Genel Cerrahide Yapay Zeka Uygulamaları

1. Giriş: Kavramsal Çerçeve ve Klinik İş Akışı Perspektifi

Genel cerrahide yapay zekâ (YZ) uygulamalarını anlamanın en işlevsel yolu, bu teknolojileri yalnızca algoritma türlerine göre değil, klinik iş akışı içindeki karar noktalarına göre değerlendirmektir. Cerrahi pratikte YZ’nin değeri tek başına “yüksek doğruluk” ile belirlenmez. Asıl önemli olan, hangi klinik problemi çözdüğü, hangi kararı desteklediği, bu desteğin hasta bakımına nasıl yansıdığı ve mevcut ekip-iş akışı içine ne kadar güvenli biçimde yerleştirilebildiğidir [1,2]. Bu bölümün amacı, genel cerrahide YZ’nin klinik kullanım alanlarını teknoloji-merkezli bir iyimserlik ya da kategorik bir şüphecilik üzerinden değil; klinik yarar, hasta güvenliği, metodolojik sağlamlık ve uygulamaya geçiş koşulları ekseninde dengeli biçimde değerlendirmektir [1,2,17,26-30].

Bu bölümde örnekler öncelikle genel cerrahi ve perioperatif bakım literatüründen seçilmiş; ancak insan-YZ etkileşimi, otomasyon yanlılığı (automation bias; sistem önerilerine gereğinden fazla güvenme eğilimi) ve prospektif değerlendirme gibi genel ilkeleri tartışmak için bazı translasyonel ve genel klinik YZ örneklerine de yer verilmiştir [19,20,26-30]. Buna karşılık, kapsamı netleştirmek için bazı alanlar bilerek ayrıntılı ele alınmamıştır: pediatrik cerrahiye özgü YZ uygulamaları, cerrahi dışı uzmanlık alanlarının ayrıntılı YZ ekosistemleri, donanım mühendisliği ve robotik sistem tasarım ayrıntıları, tam ekonomik değerlendirme, regülasyonların ülke bazlı ayrıntılı hukuk incelemesi ve düşük kaynaklı ortamlara özgü implementasyon stratejileri bu bölümün ana kapsamı dışındadır. Bu tercih, bölümü disiplinler arası okuyucu için klinik karar süreçlerine odaklı ve uygulanabilir tutmayı amaçlamaktadır [17,26-32].

Klinik açıdan bakıldığında perioperatif süreç, hastadan veri toplama ile başlar ve ameliyat sonrasına uzanan dinamik bir karar zinciri olarak ilerler. Genel cerrahide ilk değerlendirmede veriler çoğunlukla üç ana kaynaktan toplanır: öykü, fizik muayene bulguları ve tanısal testler/görüntüleme. Bu veriler, preoperatif dönemde tanısal düşünmeyi ve problem listesinin oluşturulmasını besler. Problem listesine göre ayırıcı tanı (differential diagnosis) oluşturulur; burada hem olası tanılar hem de kaçırılmaması gereken hayati tanılar birlikte değerlendirilir. Tanı netleştikçe hasta için cerrahi gereklilik, zamanlama, risk profili, anestezi planı, kaynak kullanımı ve takip stratejisi belirlenir. Tanıdan sonra süreç sona ermez; intraoperatif dönemde gerçek zamanlı kararlar ve postoperatif dönemde komplikasyon izlemiyle veri üretimi ve klinik karar döngüsü devam eder [1-5,10-16].

YZ, bu klinik döngünün farklı aşamalarında farklı rol oynar. Bazı sistemler tabular (tablolaştırılmış; satır-sütun yapısındaki) elektronik sağlık kaydı (EHR) verilerinden risk tahmini yapar [3-5]. Bazıları zaman serisi verilerinden klinik kötüleşmeyi öngörmeye çalışır [7,8]. Bazıları görüntü, video veya cihaz çıktılarından intraoperatif destek üretir [11,15,16]. Bazıları ise insan-sistem etkileşimini, otomasyon yanlılığını ve iş akışı etkilerini görünür kılar [19,20]. Bu nedenle aynı “YZ” başlığı altında toplanan araçlar, klinik pratikte aynı tür katkıyı sunmaz; her birinin değerlendirilmesi, desteklediği karar noktası ve kullanım bağlamı üzerinden yapılmalıdır [1,2,17].

Disiplinler arası okuyucu için metinde geçen bazı teknik kavramları kısaca açıklamak yararlıdır. AUROC (ROC eğrisi altındaki alan), bir modelin hasta gruplarını ayırt etme gücünü özetleyen bir ölçüttür; ancak tek başına klinik kullanılabilirliği göstermez [17,29,30]. Kalibrasyon, modelin verdiği olasılıkların gerçek olay oranlarıyla uyumunu ifade eder; örneğin %20 risk verdiği hastalarda olay gerçekten yaklaşık %20 görülüyor mu sorusunu yanıtlar [17,29,30]. DCA (decision curve analysis; karar eğrisi analizi), farklı karar eşiklerinde model kullanımının klinik net faydasını değerlendirir ve “teknik olarak iyi model” ile “klinikte faydalı model” ayrımını görünür kılar [17]. Gradient boosting, birden çok zayıf öğreniciyi ardışık biçimde birleştirerek hatayı azaltmaya çalışan bir makine öğrenmesi yaklaşımıdır; tabular verilerde sık kullanılır [3-5]. Transformer mimarileri ise sıralı verilerde bağlam ilişkilerini modelleyebilen modern derin öğrenme yaklaşımlarıdır [11,16]. U-Net, özellikle tıbbi görüntülerde segmentasyon için yaygın kullanılan bir derin öğrenme mimarisidir [24].

Modelin temel mantığı, klinisyen olmayan okuyucular için kısaca şöyle özetlenebilir: sistem geçmiş hastalardan toplanan veriler ile bilinen sonuçlar arasındaki örüntüleri öğrenir ve yeni bir hastada belirli bir sonlanım için olasılık üretir [3-5,17]. Bu süreçte verinin bir kısmı modelin öğrenmesi, bir kısmı ayarların seçimi, bir kısmı da bağımsız performans değerlendirmesi için ayrılır; aksi halde model geçmiş veriye aşırı uyum (overfitting; ezberleme) gösterip yeni hastalarda başarısız olabilir [17,29,30]. Klinik kullanımda model çıktısı çoğu zaman tek başına karar vermez; belirli bir risk olasılığı, önceden tanımlanmış bir klinik eşik üzerinden belirli bir eylemi tetiklemek için kullanılır [3-5,17].

