primary care: Scoping review. Journal of Medical Internet Research. 2025 Aug 15;27:e65950.
4. Hanna K, Chartash D, Liaw W, et al. Family Medicine Must Prepare for Artificial Intelligence. J Am Board Fam Med. 2024;37(4):520-524. doi:10.3122/jabfm.2023.230360R1
5. Hui L, Raff D, Hu R, Yau O, Singla R. Artificial intelligence in family medicine: Opportunities, impacts, and challenges.
6. Olawade DB, Wada OJ, David-Olawade AC, Kunonga E, Abaire O, Ling J. Using artificial intelligence to improve public health: a narrative review. Front Public Health. 2023 Oct 26;11:1196397.
7. Liyanage H, Liaw ST, Jonnagaddala J, Schreiber R, Kuziemsky C, Terry AL, de Lusignan S. Artificial intelligence in primary health care: perceptions, issues, and challenges. Yearbook of medical informatics. 2019 Aug;28(01):041-6.
8. Terry AL, Kueper JK, Beleno R, Brown JB, Cejic S, Dang J, Leger D, McKay S, Meredith L, Pinto AD, Ryan BL. Is primary health care ready for artificial intelligence? What do primary health care stakeholders say?.BMC medical informatics and decision making. 2022 Sep 9;22(1):237.
9. Vargas-Santiago M, León-Velasco DA, Maldonado-Sifuentes CE, Chanona-Hernandez L. A state-of-the-art review of artificial intelligence(AI) applications in healthcare: advances in diabetes, cancer, epidemiology, and mortality prediction. Computers. 2025;14(4):143.
10. Johnson KB, Wei WQ, Weeraratne D, Frisse ME, Misulis K, Rhee K, Zhao J, Snowdon JL. Precision medicine, AI, and the future of personalized health care. Clin Transl Sci. 2021 Jan;14(1):86-93.
11. Grout R, Gupta R, Bryant R, Elmahgoub MA, Li Y, Irfanullah K, et al. Predicting disease onset from electronic health records for population health management: a scalable and explainable deep learning approach. Front Artif Intell. 2024;6:1287541.
12. Swinckels L, Bennis FC, Ziesemer KA, Scheerman JF, Bijwaard H, de Keijzer A, et al. The use of deep learning and machine learning on longitudinal electronic health records for the early detection and prevention of diseases: scoping review. J Med Internet Res. 2024;26:e48320.
13. Liu X, Zhang W, Zhang Q, Chen L, Zeng T, Zhang J, et al. Development and validation of a machine learning-augmented algorithm for diabetes screening in community and primary care settings: a population-based study. Front Endocrinol. 2022;13:1043919.
14. Crutzen S, Belur Nagaraj S, Taxis K, Denig P. Identifying patients at increased risk of hypoglycaemia in primary care: development of a machine learning-based screening tool. Diabetes Metab Res Rev. 2021;37(7):e3426.
15. Rivière JG, Cantenys-Saba R, Carot-Sans G, Piera-Jiménez J, Butte MJ, Soler-Palacín P, et al. Current perspectives and challenges of using artificial intelligence in immunodeficiencies. J Allergy Clin Immunol. 2025;156(4):878-888. doi:10.1016/j.jaci.2025.06.015.
16. Akyea RK, Qureshi N, Kai J, Weng SF. Performance and clinical utility of supervised machine-learning approaches in detecting familial hypercholesterolaemia in primary care. NPJ Digit Med. 2020;3(1):142.
17. van Mens K, Elzinga E, Nielen M, Lokkerbol J, Poortvliet R, Donker G, et al. Applying machine learning on health record data from general practitioners to predict suicidality. Internet Interv. 2020;21:100337.
18. Kasthurirathne SN, Biondich PG, Grannis SJ, Purkayastha S, Vest JR, Jones JF. Identification of patients in need of advanced care for depression using data extracted from a statewide health information exchange: a machine learning approach. J Med Internet Res. 2019;21(7):e13809. doi:10.2196/13809.
19. Amit G, Girshovitz I, Marcus K, Zhang Y, Pathak J, Bar V, et al. Estimation of postpartum depression risk from electronic health records using machine learning. BMC Pregnancy Childbirth. 2021;21(1):630.
