Tıp Eğitimi ve Bilişiminde Yapay Zeka Uygulamaları

Giriş

Yapay zekâ (YZ), sağlık hizmetlerine giderek daha fazla entegre olmakta; yalnızca klinik tanı ve iş akışlarını değil, aynı zamanda mesleki tıp eğitimini de şekillendirmektedir[1,2]. Tıbbi uygulamalar teknolojiye daha bağımlı hâle geldikçe, tıp eğitiminin de bu sistemleri güvenli biçimde kullanmak, değerlendirmek ve yönetmek için gerekli bilgi ve becerileri kazandıracak biçimde dönüşmesi gerekmektedir[3,4]. Bu nedenle YZ, yalnızca bir klinik karar destek aracı olarak değil, aynı zamanda sağlık profesyonellerinin yetiştirildiği öğrenme ortamlarının giderek daha önemli bir bileşeni olarak işlev görmektedir[2,5].

Bu bölümün amacı, tıp eğitimi sürekliliği boyunca YZ entegrasyonuna ilişkin odaklı bir genel bakış sunmaktır. Bölümün temel çerçevesi iki boyut üzerinden ele alınmaktadır: tıp eğitimi, YZ’nin müfredat tasarımını, değerlendirmeyi ve kişiselleştirilmiş öğrenmeyi etkilediği görünür uygulama alanı olarak ele alınırken; tıbbi bilişim, YZ destekli öğrenmeyi, karar desteğini ve veri kullanımını mümkün kılan altyapı olarak konumlandırılmaktadır. Bu bölüm, YZ ile sorumlu biçimde etkileşim kurmak için gerekli temel bilgi ve becerileri ortaya koyarken, birçok pratik eğitim uygulamasının güçlü bilişim sistemlerine dayandığını da göstermektedir. Türkiye’den elde edilen veriler de bu gereksinimi desteklemektedir; geniş ölçekli bir çalışmada, tıp öğrencilerinin büyük çoğunluğu yapay zekâ konusunda daha fazla bilgi, etik eğitim ve müfredat desteğine ihtiyaç duyduğunu bildirmiştir[6]. Diğer taraftan, bu bölümde derin teknik model geliştirme ayrıntıları, ayrıntılı düzenleyici çerçeveler ve hasta perspektifine odaklanan geniş vaka tartışmaları kapsam dışında bırakılmıştır.

Temel Kavramlar

YZ, genel olarak örüntü tanıma, problem çözme ve dil işleme gibi tipik olarak insan zekâsıyla ilişkilendirilen görevleri yerine getiren hesaplamalı sistemleri ifade eder[2]. Tıp eğitiminde, bununla ilişkili çeşitli alt alanlar özellikle önem taşımaktadır. Makine öğrenmesi (machine learning, ML), tahmin ve sınıflandırmayı desteklemek amacıyla büyük veri kümelerindeki örüntüleri tanımlarken, derin öğrenme (deep learning, DL) tıbbi görüntüleme de dâhil olmak üzere daha karmaşık veri türlerinde kullanılmaktadır[2]. Doğal dil işleme (natural language processing, NLP), bilgisayarların insan dilini yorumlamasını ve üretmesini mümkün kılar. Bu yetenekler üzerine inşa edilen üretici YZ—çoğu zaman büyük dil modelleri (large language models, LLM’ler) tarafından desteklenir—kullanıcı istemlerine yanıt olarak yeni metin ve diyalog üretebilir[1]. Tüm bu yaklaşımlar, uyarlanabilir öğrenme, otomatik geri bildirim, öğrenme çıktılarının değerlendirilmesi ve bilgi desteği için kullanılan araçların temelini oluşturmaktadır[5,7] (Şekil 1).

Bu uygulamalar, tıbbi bilişim tarafından sağlanan altyapıya dayanmaktadır[5]. Sağlık verilerinin toplanması, depolanması, erişimi ve kullanımıyla ilgilenen bir disiplin olarak tıbbi bilişim; YZ uygulamalarını destekleyen elektronik sağlık kayıtları (ESK), yapılandırılmış klinik veri tabanları ve birlikte çalışabilir platformlar gibi sistemleri ve iş akışlarını sağlar[5,8]. Bu anlamda tıbbi bilişim, ayrı bir konu başlığı değil; YZ destekli eğitimin ve klinik karar desteğinin gerçek eğitim ve klinik ortamlarda işleyebilmesini mümkün kılan temel altyapıdır.