Bu ekosistemin tarihsel arka planı da klinik YZ’yi anlamak için önemlidir. Görüntü verisinin ölçeklenebilir etiketlenmesi ve standartlaştırılması açısından ImageNet veri tabanı [21] ve ILSVRC yarışmaları [22] bir dönüm noktası olmuş, derin öğrenmenin pratik performans sıçraması AlexNet ile belirginleşmiştir [23]. Tıbbi görüntü segmentasyonunda U-Net [24], klinik veri bilimi ve zaman serisi modelleme araştırmalarında ise MIMIC-III gibi veri kümeleri metodolojik gelişimi hızlandırmıştır [25]. Bununla birlikte bu teknik kilometre taşlarının klinik faydaya dönüşebilmesi, yalnızca model performansına değil, klinik bağlama uygun tasarım, değerlendirme ve uygulama stratejilerine bağlıdır [17,26-32].

Bu bölüm, anlatısını klinik problemin tanımlanması, uygun YZ yaklaşımının seçimi, kanıtın metodolojik değerlendirilmesi, klinik iş akışına entegrasyon ve güvenli uygulama/gelecek yönelimleri sıralaması üzerinden kurmaktadır [1,2,17,26-32].

2. Preoperatif Dönem: Veri Toplama, Risk Stratifikasyonu, Tanısal Düşünme ve Planlama

Preoperatif dönemde YZ’nin başlıca rolü, tanısal düşünmeyi desteklemek, risk stratifikasyonu yapmak, triyaj ve planlamayı iyileştirmek ve klinik kararların zamanlamasını güçlendirmektir [3-10]. Bu dönemde kararlar çoğunlukla tabular EHR verileri, laboratuvar sonuçları, yaş ve komorbidite bilgileri, ilaçlar, prosedür türü, görüntüleme bulguları ve bazen metin tabanlı klinik notların birleşimi üzerinden verilir [3-5,7,8]. Genel cerrahide bu bilgiler; ameliyat gerekliliği, ameliyat zamanlaması, anestezi riski, yoğun bakım ihtimali, komplikasyon riski, taburculuk planı ve hasta bilgilendirme süreci gibi kritik karar alanlarını etkiler [3-5,9,10].

Preoperatif YZ uygulamalarının klinik değeri özellikle risk stratifikasyonunda belirgindir. EHR tabanlı modeller, mortalite, majör kardiyak olaylar veya majör advers postoperatif olaylar gibi sonlanımları ameliyat öncesinde öngörerek yüksek riskli hastaların daha erken tanınmasına yardımcı olabilir [3-5]. Bu tür tahminler, anestezi optimizasyonu, ileri kardiyak değerlendirme, yoğun bakım yatak planlaması veya daha sık postoperatif izlem gibi eylemleri destekleyebilir [3-5,17].

Tanısal süreçte YZ’nin rolü, yalnızca tek tanı tahmini üretmekten ibaret değildir. Daha gerçekçi kullanım biçimi, klinisyenin oluşturduğu problem listesini ve ayırıcı tanıyı önceliklendiren, kaçırılmaması gereken ciddi olasılıkları görünür kılan ve gerektiğinde ileri tetkik sıralamasını destekleyen karar desteği biçimidir [1,2,7,8]. Bu yaklaşım, özellikle verinin heterojen olduğu ve zaman baskısının bulunduğu ortamlarda klinik muhakemeyi hızlandırabilir; ancak tanısal düşünmenin yerini alması beklenmemelidir [1,2,17]. Klinik pratiğin karmaşıklığı nedeniyle, tanısal YZ sistemlerinin çoğu hâlâ karar destek düzeyinde anlamlıdır; tam otonom tanı verme iddiası hem metodolojik hem etik açıdan daha sorunlu bir alandır [17,26-30].

YZ’nin karar desteği olarak güvenli kullanılabilmesi için, insan-sistem etkileşiminin tasarım aşamasından itibaren açık biçimde planlanması gerekir. Bu çerçevede sistem çıktılarının yalnızca nihai öneri olarak değil, mümkün olduğunda olasılık ve belirsizlik bilgisi, kısa açıklanabilirlik bileşenleri ve önerilen eylem yolu ile sunulması; yüksek etkili kararlar için insan-içinde-döngü (human-in-the-loop) onayı, override olanağı ve kayıtlı doğrulama adımları içermesi önemlidir [19,20,26-28]. Böylece YZ, klinik muhakemenin yerini alan bir otoriteye değil, klinisyenin karar kalitesini destekleyen ve denetlenebilir bir araca dönüşür [19,20].

Preoperatif planlama alanında YZ’nin bir diğer potansiyeli, kaynak tahsisi ve bakım koordinasyonudur. Örneğin taburculuk tahmini, yatış süresi öngörüsü, komplikasyon riski veya yeniden yatış olasılığına dayalı modeller; yatak planlaması, sosyal destek organizasyonu, evde bakım gereksinimi ve taburculuk eğitiminin zamanlaması açısından yararlı olabilir [9,10]. Ancak bu tür uygulamalarda operasyonel fayda ile hasta yararının aynı şey olmadığı unutulmamalıdır. Bir model hastane akışını optimize ederken kırılgan hasta gruplarında erken taburculuk riskini artırabilir; bu nedenle süreç metrikleri ile klinik sonlanımlar birlikte izlenmelidir [9,10,17,28-30]. Preoperatif YZ araçlarının klinik değeri, model çıktısının soyut bir skor olarak kalmaması; önceden tanımlanmış karar eşikleri üzerinden belirli klinik eylemlerle ilişkilendirilmesiyle ortaya çıkar [17,29,30].

Örneğin çıktı “majör komplikasyon olasılığı” ise, kurum bazında belirlenen bir eşik üzerinde otomatik olarak anestezi değerlendirmesini hızlandırma, ikinci uzman görüşü alma, yoğun bakım planlaması yapma veya postoperatif izlem yoğunluğunu artırma gibi eylemleri tetikleyen protokol tanımlanabilir [3-5,17]. Ancak eşik değerler evrensel değildir; yerel olay oranı, kaynak kapasitesi ve yanlış pozitif/yanlış negatif maliyetlerine göre belirlenmeli ve gerektiğinde yeniden kalibre edilmelidir [17,29,30].

Erişim noktası genellikle EHR/Hastane Bilgi Yönetim Sistemi (HBYS) içinde, preoperatif poliklinik veya servis iş listesinde “risk paneli” ya da “uyarı kuyruğu” şeklinde olmalıdır; entegrasyon olmadan ölçekleme ve rutin kullanım güçleşir [4]. Uygulanabilir bir akış, metin düzeyinde şu şekilde tarif edilebilir: EHR verisi çekimi → planlı risk çalıştırma → preop iş listesinde görünür uyarı/panel → klinik onay ve eylem → audit trail (denetim izi) kaydı → sonuç izlem. Başarı ölçütleri de yalnızca AUROC değil; karar değişim oranı, doğru yoğun bakım planlama oranı, son dakika sürpriz yüksek risk saptama oranı, preop değerlendirme süresinde azalma, yanlış pozitiflerin operasyonel maliyeti ve hasta düzeyi sonlanımlar [majör komplikasyon, hastanede kalış süresi (length of stay, LOS), 30-gün yeniden yatış] birlikte izlenmelidir [17,26-30].