20. Hill H, Roadevin C, Duffy S, Mandrik O, Brentnall A. Cost-effectiveness of AI for risk-stratified breast cancer screening. JAMA Netw Open. 2024;7(9):e2431715. doi:10.1001/jamanetworkopen.2024.31715.
21. Hill NR, Groves L, Dickerson C, Ochs A, Pang D, Lawton S, et al. Identification of undiagnosed atrial fibrillation using a machine learning risk-prediction algorithm and diagnostic testing (PULsE-AI) in primary care: a multicentre randomized controlled trial in England. Eur Heart J Digit Health. 2022;3(2):195-204.
22. Jaremko JL, Hareendranathan A, Bolouri SE, Frey RF, Dulai S, Bailey AL. AI-aided workflow for hip dysplasia screening using ultrasound in primary care clinics. Sci Rep. 2023;13(1):9224.
23. Abràmoff MD, Lavin PT, Birch M, Shah N, Folk JC. Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy in primary care offices. NPJ Digit Med. 2018 Aug 28;1(1):39.
24. Verbraak FD, Abramoff MD, Bausch GC, Klaver C, Nijpels G, Schlingemann RO, et al. Diagnostic accuracy of a device for the automated detection of diabetic retinopathy in a primary care setting. Diabetes Care. 2019;42(4):651-656.
25. Bhuiyan A, Govindaiah A, Smith RT. An artificial-intelligence- and telemedicine-based screening tool to identify glaucoma suspects from color fundus imaging. J Ophthalmol. 2021;2021:6694784. doi:10.1155/2021/6694784.
26. Tan YY, Kang HG, Lee CJ, Kim SS, Park S, Thakur S, et al. Prognostic potentials of AI in ophthalmology: systemic disease forecasting via retinal imaging. Eye Vis (Lond). 2024;11(1):17. doi:10.1186/s40662-024-00384-3.
27. Sabanayagam C, Xu D, Ting DS, Nusinovici S, Banu R, Hamzah H, et al. A deep learning algorithm to detect chronic kidney disease from retinal photographs in community-based populations. Lancet Digit Health. 2020;2(6):e295-e302.
28. T.C. Sağlık Bakanlığı. Yapay zeka ile kapsayıcı sağlık taramaları ve entegrasyonu projesi. 2025. Erişim adresi: https://istanbulism.saglik.gov.tr/TR-366652/yapay-zeka-ile-kapsayici-saglik-taramalari-ve-entegrasyonu- projesi.html. Erişim tarihi: 22 Şubat 2026.
29. Gandhi TK, Classen D, Sinsky CA, Rhew DC, Vande Garde N, Roberts A, et al. How can artificial intelligence decrease cognitive and work burden for front line practitioners? JAMIA Open. 2023;6(3):ooad079.
30. Seth P, Carretas R, Rudzicz F. The utility and implications of ambient scribes in primary care. JMIR AI. 2024;3:e57673. doi:10.2196/57673.
31. Sohl K, Kilian R, Brewer Curran A, Mahurin M, Nanclares-Nogués V, Liu-Mayo S, et al. Feasibility and impact of integrating an artificial intelligence–based diagnosis aid for autism into the Extension for Community Health Outcomes autism primary care model: protocol for a prospective observational study. JMIR Res Protoc. 2022;11(7):e37576. doi:10.2196/37576.
32. Raat W, Smeets M, Henrard S, Aertgeerts B, Penders J, Droogne W, et al. Machine learning optimization of an electronic health record audit for heart failure in primary care. ESC Heart Fail. 2022;9(1):39-47. doi:10.1002/ehf2.13724.
33. Charman SJ, Okwose NC, Groenewegen A, et al. Clinical validation of an artificial intelligence-based decision support system for diagnosis and risk stratification of heart failure (STRATIFYHF): a protocol for a prospective, multicentre longitudinal study. BMJ Open. 2025;15:e091793. doi:10.1136/bmjopen-2024-091793.
34. Eguia H, Sánchez-Bocanegra CL, Vinciarelli F, Alvarez-Lopez F, Saigí-Rubió F. Clinical decision support and natural language processing in medicine: systematic literature review. J Med Internet Res. 2024;26:e55315.