Şekil 1. Tıp eğitimi ve bilişiminde yapay zekâ entegrasyonunun temel bileşenleri: Bu şekil, tıp eğitimi ve tıbbi bilişim alanında yapay zekâ entegrasyonunu şekillendiren başlıca alanları özetlemektedir. Eğitsel uygulamalar, bilişimsel etkinleştiriciler, paydaş düzeyleri ve etik/uygulama kaygıları birlikte ele alınarak alanın çok boyutlu yapısı gösterilmiştir.

Tıp Eğitiminde Yapay Zekâ Uygulamaları

Tıp eğitiminde YZ, eğitimi kişiselleştirmek ve klinik beceri gelişimini desteklemek amacıyla giderek daha fazla kullanılmaktadır[1,7]. Akıllı öğretici sistemler, öğrenenin hızına ve bilgi açıklarına uyum sağlayarak probleme dayalı öğrenme sırasında kişiye özel rehberlik sunabilmektedir. Simülasyon platformları ve sanal hastalar ise, öğrencilerin anamnez alma ve klinik karar verme becerilerini güvenli ve kontrollü ortamlarda uygulamalarına olanak tanıyarak bu yaklaşımı genişletmektedir[1,2]. YZ araçları ayrıca, iletişim eğitimi için güç hasta görüşmelerini simüle etmek ve ultrasonografi dâhil olmak üzere girişimsel beceri eğitimleri sırasında rehberlik sağlamak amacıyla geliştirilmektedir[2,9]. Mevcut çalışmalar, bu araçların özellikle simülasyon ve beceri eğitimi bağlamında teorik bilginin klinik uygulamaya aktarımını destekleyebileceğini göstermektedir; ancak uzun dönem eğitsel etkilerinin ve genellenebilirliğinin hâlen daha güçlü doğrulama çalışmalarıyla desteklenmesi gerekmektedir[2,10]. Türkiye’de anesteziyologlar arasında yapılan bir araştırma da, yapay zekâ destekli ultrason rehberli uygulamaların hem uzmanlık öğrencilerinin eğitimi hem de mezuniyet sonrası eğitim açısından yararlı görüldüğünü, ancak hata durumlarında sorumluluk ve hesap verebilirlik konularının önemli etik başlıklar olarak öne çıktığını göstermiştir[11].

YZ, otomatik ve süregen geri bildirimi desteklemek amacıyla eğitim alanların değerlendirilmesi ve öğrenme analitiği alanında da kullanılmaktadır[7]. ML araçları; laparoskopik simülatörlerde el hareketlerini izleyerek acemileri uzmanlardan ayırt etme gibi psikomotor performansı değerlendirebilmekte ve yazılı klinik notların veya objektif yapılandırılmış klinik sınav (OSCE) dökümlerinin analizinde kullanılabilmektedir[2,10,12]. Bu sistemler öğretim üyelerine, zamanında ve daha standartlaştırılmış biçimde geri bildirim sağlayarak, gözlem süresinin sınırlı olduğu durumlarda bile eğitim alanların ilerlemelerini izlemekte yardımcı olabilir. Bununla birlikte, otomatik ölçütlerin karmaşık klinik akıl yürütmeyi aşırı basitleştirmemesi veya incelikli mesleki yargının yerini almaması için, YZ destekli değerlendirme dikkatli biçimde uygulanmalıdır[2,13].

Üretici YZ’nin hızlı yükselişi, öz-yönelimli öğrenme için çok yönlü araçlar ortaya çıkarmıştır (Şekil 2). Farklı eğitim düzeyindeki öğrenciler, LLM’leri yoğun tıbbi literatürü özetlemek, güç kavramları açıklığa kavuşturmak ve simüle edilmiş olgu tartışmalarına katılmak için kullanmaktadır[13,14]. Pratik uygulamalar arasında, bağımsız çalışma amacıyla özelleştirilmiş çoktan seçmeli sorular üretme ve gerçekçi hastalık senaryoları hazırlama da yer almaktadır[9]. Bu avantajlara rağmen, üretici YZ önemli riskler de taşımaktadır. Bu sistemler akla yatkın ancak hatalı çıktılar üretebilir, algoritmik yanlılığı yeniden üretebilir ve yüzeysel öğrenmeyi ya da akademik kötüye kullanımı ve intihali teşvik edebilir[2,13]. Bu nedenle öğrencilerin, bağımsız klinik akıl yürütmelerini koruyarak bu araçlarla eleştirel biçimde etkileşim kurmaları gerekmektedir.