Preoperatif literatürde olumlu sonuçlar kadar sınırlılıklar da belirgindir. Birçok çalışma retrospektif tasarıma dayanır, tek merkezlidir veya dış doğrulama içermez [1,2,17,29,30]. Ayrıca bazı çalışmalarda makine öğrenmesi yöntemleri geleneksel istatistiksel modellerle karşılaştırıldığında beklenen ölçüde üstünlük göstermemekte, kazanımlar çoğu zaman veri kalitesi, değişken seçimi ve klinik bağlam tanımına bağlı kalmaktadır [7,17]. Başka bir deyişle, daha karmaşık model her zaman daha iyi klinik karar desteği anlamına gelmez [7,17,29,30]. Sistematik değerlendirmeler, cerrahi YZ literatüründe yüksek performans bildiren çalışmaların görece daha görünür olabileceğini; olumsuz, nötr veya klinik etkisi sınırlı sonuçların daha az raporlanabileceğini düşündüren bir yayın yanlılığı olasılığına da işaret etmektedir [1,2].

Preoperatif YZ açısından temel sorun, hasta sonuçlarına doğrudan etkiyi gösteren prospektif kanıtın hâlâ sınırlı olmasıdır. DECIDE-AI rehberi, birçok klinik karar destek sisteminin erken teknik değerlendirmelerde umut verici görünmesine rağmen, bunların yalnızca az bir kısmının gerçek hasta bakımında klinik fayda gösterdiğini ve hasta sonuçlarına ilişkin yüksek kaliteli kanıtın hâlâ yetersiz olduğunu vurgulamaktadır [28]. Bu ihtiyatı destekleyen bir örnek olarak Oosterhoff ve ark., makine öğrenmesinin geleneksel regresyon modellerine belirgin üstünlük göstermediğini, zaman-bağımlı AUROC değerlerinin 0.52-0.68 aralığında kaldığını ve bazı bağlamlarda prognostik faydanın sınırlı olabileceğini bildirmiştir [7]. Bu nedenle preoperatif YZ’nin hasta yararı, ancak belirli klinik eylemleri tetikleyen eşiklerle ilişkilendirildiğinde ve majör komplikasyon, plansız yoğun bakım gereksinimi, hastanede kalış süresi ve 30-gün yeniden yatış gibi hasta düzeyi sonlanımlarla prospektif olarak test edildiğinde güvenilir biçimde gösterilebilir [17,26-30].

Bu nedenle preoperatif YZ sistemlerinde ideal raporlama ve değerlendirme yalnızca ayırt ediciliğe değil, kalibrasyona, klinik net faydaya (DCA), dış doğrulamaya ve mümkünse prospektif uygulama verisine dayanmalıdır [17,26-30]. Kalibrasyon, karar eşiği seçimi ve yerel popülasyonda dış doğrulama kritik önemdedir; yalnızca AUROC üzerinden değerlendirme yapmak klinik karar kalitesi açısından yetersiz olabilir [17,29,30]. Özellikle Türkiye gibi kurumlar arası veri yapısı ve HBYS/EHR özellikleri farklılık gösterebilen ortamlarda, bir merkezde iyi çalışan modelin başka bir merkezde aynı performansı göstermeyeceği baştan kabul edilmelidir [33].

Preoperatif dönem için özetle, YZ’nin değeri en çok şu koşullarda artar: klinik problem iyi tanımlanmışsa, veri kalitesi yeterliyse, model yerel bağlamda doğrulanıp kalibre edilmişse ve model çıktısı belirli bir klinik eylemle ilişkilendirilmişse [3-5,17,29,30]. Bu koşullar sağlanmadığında ise teknik olarak umut verici görünen modellerin klinik etkisi sınırlı kalabilir veya istenmeyen operasyonel sonuçlar doğurabilir [1,2,7,17].

3. İntraoperatif Dönem: Gerçek Zamanlı Karar Desteği, Görüntü/Video Analitiği, Navigasyon ve Ekip Etkileşimi

İntraoperatif dönemde YZ’nin potansiyeli, preoperatif döneme göre daha görünür ama aynı zamanda daha kırılgandır; çünkü burada kararlar gerçek zamanlıdır, hata toleransı düşüktür ve insan-sistem etkileşimi doğrudan hasta güvenliğini etkiler [11,15,16,19,20]. Genel cerrahi açısından klinik değeri yüksek kullanım alanları arasında anatomi tanıma, kritik yapıların korunmasına destek, cerrahi aşama tanıma, doku karakterizasyonu, görüntü kalitesi iyileştirme, navigasyon desteği ve ekip dikkatinin belirli riskli adımlara yönlendirilmesi yer alır [11,15,16].

Cerrahi video analitiği alanında en önemli noktalardan biri, yalnızca model geliştirme değil, model çıktısının ameliyathane iş akışına uygun biçimde sunulmasıdır [11,16,19,20]. Örneğin bir sistemin anatomik yapı segmentasyonu teknik olarak başarılı olabilir; ancak görüntü gecikmesi (latency), düşük ışık, kanama, duman, kamera açısı değişiklikleri veya arayüzde aşırı görsel yük oluşturması nedeniyle gerçek kullanım değeri sınırlanabilir [11,15,16]. Bu nedenle intraoperatif YZ çalışmalarında yalnızca doğruluk ve segmentasyon örtüşme metrikleri değil; karar verme süresine etkisi, yanlış uyarıların ekip üzerindeki yükü, güvenilirlik algısı ve operasyon akışına etkisi de değerlendirilmelidir [15,16,19,20].

İntraoperatif destek sistemleri, cerrahın yerini alan otonom karar vericiler olarak değil, durumsal farkındalığı artıran yardımcı araçlar olarak konumlandırıldığında daha güvenli bir klinik rol üstlenir [16,19,20]. Örneğin kritik yapıların yakınında uyarı veren bir sistem dikkat desteği sunabilir; ancak bu uyarının doğruluğu, zamanlaması ve arayüz tasarımı kötü ise aşırı güven, alarm yorgunluğu veya gereksiz dikkat kayması gibi ters etkiler yaratabilir [19,20]. Bu nedenle intraoperatif YZ değerlendirmesi, teknik performans, kullanılabilirlik, ekip etkileşimi ve güvenlik etkisi eksenlerinde çok boyutlu olmalıdır [19,20,26-28].

