İç Hastalıkları ve Genel Dahiliyede Yapay Zeka Uygulamaları

Özet

İç hastalıkları pratiği; çoklu organ sistemlerinin etkileşimi, zaman içinde değişen klinik tablolar ve yüksek belirsizlik altında karar verilmesini gerektiren karmaşık bir yapıya sahiptir. Elektronik sağlık kayıtlarının yaygınlaşması ile birlikte büyük hacimli ve heterojen klinik verilerin etkin biçimde değerlendirilmesi, geleneksel klinik yaklaşımların ötesinde araçlara ihtiyaç doğurmuştur. Yapay zekâ (YZ) tabanlı uygulamalar bu noktada, tanı koyan sistemler olarak değil; klinisyenin klinik karar sürecini destekleyen, risk öncelleme ve örüntü tanıma sağlayan yardımcı araçlar olarak öne çıkmaktadır. Güncel literatür, YZ’nin özellikle tanısal belirsizliğin yüksek olduğu iç hastalıkları senaryolarında karar süreçlerini yapılandırabildiğini, ancak klinik etkinliğin yorumlanabilirlik ve klinik iş akışına entegrasyon ile doğrudan ilişkili olduğunu göstermektedir.

Bu bölümün amacı, iç hastalıkları pratiğinde kullanılan YZ tabanlı tanı ve risk destek modellerini kanıt gücü, performans raporlaması ve klinik uygulanabilirlik açısından değerlendirmektir. Bölüm sonunda okuyucunun, YZ sistemlerinin hangi koşullarda klinik fayda sağlayabileceğini ve hangi sınırlılıklar altında dikkatle kullanılması gerektiğini ayırt edebilmesi hedeflenmektedir.

Anahtar Kelimeler

İç hastalıkları, yapay zekâ, klinik karar destek sistemleri, tanı desteği, risk öngörüsü

Bu Bölümden Edinecekleriniz;

• İç hastalıklarında YZ kullanımını gerektiren klinik problem alanlarını tanımlayabilme
• Tanı ve risk öngörü modellerinin performans metriklerini klinik bağlamda yorumlayabilme
• YZ sistemlerinin başarısızlık modlarını ve güvenli kullanım koşullarını ayırt edebilme
• Türkiye bağlamında uygulanabilirlik ve entegrasyon engellerini değerlendirebilme

1. İç Hastaliklarinda Klinik Karar Vermenin Doğası

İç hastalıkları, aynı hastada birden fazla sistemin eş zamanlı olarak değerlendirildiği ve klinik tablonun kısa zaman dilimleri içinde değişebildiği bir uzmanlık alanıdır. Tanı ve tedavi kararları; laboratuvar değerleri, vital bulgular, görüntüleme sonuçları ve serbest metinli klinik notların birlikte yorumlanmasına dayanır. Ancak bu verilerin hacmi ve çeşitliliği arttıkça, klinisyenin tüm bilgiyi eş zamanlı ve bütüncül biçimde değerlendirmesi giderek zorlaşmaktadır. İç hastalıklarında YZ’nin değeri, karmaşık veriyi sadeleştirerek hekimin karar alanını daraltabilmesinde yatmaktadır.

Kerna ve arkadaşları, iç hastalıkları pratiğinde YZ uygulamalarının özellikle tanısal belirsizliği azaltma ve klinik riskleri öncelleme potansiyeline sahip olduğunu vurgulamıştır¹. Benzer şekilde, klinik karar destek sistemlerine ilişkin kapsamlı derlemeler, YZ’nin klinik muhakemeyi ikame etmekten ziyade yapılandırıcı bir rol üstlenmesi gerektiğini göstermektedir⁷.

2. Yapay Zekâ İhtiyacı ve Klinik Gerekçe

YZ uygulamalarının iç hastalıklarında gündeme gelmesinin temel nedeni, klinik kararların giderek daha fazla veri odaklı hâle gelmesidir. Geleneksel klinik değerlendirme çoğu zaman tekil ölçümler üzerinden ilerlerken, YZ modelleri veriyi zamansal ve bağlamsal olarak birlikte ele alabilmektedir. Bu yaklaşım, özellikle klinik tablonun hızla değiştiği ve erken müdahalenin kritik olduğu durumlarda anlam kazanmaktadır.