YZ ayrıca klinisyen eğitimcileri veya daha geniş müfredat yönetimini de destekleyebilir. Üretici araçlar, klinik senaryolar, hasta simülasyon senaryoları ve sınav soruları hazırlamaya yardımcı olarak öğretim ve idari iş yükünü azaltabilir[7,9,14]. Program düzeyinde ise, YZ destekli analitik araçlar müfredatın gözden geçirilmesine, eğitim çıktılarının yeterliliklerle eşleştirilmesine ve eğitim açıklarının belirlenmesine katkı sağlayabilir[4]. Bu araçların sorumlu biçimde kullanılabilmesi için, öğretim üyelerinin YZ okuryazarlığına yönelik gelişimleri temel bir gereklilik olmaya devam etmektedir. Eğitimciler, YZ tarafından üretilen içeriği eleştirel biçimde değerlendirebilmeli, kullanımını denetleyebilmeli ve YZ ile ilişkili yeterlilikleri mevcut müfredatlara entegre edebilmelidir. Tüm bu uygulamalar boyunca YZ, uzman eğitimsel yargı ve insani mentorluk yerine geçen bir araç değil, bunları destekleyen ve güçlendiren bir araç olarak görülmelidir[3,4].

Şekil 2. Tıp eğitimi ve bilişiminde ihtiyaç temelli yapay zekâ uygulamaları: Şekilde, tıp eğitimi ve tıbbi bilişimde kullanılan yapay zekâ uygulamaları; yanıt verdikleri temel ihtiyaçlar, uygulama türleri ve örnek kullanım alanlarıyla birlikte sunulmuştur. Bu çerçeve, yapay zekâ araçlarının somut eğitimsel ve klinik gereksinimlere yanıt olarak geliştiğini göstermektedir. YZ, yapay zekâ; NLP, doğal dil işleme

Etkinleştirici Katman Olarak Tıbbi Bilişim

YZ’nin tıp eğitimine entegrasyonu, güçlü bir tıbbi bilişim altyapısına bağlıdır[4,5]. Tıbbi bilişim, ayrı bir disiplin olarak işlev görmekten ziyade, akıllı algoritmaları pratik eğitim uygulamalarıyla buluşturan dijital sistemleri ve veri mimarisini sağlar. Bu etkinleştirici katman; öğrenme yönetim sistemlerini, dijital değerlendirme platformlarını, etkileşimli panoları ve birlikte çalışabilir ESK’ları içerir[5]. Klinik ve öğrenci verilerini düzenleyerek, bu sistemler YZ destekli eğitim araçlarının güvenli ve etkili biçimde geliştirilmesi, uygulanması ve değerlendirilmesi için gerekli koşulları oluşturur[5,8].

Klinik öğrenme ortamında bilişim sistemleri, bilgiye erişim, dokümantasyon ve karar desteği aracılığıyla klinik karar anlarında öğrenmeyi destekler. Örneğin doğal dil işleme, klinik anlatıları analiz etmek ve ilgili bilgileri çıkarmak amacıyla yapılandırılmış ve yapılandırılmamış ESK verilerine dayanır[8]. Uygulamada bu tür sistemler, eğitim alanların klinik ortamlardaki deneyimlerini yansıtan dokümantasyon örüntülerinin, olgu kayıtlarının ve diğer veri kaynaklarının düzenlenmesine yardımcı olabilir[7,9]. Öğrenciler bu YZ ile güçlendirilmiş sistemlerle etkileşime girdikçe, veri yönetimi, dokümantasyon ve otomatik önerilerin eleştirel değerlendirilmesinin klinik eğitimin bir parçası hâline geldiği bir işyeri temelli öğrenme biçimine katılmış olurlar[5]. Bu yönüyle bilişim, yalnızca sağlık verilerinin nasıl kullanıldığını değil, aynı zamanda gerçek klinik ortamlarda öğrenmenin nasıl gerçekleştiğini de şekillendirir.