Bu fazdaki iş akışı, video veya cihaz verisinin gerçek zamanlı analiz edilmesi, çıktının ekranda uyarı ya da segmentasyon olarak sunulması, cerrahın klinik onayıyla eyleme dönüşmesi, ardından olayın kaydedilmesi ve postoperatif geri bildirimle değerlendirilmesi şeklinde özetlenebilir. Ölçülebilir başarı kriterleri; yalnızca doğruluk değil, hedef anatomik yapının görünür olduktan sonra tanınma süresi, işlem veya adım süresi, intraoperatif komplikasyonlar ve hedef organ yaralanması, kan kaybı, postoperatif yatış süresi ve 30-gün komplikasyonları ile kullanıcı-merkezli metrikleri birlikte içermelidir [15,19,20]. Canlı kullanımdan önce sessiz mod veya geriye dönük video değerlendirmesiyle yanlış uyarı örüntüsü ve aşırı görsel yük riski test edilmeli; pilot aşamada uyarılar için klinik onay ve override kayıtları standart hale getirilmelidir [19,20,26-28].

Bu nedenle otomasyon yanlılığını azaltmaya yönelik somut önlemler, klinik kullanıma geçmeden önce tanımlanmalıdır. Bunlar arasında model çıktısının kesin karar yerine destekleyici öneri olarak etiketlenmesi; mümkün olduğunda konfidans ve belirsizlik gösterimi sunulması; anatomik yapı, alarm veya risk işaretlerinin kısa ve klinik açıdan anlamlı açıklama bileşenleri ile verilmesi; yüksek etkili adımlarda zorunlu klinik onay ve gerektiğinde override (sistem önerisinin klinik gerekçeyle geçersiz kılınması) seçeneğinin bulunması; ayrıca bu işlemlerin kayıt altına alınması yer alır [19,20,26-28]. Kullanıcı eğitimi ve simülasyon temelli ön değerlendirmeler de bu sürecin parçası olmalıdır; çünkü sistemin hangi koşullarda güvenilir, hangi koşullarda kırılgan olduğunun ekip tarafından bilinmesi yanlış güveni azaltır [19,20]. Klinik uygulamada insan-sistem etkileşiminin izlenmesi için override oranı, önerinin doğrulanma sıklığı, yanlış alarm örüntüleri, kaçırılan olaylar, alarm yorgunluğu, müdahaleye kadar geçen süre ve belirli hata modlarının dağılımı gibi ölçütler prospektif olarak takip edilmelidir [19,20,26-28]. Bu yaklaşım, YZ’nin başarısını yalnızca algoritmanın doğruluğu üzerinden değil, insan-sistem ortak performansı üzerinden değerlendirmeyi mümkün kılar [19,20].

Cerrahi görüntü ve video temelli uygulamalarda teknik kilometre taşlarının klinik alana etkisi açıktır. ImageNet/ILSVRC ve AlexNet sonrası derin öğrenmenin görsel örüntü tanıma kapasitesi belirgin şekilde artmış [21-23], U-Net gibi mimariler tıbbi görüntü segmentasyonunda standart yaklaşımlardan biri haline gelmiştir [24]. Bununla birlikte cerrahi görüntüler, genel görüntü veri kümelerine kıyasla daha yüksek bağlamsal değişkenlik içerir: kamera hareketi, doku deformasyonu, kanama, duman, cihaz yansımaları ve prosedürler arası teknik farklılıklar model genellenebilirliğini zorlaştırır [11,15,16]. Bu nedenle intraoperatif YZ sistemlerinde merkezler arası ve cerrahlar arası dış doğrulama, canlı kullanım öncesi kritik bir güvenlik gerekliliğidir [17,26-30].

İntraoperatif dönemde klinik etkiyi değerlendirmek için süreç metrikleri özellikle önemlidir. Örneğin bir anatomi tanıma veya uyarı sisteminin değeri; kaç doğru uyarı verdiği kadar gereksiz kaç uyarı ürettiği, ekibin karar süresini kısaltıp kısaltmadığı, kritik yapı farkındalığını artırıp artırmadığı ve yanlış güven oluşturmadan güvenli karar kalitesini destekleyip desteklemediği ile anlaşılır [15,16,19,20]. Bu nedenle gelecek çalışmaların, intraoperatif YZ’yi yalnızca algoritma kıyaslama problemi olarak değil, insan faktörleri ve iş akışı tasarımı problemi olarak da ele alması gerekir [19,20,26-28].

İntraoperatif dönemde hasta sonuçlarıyla en somut bağlardan biri, Murabito ve ark.’nın pilot randomize çalışmasında gösterilmiştir. Bu çalışmada erken uyarı sistemi ve hemodinamik algoritma kullanılan müdahale grubunda hipotansif epizod sayısı azalmış, toplam hipotansiyon süresi kısalmış ve time-weighted average hipotansiyon daha düşük bulunmuştur [13]. Ayrıca müdahale grubunda daha düşük postoperatif NSE ve oksidatif stres düzeyleri raporlanmıştır [13]. Bununla birlikte aynı çalışma, örneklem büyüklüğünün kısa ve uzun dönem postoperatif komplikasyonları test etmeye yeterli olmadığını ve biyobelirteç değişimlerinin hasta düzeyi sonuçlarla ilişkisinin daha büyük çok merkezli çalışmalarla doğrulanması gerektiğini açıkça belirtmektedir [13]. Bu örnek, intraoperatif YZ’nin süreç düzeyi iyileşmeden hasta düzeyi faydaya giden zinciri kurabildiğini, ancak nihai klinik faydanın hâlâ daha güçlü etki çalışmalarıyla gösterilmesi gerektiğini ortaya koyar [17,26- 30].

4. Postoperatif Dönem: Komplikasyon Öngörüsü, Erken Uyarı, İzlem ve Bakım Sürekliliği

Postoperatif dönemde YZ uygulamalarının klinik değeri, komplikasyonların erken tanınması, kötüleşmenin öngörülmesi, taburculuk planlaması, yeniden yatış riskinin yönetimi ve uzaktan izlem süreçlerinin desteklenmesi üzerinden ortaya çıkar [9,10,12-14]. Bu dönem, hastanın yalnızca biyomedikal verilerinin değil; hemşirelik gözlemleri, vital bulgular, yara görüntüleri, hasta tarafından bildirilen semptomlar ve bakım süreçlerine ilişkin operasyonel verilerin de klinik karar açısından anlam kazandığı bir alandır [10,12-14].