35. Abdalla AR, Hageen AW, Saleh HH, Al-Azzawi O, Ghalab M, Harraz A, et al. Deep learning algorithms for the detection of suspicious pigmented skin lesions in primary care settings: a systematic review and meta-analysis. Cureus. 2024;16(7):e65122. doi:10.7759/cureus.65122.
36. Wang L, Yin Y, Glampson B, Peach R, Barahona M, Delaney BC, et al. Transformer-based deep learning model for the diagnosis of suspected lung cancer in primary care based on electronic health record data. EBioMedicine. 2024;110:105483.
37. Jones OT, Calanzani N, Saji S, Duffy SW, Emery J, Hamilton W, et al. Artificial intelligence techniques that may be applied to primary care data to facilitate earlier diagnosis of cancer: systematic review. J Med Internet Res. 2021;23(3):e23483. doi:10.2196/23483.
38. Çifçi İ, Koç EM. Knowledge and approaches to family medicine assistants' artificial intelligence. Anatol J Gen Med Res. 2024.
39. Akyon SH, Akyon FC, Yılmaz TE. Artificial intelligence-supported web application design and development for reducing polypharmacy side effects and supporting rational drug use in geriatric patients. Frontiers in medicine. 2023 Mar 8;10:1029198.
40. Pan Y, Li Y, Wei H, et al. Application of artificial intelligence in the health management of chronic disease: bibliometric analysis. Front Med (Lausanne). 2025;11:1506641. doi:10.3389/fmed.2024.1506641.
41. Du Y, Yang P, Liu Y, Deng C, Li X. Artificial intelligence in chronic disease self-management: current applications and future directions. Frontiers in Public Health. 2025 Nov 20;13:1689911.
42. Muralitharan S, et al. Systematic review and longitudinal analysis of implementing artificial intelligence to predict clinical deterioration in adult hospitals: what is known and what remains uncertain. Journal of the American Medical Informatics Association. 2024;31(2):509-524.
43. Hwang M, Zheng Y, Cho Y, Jiang Y. AI Applications for Chronic Condition Self-Management: Scoping Review. J Med Internet Res. 2025;27:e59632. doi:10.2196/59632.
44. Li X, Chen W, Wang F, et al. Precision management in chronic disease: An AI empowered perspective on medicine-engineering crossover. iScience. 2025;28(3):112049. doi:10.1016/j.isci.2025.112049.
45. Stein N, Brooks K. A fully automated conversational artificial intelligence for weight loss: longitudinal observational study among overweight and obese adults. JMIR diabetes. 2017 Nov 1;2(2):e28.
46. Yoon S, Lau R, Kwan YH, Liu H, Sahrin R, Phang JK, Zhang Y, Graves N, Low LL. Acceptability of an AI-enabled family module in a mobile app for enhanced diabetes management: Patient and family perspectives. Digital Health. 2025 Mar;11:20552076251322654.
47. Akyon SH, Akyon FC, Camyar AS, Hızlı F, Sari T, Hızlı Ş. Evaluating the capabilities of generative AI tools in understanding medical papers: qualitative study. JMIR Medical Informatics. 2024 Sep 4;12(1):e59258.
48. Graafsma J, Murphy RM, Van De Garde EM, Karapinar-Çarkit F, Derijks HJ, Hoge RH, Klopotowska JE, Van Den Bemt PM. The use of artificial intelligence to optimize medication alerts generated by clinical decision support systems: a scoping review. Journal of the American Medical Informatics Association. 2024 Jun 1;31(6):1411-22.
49. Allen LN, Lin J, Segal BM, Ndlovu K, Bilardi D, Pettigrew LM. Artificial intelligence in primary care: frameworks, challenges, and guardrails. The Lancet Primary Care. 2025 Dec 11.
50. Verma AA, et al. Detecting and remediating harmful data shifts for the responsible deployment of clinical AI models. JAMA Network Open. 2025.
51. Liaw W, Fertitta TJ, James CA, Kakadiaris I, Kueper JK, Rahimzadeh V. Bridging the Gap: Transforming Primary Care Through the Artificial Intelligence and Machine Learning for Primary Care (AIM-PC) Curriculum. Annals of Family Medicine. 2024 Nov 1;22(6).
52. Akyon SH, Arman IH, Onur G, Abecasis R, Unalan PC. Artificial intelligence readiness among young family doctors in Europe. The Annals of Family Medicine. 2025 Nov 1;23(6):542-5.