Tıbbi bilişim, sürekli yeterlilik izlemini de destekler. Dijital değerlendirmeler, ESK etkileşimleri ve sanal hasta karşılaşmaları yoluyla üretilen veriler, performans eğilimlerini ve belirli bilgi açıklarını tanımlamak amacıyla analitik panolarda düzenlenebilir[2,5,7]. Bu sistemler, eğitimcilerin eksik prosedürel veya klinik yeterlilikleri fark etmelerine yardımcı olabilir ve zaman içinde daha kişiselleştirilmiş geri bildirimi destekleyebilir. Genel olarak tıbbi bilişim, YZ destekli tıp eğitiminin farklı eğitim ortamlarında işleyebilmesini mümkün kılan yapısal temeli sağlar[2,5].

Yararlar, Riskler ve Etik Zorluklar

YZ’nin tıp eğitimi ve bilişime entegrasyonu çeşitli pratik yararlar sunmaktadır[4,7]. Önemli avantajlar arasında, uyarlanabilir öğrenme sistemleri aracılığıyla daha kişiselleştirilmiş öğretim, zamanında ve bireyselleştirilmiş geri bildirim ile büyük miktardaki tıbbi bilgiye erişimin iyileştirilmesi yer almaktadır. Literatürde özellikle üretici YZ ve öğrenme analitiği alanındaki çalışmalar, bu araçların geri bildirim, bilgiye erişim ve ölçeklenebilir eğitim desteği açısından potansiyel taşıdığını göstermektedir[7,13,14]. Ayrıca YZ sistemleri, öğrencilerin ve eğitimcilerin bilgileri daha etkili biçimde düzenlemelerine ve yorumlamalarına yardımcı olarak eğitsel ve klinik karar vermeyi de destekler[1,4].

Bununla birlikte, YZ kullanımı önemli riskler ve etik zorluklar da ortaya çıkarmaktadır. Üretici modeller, uydurulmuş kaynaklar da dâhil olmak üzere akla yatkın ancak hatalı çıktılar üretebilir; bu durum öğrencileri yanıltabilir ve klinik ortamlarda eleştirel süzgeçten geçirilmeden kullanıldığında hasta bakımını olumsuz etkileyebilir[2,13]. Çoğu zaman temsil gücü sınırlı eğitim verileriyle ilişkili olan algoritmik yanlılık da, mevcut sağlık eşitsizliklerini pekiştirebilir[15]. Diğer kaygılar arasında mahremiyet ve veri güvenliği riskleri, “kara kutu” algoritmalarda sınırlı şeffaflık, akademik dürüstlüğün ihlali ve dijital araçlara eşitsiz erişim yer almaktadır[2,7,13,15]. Öğrenciler açısından, otomatik çıktılara aşırı bağımlılık bağımsız klinik akıl yürütmeyi zayıflatabilir.

YZ’nin eğitimde kullanımının riskleri yalnızca teknik doğruluk veya akademik dürüstlük sorunlarıyla sınırlı görülmemelidir. Bazı eleştirel yaklaşımlar, YZ’nin eğitimdeki etkisinin yalnızca öğrenmeyi destekleyen yeni araçların ortaya çıkışıyla sınırlı olmadığını, aynı zamanda üniversitenin temel işlevlerini ve öğrenmenin doğasını da dönüştürme potansiyeli taşıdığını ileri sürmektedir[16,17]. Bu görüşe göre, YZ’nin yaygın kullanımı; eleştirel düşünme, özgün akademik üretim ve eğitici-öğrenci etkileşiminin niteliği üzerinde aşındırıcı etkiler oluşturabilir. Tüm bu zorluklar, dikkatli doğrulama, şeffaf veri yönetişimi ve açık kurumsal politikalara duyulan gereksinimi ortaya koymaktadır[15]. Türkiye’den elde edilen veriler de benzer kaygılara işaret etmektedir; tıp öğrencileri arasında yapılan geniş ölçekli bir araştırmada etik eğitim gereksinimi, mesleğin değersizleşmesi ve güven ilişkisinin zedelenmesi öne çıkarken, uzman hekim anketlerinde hata durumlarında sorumluluk ve hesap verebilirlik önemli risk alanları olarak bildirilmiştir[6,11]. Türkiye’de hekimler üzerinde yapılan başka bir çalışmada da, yapay zekâ uygulamalarının benimsenmesinde yalnızca teknik altyapının değil; güven, algılanan yarar ve kullanım kolaylığı gibi etmenlerin de belirleyici olduğunu göstermektedir[18]. Yükseköğretimin amacı, pedagojik değerleri ve akademik emeğin niteliği de bu dönüşümün bir parçası olarak değerlendirilmeli ve YZ’nin eğitim ortamlarına entegrasyonu, teknik yararların ötesinde daha geniş kurumsal ve pedagojik sonuçları da dikkate alan eleştirel bir bakış açısıyla ele alınmalıdır[2,13].