Postoperatif erken uyarı sistemleri, zaman serisi verilerden veya EHR akışından yararlanarak klinik kötüleşme, enfeksiyon, yeniden yatış veya komplikasyon riskini öngörmeye çalışır [7,8,12]. Genel cerrahi pratiğinde bu tür sistemlerin teorik faydası açıktır: komplikasyonun daha erken fark edilmesi, tetkik ve tedavi gecikmesinin azaltılması, daha doğru yoğun izlem planlaması ve taburculuk sonrası bakımın kişiselleştirilmesi [10,12-14]. Özellikle cerrahi alan enfeksiyonu izlemi, yara görüntüleri ve hasta raporlaması ile desteklenen dijital takip modellerinde dikkat çeken bir kullanım alanıdır [12-14].

Bununla birlikte postoperatif YZ sistemlerinde de teknik performans ile klinik fayda arasındaki fark korunur. Erken uyarı sistemleri aşırı alarm üretirse klinik ekipte alarm yorgunluğuna neden olabilir; yanlış pozitifler gereksiz görüntüleme veya konsültasyon yükünü artırabilir; yanlış negatifler ise güvenlik riskine yol açabilir [12,17,28-30]. Bu nedenle postoperatif sistemlerin değerlendirilmesinde alarm yükü, yanlış alarm oranı, uyarıdan klinik değerlendirmeye geçen süre, erken müdahale oranı, override oranı ve komplikasyon veya yeniden yatış üzerindeki etki birlikte raporlanmalıdır [12,17,26-30]. Başka bir deyişle, postoperatif YZ sistemleri için başarı tanımı yalnızca komplikasyon tahmini değil; klinik ekipte sürdürülebilir, güvenli ve ölçülebilir bir bakım desteği oluşturabilmektir [12,17,28-30].

Postoperatif dönemde taburculuk planlaması ve kaynak kullanımı ile ilgili YZ modelleri de dikkat çekicidir [9,10]. Bu tür sistemler, taburculuk gününü öngörme veya yeniden yatış riskini belirleme yoluyla hasta akışını iyileştirebilir; ancak kırılgan hasta gruplarında sosyal destek, evde bakım kapasitesi ve hasta eğitimi gibi klinik dışı fakat sonlanım açısından kritik değişkenleri yeterince temsil etmeyebilir [9,10]. Bu durum, postoperatif YZ’nin yalnızca hastane içi operasyon verimliliği değil, hasta güvenliği ve eşitlik perspektifinden de değerlendirilmesi gerektiğini gösterir [17,26-30].

Uzaktan izlem ve dijital takip uygulamaları, postoperatif dönemin geleceğe en açık alanlarından biridir [12-14]. Ancak bu alanda da veri kalitesi, hasta uyumu, görüntü standardizasyonu, cihaz erişimi ve dijital okuryazarlık farklılıkları sonuçları etkileyebilir [12- 14]. Dolayısıyla postoperatif YZ uygulamalarında teknik doğruluk kadar hasta erişilebilirliği, kullanılabilirlik ve gerçek yaşam koşullarında sürdürülebilirlik de klinik etkinin parçası olarak görülmelidir [12-14,28].

Postoperatif dönemde YZ’nin iş akışına etkisi, özellikle uzaktan yara takibi ve erken uyarı sistemlerinde eşik-eylem ilişkisinin netliğiyle ölçülebilir hale gelir. Dijital uzaktan yara izleminde hastalar belirli bir süre boyunca platforma yara fotoğrafı ve hasta-bildirimli semptom verisi (PROM) yükler; bu veri tam klinisyen değerlendirmesi ya da model temelli “rule-out / hibrit / tam otomatik” triyaj stratejileriyle işlenebilir [12]. Bu tür bir akışta model çıktısı için bir kesim olasılığı (cut-off) tanımlanarak düşük riskli yanıtların otomatik elenmesi veya yalnızca orta-yüksek riskli olguların klinisyene yönlendirilmesi gibi operasyonel kararlar alınabilir [12]. Erişim noktası çoğunlukla uzaktan izlem platformu ile klinik triyaj ekranıdır; rol dağılımı ise hasta veri gönderimi → hemşire veya klinik ekip triyajı → gerektiğinde yüz yüze değerlendirme → SSI veya komplikasyon yönetimi şeklinde tanımlanabilir [12].

İzlem metrikleri çok düzeyli olmalıdır: klinik triyaj gerektiren yanıt sayısı, triyaj için harcanan personel zamanı, yüz yüze değerlendirmeye yönlendirilen oran, failure rate (kaçırma/başarısızlık oranı), uyarıdan klinik değerlendirmeye geçen süre, SSI veya komplikasyon saptama başarısı ve hasta düzeyi sonlanımlar [yeniden yatış, hastanede kalış süresi (LOS)] [12,17,26-30]. Prospektif uygulanabilirlik için sessiz mod ve hibrit pilot yaklaşımı, alarm yükünü ve uyumu ölçerek gerçek kullanımda sürdürülebilirlik riskini erken yakalamayı sağlar [28,31,32].

Postoperatif dönemde hasta çıktısına en doğrudan bağlanabilen örneklerden biri, McLean ve ark.’nın gastrointestinal cerrahi sonrası uzaktan yara izlemine dayanan çok modlu model çalışmasıdır [12]. Bu yaklaşım, iki prospektif intervensiyonel çalışmadan elde edilen hasta üretimli veriler üzerinde geliştirilmiş; hastaların postoperatif gün 1-30 arasında gönderdiği yara görüntüsü ve hasta-bildirimli semptom verileri üzerinden 48 saat içinde cerrahi alan enfeksiyonu gelişimini öngörmüştür [12]. Hibrit “rule-out” stratejisinde model için 0.2 kesim olasılığı kullanılmış; klinik triyaj gerektiren yanıt oranı belirgin biçimde azalırken, bakım sürecindeki personel yükü de anlamlı ölçüde düşmüştür. Düşük risk grubunda kısa zaman penceresinde SSI görülmeme oranı yüksek kalmış ve failure rate düşük raporlanmıştır [12]. Bu örnek, postoperatif YZ’nin yalnızca model performansını değil, hasta güvenliği, bakım yükü ve izlem verimliliği gibi gerçek klinik çıktıları da birlikte etkileyebildiğini göstermesi açısından önemlidir [17,26-30].

5. Etik, Hukuk, Regülasyon ve Uygulamaya Geçiş

Genel cerrahide YZ uygulamalarının güvenli biçimde kliniğe taşınması, yalnızca algoritma geliştirme sorunu değildir; etik, hukuki, düzenleyici ve organizasyonel bir dönüşüm gerektirir. Temel ilke, YZ’nin klinik kararın yerine geçen otonom bir aktör değil, sorumluluğu insanda kalan bir karar destek sistemi olarak konumlandırılmasıdır [19,20,26-28]. Bu nedenle bir YZ aracının değeri, yalnızca teknik performansıyla değil; hangi kararı desteklediği, bu kararın nasıl denetlendiği ve hasta güvenliğine nasıl yansıdığı ile değerlendirilmelidir [17,26-30].