İç hastalıkları pratiğiyle doğrudan ilişkili tanı ve risk öngörü modelleri Tablo 1’de özetlenmiştir¹˒³.

Tablo 1. İç Hastalıklarında Tanı ve Risk Öngörü Modeli Çalışmaları

Çalışma	YZ Türü	Kullanım Amacı	Klinik Katkı
Wang et al.²	Multimodal DL	Servis hastalarında risk tahmini	Gizli risk örüntülerinin saptanması
Kotula et al.³	DL + NLP	Klinik kötüleşme öngörüsü	Erken uyarı
Kerna et al.¹	ML-CDSS	Karar desteği	Tanısal belirsizliği azaltma
XAI derlemeleri⁶	SHAP, LIME	Model açıklanabilirlik	Hekim–YZ güveni

Multimodal Dl: Çok modlu derin öğrenme (birden fazla veri türünü birlikte analiz eden derin öğrenme yaklaşımı); DL: Derin öğrenme; NLP: Doğal dil işleme (serbest metinli klinik verilerin analizi); ML-CDSS: Makine öğrenmesi tabanlı klinik karar destek sistemi; XAI: Açıklanabilir yapay zekâ; SHAP: Shapley katkı değerlerine dayalı açıklama yöntemi; LIME: Yerel yorumlanabilir modelden bağımsız açıklama yöntemi.

3. Yapay Zekâ Mekanizmaları

YZ tabanlı sistemlerin iç hastalıklarında etkili olmasını sağlayan temel mekanizmalar; çok modlu veri entegrasyonu ve zamana bağlı örüntü analizidir. Yapılandırılmış klinik verilerin serbest metinli klinik notlarla birlikte kullanıldığı modeller, klinik bağlamı güçlendirmekte ve kötüleşmenin erken saptanmasına katkı sağlamaktadır³.

4. Tanida Karar Destek Modelleri

Tanı süreci, iç hastalıklarında çoğu zaman olasılıksal bir akıl yürütme gerektirir. YZ tabanlı karar destek modelleri; ayırıcı tanıyı genişletme, nadir ancak klinik açıdan önemli olasılıkları hatırlatma ve riskli hasta gruplarını önceliklendirme işlevi görür.

Tablo 2. Klinik Not Analizi ve Büyük Dil Modelleri

Çalışma	Veri Türü	YZ Türü	Klinik Rol
JAMA Netw Open⁴	Klinik notlar	LLM	Klinik bağlam çıkarımı
XAI-CDSS⁶	Klinik veriler	XAI	Çıktı yorumlanabilirlik

LLM: Büyük dil modeli (klinik notlar gibi serbest metinli verileri analiz eden yapay zekâ modeli); XAI: Açıklanabilir yapay zekâ; CDSS: Klinik karar destek sistemi; XAI-CDSS: Açıklanabilir yapay zekâ tabanlı klinik karar destek sistemi.

Bu bulgular, büyük dil modellerinin tanı koyan sistemler değil; klinik dokümantasyon ve karar desteği amacıyla kullanılmasının daha güvenli olduğunu göstermektedir⁴.

5. Klinik Karar Destek Sistemleri: Hekim–yz İş Birliği

Klinik karar destek sistemleri, iç hastalıklarında tanı, tedavi ve izlem süreçlerini standartlaştırmayı hedefler. ML tabanlı CDSS’lerin karar kalitesini artırabildiği; ancak hasta sonuçlarına katkının klinik iş akışına entegrasyonla sınırlı olduğu gösterilmiştir⁵˒⁷˒⁸.