Klinik kullanım için asgari metodolojik çerçeve; ayırt edicilik, kalibrasyon, klinik net fayda (DCA), dış doğrulama ve mümkünse prospektif etki değerlendirmesini birlikte içermelidir [17,26-30]. Bu nedenle CONSORT-AI, SPIRIT-AI, DECIDE-AI, TRIPOD+AI ve PROBAST+AI gibi rehberler yalnızca yayın kalitesi için değil, klinisyenlerin bir YZ aracının güvenilirliğini eleştirel biçimde değerlendirebilmesi için de önemlidir [26-30]. Klinik uygulamaya geçecek bir sistemin yalnızca iyi sonuç verdiği değil, hangi koşullarda iyi çalıştığı, hangi veriyle eğitildiği, hangi hasta gruplarında performans kaybı yaşadığı ve çıktılarının nasıl kullanılacağı açık biçimde raporlanmalıdır [26-30].

Düzenleyici açıdan YZ yazılımları giderek yaşam döngüsü boyunca izlenmesi gereken klinik araçlar olarak ele alınmaktadır [31,32]. Özellikle iş akışına entegre karar destek sistemlerinde model drift, veri dağılımı kayması, sürüm değişiklikleri ve kullanım bağlamındaki dönüşümler zaman içinde performansı etkileyebilir. Bu nedenle ilk onaydan sonra da gerçek dünya performans izlemi, sürüm yönetimi, hata ve olay raporlama mekanizmaları ile gerektiğinde yeniden kalibrasyon süreçleri tanımlanmalıdır [29-32]. Cerrahi pratiğin değişken doğası düşünüldüğünde, güvenli kullanım ancak teknik ekip ile klinik ekip arasındaki sürekli geribildirim döngüsüyle sürdürülebilir [16,31,32].

Veri gizliliği ve hasta hakları, cerrahi YZ uygulamalarında temel bir güvenlik alanıdır. EHR verileri, görüntüler, patoloji çıktıları, ameliyat notları ve izlem verileri yüksek düzeyde hassas sağlık verisi içerdiğinden; veri işleme süreçleri veri minimizasyonu, amaç sınırlılığı, şeffaflık, rol bazlı erişim, şifreleme, anonimleştirme veya psödonimleştirme ve denetim izleri ilkelerine dayanmalıdır [26-32]. Çok merkezli çalışma veya model geliştirme süreçlerinde etik kurul/IRB onayı, veri paylaşım sözleşmeleri, kullanım kapsamı, erişim yetkileri ve ihlal durumunda bildirim mekanizmaları önceden tanımlanmalıdır [26-30]. Türkiye bağlamında bu süreçler KVKK ve kurumsal bilgi güvenliği politikaları ile uyumlu biçimde planlanmalı; mümkünse veri koruma etki değerlendirmeleri, model kartları ve veri sayfaları gibi şeffaflık araçları kullanılmalıdır [31-34].

Bununla birlikte riskler yalnızca veri gizliliğiyle sınırlı değildir. Algoritmik önyargı nedeniyle belirli hasta alt gruplarında daha yüksek hata oranları görülebilir; dağılım kayması nedeniyle zaman içinde performans bozulabilir; otomasyon yanlılığı nedeniyle klinik muhakeme zayıflayabilir; sorumluluk sınırları net tanımlanmadığında ise güvenli kullanım riske girebilir [19,20,26-32]. Bu nedenle yalnızca ortalama performans değil, alt grup performansı, hata örüntüleri, gerçek dünya kullanımı ve hasta hakları açısından şeffaflık mekanizmaları da değerlendirme kapsamına alınmalıdır [29-32].

Hekim-sistem etkileşimi bu bölümün merkezinde yer almalıdır. YZ’nin genel cerrahide güvenli ve etkili kullanımı, yalnızca modelin doğruluğuna değil, çıktının klinisyen tarafından nasıl görüldüğüne, yorumlandığına ve eyleme dönüştürüldüğüne bağlıdır [19,20,26-28]. Bu nedenle karar destek sistemlerinde çıktılar mümkün olduğunda yalnızca “yüksek/düşük risk” etiketi olarak değil, olasılık ve belirsizlik bilgisi, kısa yorumlayıcı açıklama ve önerilen eylem yolu ile sunulmalıdır [19,20,26,27]. Ayrıca yüksek etkili kararlar için klinik onay, override kayıtları, düzenli audit ve kullanıcı eğitimi gibi önlemler tanımlanmalıdır [19,20,26-28,31,32]. İnsan-içinde-döngü yaklaşımı yalnızca hukuki sorumluluğu netleştirmez; aynı zamanda klinik güvenliği ve ekip içi karar kalitesini de güçlendirir [19,20,28].

Son olarak, etik ve regülasyon boyutu klinik etkiden ayrı düşünülmemelidir. Model performansı ile klinik fayda aynı şey değildir; hasta yararını gösterebilmek için model düzeyi (ayırt edicilik, kalibrasyon, dış doğrulama), süreç düzeyi (karar değişim oranı, müdahaleye kadar geçen süre, alarm yükü, override oranı) ve hasta düzeyi (komplikasyon, yeniden girişim, yeniden yatış, mortalite, kalış süresi) sonuçların birlikte değerlendirilmesi gerekir [17,26-30]. Bu nedenle genel cerrahide YZ’nin sorumlu kullanımı, yalnızca çalışan model geliştirmek değil; güvenli, izlenebilir, şeffaf ve klinik etkisi ölçülebilir sistemler kurmak anlamına gelir [17,26-32].

6. Sonuç ve Gelecek Yönelimler

Genel cerrahide YZ uygulamaları, klinik iş akışının üç temel fazında anlamlı katkı potansiyeli taşımaktadır: preoperatif dönemde risk stratifikasyonu ve planlama, intraoperatif dönemde görüntü ve video temelli karar desteği ve navigasyon, postoperatif dönemde ise komplikasyon öngörüsü, erken uyarı ve bakım sürekliliği [3-16]. Bununla birlikte bu potansiyelin hasta yararına dönüşmesi otomatik değildir. Literatürün önemli bir bölümü hâlâ retrospektif tasarımlara dayanmakta; dış doğrulama, kalibrasyon, klinik net fayda (DCA) ve prospektif etki verileri birçok uygulamada sınırlı kalmaktadır [17,26-30]. Ayrıca bazı bağlamlarda makine öğrenmesi geleneksel istatistiksel yöntemlere belirgin üstünlük göstermemekte, insan- sistem etkileşimi iyi tasarlanmadığında teknik başarı klinik faydaya dönüşmeyebilmektedir [7,17,19,20].

Bu bölümün temel mesajı, genel cerrahide YZ’nin değerinin tek başına teknik doğruluktan değil; yerel doğrulama, kalibrasyon, klinik eylemle ilişkilendirilmiş karar eşikleri, insan- sistem etkileşimi ve uygulama sonrası izlem bileşenlerinin birlikte kurulmasından doğduğudur [17,26-32]. Preoperatif fazda risk stratifikasyonu ve planlama, intraoperatif fazda görüntü ve video temelli durumsal farkındalık ve karar desteği, postoperatif fazda erken uyarı ve bakım sürekliliği en güçlü uygulama alanlarıdır; ancak her faz için klinik fayda ancak uygun iş akışı tasarımı ve prospektif etki değerlendirmesi ile gösterilebilir [3-16,28-30].

Önümüzdeki dönemde öncelik, yalnızca daha karmaşık modeller geliştirmek değil; daha güvenilir, daha şeffaf ve klinik sürece daha uyumlu sistemler geliştirmek olmalıdır [17,26- 32]. Araştırma tarafında temel gereksinimler; çok merkezli dış doğrulama, merkez bazlı yeniden kalibrasyon, karar eşiklerinin açık klinik eylem planlarıyla ilişkilendirilmesi, DCA gibi net fayda analizlerinin rutinleşmesi ve mümkün olduğunda prospektif değerlendirme tasarımlarının kullanılmasıdır [17,26-30]. Uygulama tarafında ise veri standardizasyonu, etiketleme kalitesi, kullanıcı eğitimi, insan-içinde-döngü onay mekanizmaları, kullanılabilirlik testleri ve uygulama sonrası performans izlem planları birlikte kurulmalıdır [16,19,20,31,32].

Okuyucu açısından pratik başlangıç adımları şu sırayla düşünülmelidir: önce desteklenecek klinik karar noktasını tanımlamak; sonra yerel veriyle dış doğrulama ve kalibrasyon yapmak; ardından eşik-eylem ilişkisinin yazılı protokolünü oluşturmak; daha sonra insan-içinde-döngü pilot ile süreç ve sonlanım metriklerini izlemek; son olarak prospektif etki değerlendirmesi ve uygulama sonrası izlem mekanizmasını kurmaktır [17,26-32]. Klinik ekipler için öncelik, güvenli kullanım ve override mekanizmaları ile uygun eğitim ve simülasyon süreçleridir; teknik ekipler için öncelik, veri standardizasyonu, sürüm yönetimi ve gerçek dünya performans izlemidir; kurum yöneticileri için ise YZ uygulamasını yalnızca bir yazılım kurulumu değil, klinik kalite ve güvenlik programı olarak yönetmektir [16,28,31,32].

Türkiye bağlamında başlangıç düzeyinde bir kurum içi yol haritası; ilk 3-6 ayda hedef klinik kararın tanımlanması, yerel veri haritalaması, dış doğrulama ve yeniden kalibrasyon; sonraki 3-6 ayda sessiz mod pilotu, arayüz ve kullanıcı eğitimi, eşik ve eylem protokollerinin oluşturulması; daha sonra denetimli prospektif pilot ve etki değerlendirmesi şeklinde planlanabilir [28-32]. Türkiye’ye özgü veri altyapısı ve EHR heterojenliği nedeniyle veri sözlüğü standardizasyonu, merkezler arası değişken tanımı uyumu ve çok merkezli doğrulama kapasitesinin bu plana eklenmesi özellikle önemlidir [33,34].

Sonuç olarak genel cerrahide YZ’nin klinik değeri, yüksek teknik performanstan çok; yerel doğrulama, kalibrasyon, uygun eşik tasarımı, insan-sistem etkileşimi ve iş akışına güvenli entegrasyon ile belirlenir [17,26-32]. Preoperatif, intraoperatif ve postoperatif fazlarda anlamlı uygulama alanları bulunmakla birlikte, bu sistemlerin gerçek hasta yararı ancak dış doğrulama, net klinik eylem planları, kullanılabilirlik değerlendirmesi ve mümkün olduğunda prospektif etki verileri ile gösterilebilir [3-16,26-30]. Bu nedenle öncelik, yalnızca daha karmaşık modeller geliştirmek değil; klinik süreçlerde güvenli, izlenebilir ve uygulanabilir sistemler kurmaktır [17,26-32].

Ana Mesajlar

Genel cerrahide YZ’nin klinik değeri, yalnızca yüksek doğrulukta değil; belirli bir karar noktasını desteklemesinde, açık klinik eylemlerle ilişkilendirilmesinde ve güvenli iş akışına entegre edilmesinde yatar. Bu nedenle YZ sistemleri otonom karar vericiler olarak değil, insan-içinde-döngü yaklaşımıyla kullanılan karar destek araçları olarak değerlendirilmelidir.

Mevcut literatür preoperatif risk stratifikasyonu, intraoperatif görüntü/video analitiği ve postoperatif erken uyarı sistemlerinde önemli bir potansiyel göstermektedir; ancak bu potansiyelin hasta yararına dönüşmesi için dış doğrulama, kalibrasyon, klinik net fayda analizi ve prospektif etki değerlendirmesi gereklidir.

Uygulamaya geçişte temel öncelik, yalnızca daha yüksek teknik performans bildiren modeller değil; açıklanabilir, izlenebilir, yerel bağlama uyarlanmış ve gerçek klinik süreçlerde güvenli biçimde kullanılabilen sistemler geliştirmektir.