Yapay zekâ sistemlerinin iç hastalıkları pratiğinde güvenli biçimde kullanılabilmesi için çıktılar kesin tanı veya otomatik karar olarak değil, olasılıksal klinik öneri şeklinde sunulmalıdır. Her risk skoru, mümkün olduğunca güven düzeyi ve kısa bir açıklama içermeli; modelin hangi değişkenlere dayanarak bu sonuca ulaştığı özetlenmelidir. Bu yaklaşım, hekimin algoritmik çıktıyı klinik bağlam içinde değerlendirmesine olanak tanır.

Kritik klinik kararlarda “human-in-the-loop” yaklaşımı benimsenmeli; yapay zekâ yalnızca öneri üretmeli, nihai karar klinisyen tarafından verilmelidir. Ayrıca algoritmik önerinin hekim tarafından geçersiz kılınabilmesini sağlayan bir mekanizma bulunmalı ve bu kararlar kayıt altına alınmalıdır. Bu yapı, klinik otonomiyi korurken hesap verebilirliği ve hasta güvenliğini güçlendirir.

6. Performans Metrikleri ve Klinik Anlamlilik

YZ modellerinin klinik değeri yalnızca algoritmik doğrulukla değil, performans metriklerinin klinik faydaya dönüşümüyle değerlendirilmelidir. AUROC, sensitivite ve kalibrasyon ölçütleri yaygın olarak raporlanmakla birlikte, karar eğrisi analizi ve net fayda hesapları klinik kullanım açısından daha belirleyicidir.

Tablo 3. YZ Modellerinde Performans Düzeyleri

Çalışma	Model	AUROC	Klinik Yorum
Wang et al.²	Multimodal DL	~0.84	Erken uyarı için uygun
Kotula et al.³	DL + NLP	~0.86	Alarm yükü dikkat gerektirir

AUROC: Modelin doğru ayırt etme başarısını gösteren performans ölçütü; Multimodal DL: Birden fazla veri türünü birlikte analiz eden derin öğrenme modeli; DL: Derin öğrenme; NLP: Klinik notlar gibi metin verilerini analiz eden yöntem.

6.1 Klinik Bir Örnek Üzerinden YZ Model Akışı

Tipik bir YZ boru hattı; veri toplama → ön işleme → etiketleme → model eğitimi → doğrulama → çıktı ve kalibrasyon adımlarından oluşur. Servis hastalarında erken kötüleşme öngörüsünde, son 24 saate ait vital bulgular ve laboratuvar trendleri modele girdi olarak sunulur; çıktı olarak hastaya özgü bir risk olasılığı üretilir. SHAP veya LIME, bu skorun hangi değişkenlerden etkilendiğini hekime gösterir⁶.

7. Hasta Odakli Sonuçlar ve Prospektif Kanitlar

Prospektif ve gözlemsel çalışmalar, YZ kullanımının yatış süresi ve yeniden yatış oranlarında mütevazı fakat tutarlı iyileşmeler sağladığını göstermektedir⁵.

Sonuçlar	Etki Büyüklüğü	Çalışma Türü
Yatış süresi	−0.5 ila −1.2 gün	Prospektif
Yeniden yatış	%6–10 azalma	Gözlemsel
Mortalite	Heterojen / Nötr	RCT

RCT: Randomize kontrollü çalışma (müdahale ve kontrol gruplarının rastgele atandığı deneysel araştırma tasarımı).