Kaynakça

1. Kenig N, Monton Echeverria J, Muntaner Vives A. Artificial Intelligence in Surgery: A Systematic Review of Use and Validation. J Clin Med. 2024;13:7108. doi:10.3390/jcm13237108.
2. Ahmed MM, Othman ZK, Adebayo UO, et al. Artificial intelligence and machine learning approaches for patient safety in complex surgery: a review. Patient Saf Surg. 2025;19:33. doi:10.1186/s13037-025-00458-8.
3. Mahajan A, Esper S, Oo TH, et al. Development and Validation of a Machine Learning Model to Identify Patients Before Surgery at High Risk for Postoperative Adverse Events. JAMA Netw Open. 2023;6(7):e2322285. doi:10.1001/jamanetworkopen.2023.22285.
4. Kotze A, Shangguan L, Lawton T, et al. Development, external validation and integration into clinical workflow of machine learning models to support pre- operative assessment in the UK. Anaesthesia. 2026;81:201-212. doi:10.1111/anae.16777.
5. Graeßner M, Jungwirth B, Frank E, et al. Enabling personalized perioperative risk prediction by using a machine-learning model based on preoperative data. Sci Rep. 2023;13:7128. doi:10.1038/s41598-023-33981-8.
6. Ochs V, Taha-Mehlitz S, Lavanchy JL, et al. Development of a Clinical Prediction Model for Anastomotic Leakage in Colorectal Surgery. JAMA Netw Open. 2025;8(10):e2538267. doi:10.1001/jamanetworkopen.2025.38267.
7. Oosterhoff JHF, de Hond AAH, Peters RM, et al. Machine Learning Did Not Outperform Conventional Competing Risk Modeling to Predict Revision Arthroplasty. Clin Orthop Relat Res. 2024;482:1472-1482. doi:10.1097/CORR.0000000000003018.
8. Kolcz J, Budzynska A, Stefaniak J, Szydlak R, Kononowicz AA. Prediction of Postoperative Mortality After Fontan Procedure: A Clinical Prediction Model Study Using Deep Learning Artificial Intelligence Techniques. J Cardiovasc Dev Dis. 2025;12(11):420. doi:10.3390/jcdd12110420.
9. Shickel B, Loftus TJ, Ruppert M, et al. Dynamic predictions of postoperative complications from explainable, uncertainty-aware, and multi-task deep neural networks. Sci Rep. 2023;13:1224. doi:10.1038/s41598-023-27418-5.
10. Safavi KC, Khaniyev T, Copenhaver M, et al. Development and Validation of a Machine Learning Model to Aid Discharge Processes for Inpatient Surgical Care. JAMA Netw Open. 2019;2(12):e1917221. doi:10.1001/jamanetworkopen.2019.17221.
11. Schneider DF. Making Machine Learning Accessible and Actionable for Clinicians. JAMA Netw Open. 2019;2(12):e1917362. doi:10.1001/jamanetworkopen.2019.17362.
12. McLean KA, Sgrò A, Brown LR, et al. Multimodal machine learning to predict surgical site infection with healthcare workload impact assessment. npj Digit Med. 2025;8:121. doi:10.1038/s41746-024-01419-8.
13. Murabito P, Astuto M, Sanfilippo F, et al. Proactive Management of Intraoperative Hypotension Reduces Biomarkers of Organ Injury and Oxidative Stress during Elective Non-Cardiac Surgery: A Pilot Randomized Controlled Trial. J Clin Med. 2022;11(2):392. doi:10.3390/jcm11020392.
14. Garza KY, King ME, Nagi C, et al. Intraoperative Evaluation of Breast Tissues During Breast Cancer Operations Using the MasSpec Pen. JAMA Netw Open. 2024;7(3):e242684. doi:10.1001/jamanetworkopen.2024.2684.
15. Kitaguchi D, Fuse N, Wakabayashi M, et al. Exploring the Impact of an Artificial Intelligence-Based Intraoperative Image Navigation System in Laparoscopic Surgery on Clinical Outcomes: A Protocol for a Multicenter Randomized Controlled Trial. Eur Surg Res. 2026;67:38-45. doi:10.1159/000549894.
16. Eckhoff JA, Rosman G, Altieri MS, et al. SAGES consensus recommendations on surgical video data use, structure, and exploration (for research in artificial intelligence, clinical quality improvement, and surgical education). Surg Endosc. 2023;37:8690-8707. doi:10.1007/s00464-023-10288-3.
17. Vickers AJ, Elkin EB. Decision curve analysis: a novel method for evaluating prediction models. Med Decis Making. 2006;26(6):565-574. doi:10.1177/0272989X06295361.
18. Tang Y, Zhang Y, Li J. A time series driven model for early sepsis prediction based on transformer module. BMC Med Res Methodol. 2024;24:23. doi:10.1186/s12874-023-02138-6.
19. Chang Y-W, Ryu JK, An JK, et al. Artificial intelligence for breast cancer screening in mammography (AI-STREAM): preliminary analysis of a prospective multicenter cohort study. Nat Commun. 2025;16:2248. doi:10.1038/s41467-025-57469-3.
20. Frazer HML, Peña-Solorzano CA, Kwok CF, et al. Comparison of AI-integrated pathways with human-AI interaction in population mammographic screening for breast cancer. Nat Commun. 2024;15:7525. doi:10.1038/s41467-024-51725-8.
21. Deng J, Dong W, Socher R, Li LJ, Li K, Fei-Fei L. ImageNet: A Large-Scale Hierarchical Image Database. In: Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR). 2009.
22. Russakovsky O, Deng J, Su H, et al. ImageNet Large Scale Visual Recognition Challenge. Int J Comput Vis. 2015;115:211-252. (arXiv:1409.0575).
23. Krizhevsky A, Sutskever I, Hinton GE. ImageNet Classification with Deep Convolutional Neural Networks. In: Advances in Neural Information Processing Systems (NeurIPS). 2012.
24. Ronneberger O, Fischer P, Brox T. U-Net: Convolutional Networks for Biomedical Image Segmentation. In: MICCAI. 2015. (arXiv:1505.04597).
25. Johnson AEW, Pollard TJ, Shen L, et al. MIMIC-III, a freely accessible critical care database. Sci Data. 2016;3:160035. doi:10.1038/sdata.2016.35.
26. Liu X, Cruz Rivera S, Moher D, et al. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence: the CONSORT-AI extension. Nat Med. 2020;26:1364-1374. doi:10.1038/s41591-020-1034-x.
27. Cruz Rivera S, Liu X, Chan A-W, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Nat Med. 2020;26:1351-1363. doi:10.1038/s41591-020-1037-7.
28. Vasey B, Nagendran M, Campbell B, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nat Med. 2022;28:924-933. doi:10.1038/s41591-022-01772-9.
29. Collins GS, Moons KGM, Dhiman P, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning. BMJ. 2024;385:e078378. doi:10.1136/bmj-2023-078378.
30. Moons KGM, Damen JAA, Kaul T, et al. PROBAST+AI: updated tool for risk of bias and applicability assessment of prediction model studies using AI/machine learning. BMJ. 2025;388:e082505. doi:10.1136/bmj-2024-082505.
31. U.S. Food and Drug Administration (FDA). Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan. January 2021.
32. U.S. Food and Drug Administration (FDA). Marketing Submission Recommendations for a Predetermined Change Control Plan for Artificial Intelligence-Enabled Device Software Functions: Guidance for Industry and Food and Drug Administration Staff. Issued August 18, 2025.
33. Kose I, Rayner J, Birinci S, et al. Adoption rates of electronic health records in Turkish Hospitals and the relation with hospital sizes. BMC Health Serv Res. 2020;20:967. doi:10.1186/s12913-020-05767-5.
34. Birinci Ş. A Digital Opportunity for Patients to Manage Their Health: Turkey National Personal Health Record System (The e-Nabız). Balkan Med J. 2023;40:215-221.