8. Prospektif Klinik Etki, Riskler ve Türkiye’de Uygulanabilirlikte Model Seçimi

Prospektif ve gözlemsel kanıtlar, klinik yapay zekâ (YZ) uygulamalarının yatış süresinde yaklaşık 0,5–1,2 gün azalma ve yeniden yatış oranlarında %6–10 düşüş gibi mütevazı ama tutarlı kazanımlar sağlayabildiğini; mortalite etkisinin ise çalışmaya göre değişken ve çoğunlukla nötr seyrettiğini göstermektedir. Bununla birlikte YZ sistemleri her ortamda aynı performansı vermez: bazı çalışmalarda etkisiz kalma veya alarm yorgunluğu, veri kayması (dataset, shift), ölçümleme bozukluğu ve özellikle LLM’lerde halüsinasyon gibi hasta güvenliğini etkileyebilecek riskler bildirilmiştir⁴˒⁶. Türkiye bağlamında uygulanabilirlik; elektronik sağlık kaydı (ESK) heterojenliği, Türkçe klinik metinlerin dil/biçim özellikleri ve düzenleyici çerçeve ile sınırlanabilmekte; bu nedenle yerel veri setleriyle eğitilmiş ve çok merkezli doğrulanmış modellere ihtiyaç vardır. Kullanılan model ailesi (Random Forest, XGBoost, CNN/RNN, transformer/LLM) kadar, klinik benimsemeyi artırmak için açıklanabilirlik araçları (SHAP, LIME) ile kararların gerekçelendirilmesi önemlidir⁶. Bu değerlendirme; pediatrik ve cerrahi uygulamaları ile ayrıntılı maliyet-etkililik analizlerini kapsam dışında bırakır.

9. Sonuç

İç hastalıklarında yapay zekâ uygulamaları, klinik karar verme sürecinin yerini alan otomatik sistemler değil; hekimin klinik muhakemesini destekleyen, görünmeyeni görünür kılan ve karar alanını rasyonelleştiren yardımcı araçlar olarak anlam kazanmaktadır. Güncel literatür, YZ tabanlı tanı ve risk öngörü modellerinin özellikle tanısal belirsizliğin yüksek olduğu, klinik tablonun hızla değiştiği ve çoklu veri kaynağının eş zamanlı değerlendirilmesini gerektiren iç hastalıkları senaryolarında potansiyel fayda sunduğunu göstermektedir (1,3).

Bununla birlikte, yapay zekâ sistemlerinin klinik değeri yalnızca model performansına değil; açıklanabilirlik, klinik iş akışına entegrasyon ve hekim–YZ etkileşiminin doğru kurgulanmasına bağlıdır (5–7). Büyük dil modelleri ve gelişmiş karar destek sistemleri, uygun sınırlar içinde kullanıldığında klinik dokümantasyon ve karar süreçlerini destekleyebilmekte; ancak nihai tanı ve tedavi sorumluluğunun her zaman klinisyende olması gerektiği açıkça ortaya konmaktadır (4,6,8).

Gelecekte iç hastalıkları pratiğinde yapay zekânın etkin ve güvenli kullanımının; prospektif klinik etki çalışmalarının artması, iç hastalıklarına özgü veri setlerinin geliştirilmesi ve etik–hukuki çerçevenin netleştirilmesi ile mümkün olacağı öngörülmektedir. Yapay zekâ, iç hastalıklarında karar verici değil; kanıt düzeyi tanımlanmış, performansı ölçülmüş ve klinik muhakemeyi destekleyen bir klinik ortak olarak konumlanmalıdır.

Kaynakça

1. Kerna NA, Olatokun TP, Keke CO, et al. Current applications of artificial intelligence in internal medicine. Eur J Med Health Res. 2025;3(2):203–213.

2. Wang Y, Yin C, Zhang P. Multimodal risk prediction with physiological signals, medical images and clinical notes. Heliyon. 2024.

3. Kotula CA, Martin J, Carey KA, et al. Comparison of multimodal deep learning approaches for predicting clinical deterioration. J Med Internet Res. 2025.

4. Accuracy, consistency, and hallucination of large language models in clinical notes. JAMA Netw Open. 2024.

5. Effects of machine learning–based clinical decision support systems on decision-making, care delivery, and patient outcomes. BMJ Open. 2024.

6. Explainable AI in clinical decision support systems. J Artif Intell Med. 2025.

7. Artificial Intelligence in Clinical Decision-Making: A Scoping Review of Rule-Based and Learning Systems. J Clin Med. 2025; PMCID: PMC12482788.

8. Artificial intelligence–driven clinical decision support systems in internal medicine: current status and future directions. Diabetes Care. 2025.