Gelecek Yönelimler ve Sonuç

YZ gelişmeye devam ettikçe, uygulamalarının günlük eğitimsel ve klinik iş akışlarına daha derin biçimde yerleşmesi beklenmektedir. Sağlık iş gücünü bu dönüşüme hazırlamak; dikkatle planlanmış müfredat yeniden tasarımını, hedefe yönelik öğretim üyesi gelişimini ve eğitim alanlar ile eğitimciler arasında daha geniş bir YZ okuryazarlığını gerektirecektir. Bu dönüşümün yerel bağlamda etkili biçimde yönetilebilmesi, dijital altyapı yeterliliği, veri yönetişimi ve dilsel uyarlanabilirlik gibi etmenlerin de dikkate alınmasını gerektirir. Üretici modeller daha yaygın kullanıldıkça, eğitim çerçevelerinin YZ çıktılarının eleştirel değerlendirilmesine, insan–YZ etkileşimlerinin etkili yönetimine ve geleneksel değerlendirme yöntemlerinin uygun biçimde uyarlanmasına daha fazla vurgu yapması gerekecektir. Aynı zamanda, bu veri temelli öğrenme ortamlarının yaygınlaşmasına, eğitsel etkililik, güvenlik ve sorumlu uygulamayı güvence altına almak için titiz değerlendirme ve doğrulama süreçlerinin eşlik etmesi gerekir.

Sonuç olarak, tıp eğitiminin geleceği kısmen birbiriyle yakından ilişkili iki alanın nasıl bir araya getirildiğine bağlıdır. Tıp eğitimi, YZ’nin öğretim, öğrenme ve değerlendirmeyi yeniden şekillendirdiği görünür uygulama alanını temsil ederken, tıbbi bilişim bu gelişmeleri destekleyen etkinleştirici altyapıyı sağlamaktadır. Güçlü bilişim sistemleri ve sağlam bir eğitim tasarımı üzerine temellendirildiğinde, YZ iyi tıbbın dayandığı insani yargıyı, klinik akıl yürütmeyi ve mesleki uzmanlığı yerinden etmeden tıp eğitimini güçlendirebilir.

Kaynakça

1. Alowais SA, Alghamdi SS, Alsuhebany N, Alqahtani T, Alshaya AI, Almohareb SN, Aldairem A, Alrashed M, Bin Saleh K, Badreldin HA, Al Yami MS, Al Harbi S, Albekairy AM. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 2023 Sep 22;23(1):689. doi:10.1186/s12909-023-04698-z
2. Gordon M, Daniel M, Ajiboye A, Uraiby H, Xu NY, Bartlett R, Hanson J, Haas M, Spadafore M, Grafton-Clarke C, Gasiea RY, Michie C, Corral J, Kwan B, Dolmans D, Thammasitboon S. A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024 Apr 2;46(4):446–70. doi:10.1080/0142159X.2024.2314198
3. Pupic N, Ghaffari-zadeh A, Hu R, Singla R, Darras K, Karwowska A, Forster BB. An evidence-based approach to artificial intelligence education for medical students: A systematic review. Lichtner V, editor. PLOS Digital Health. 2023 Nov 27;2(11):e0000255. doi:10.1371/journal.pdig.0000255
4. Charow R, Jeyakumar T, Younus S, Dolatabadi E, Salhia M, Al-Mouaswas D, Anderson M, Balakumar S, Clare M, Dhalla A, Gillan C, Haghzare S, Jackson E, Lalani N, Mattson J, Peteanu W, Tripp T, Waldorf J, Williams S, Tavares W, Wiljer D. Artificial Intelligence Education Programs for Health Care Professionals: Scoping Review. JMIR Med Educ. 2021 Dec 13;7(4):e31043. doi:10.2196/31043
5. Sapci AH, Sapci HA. Artificial Intelligence Education and Tools for Medical and Health Informatics Students: Systematic Review. JMIR Med Educ. 2020 Jun 30;6(1):e19285. doi:10.2196/19285
6. Civaner MM, Uncu Y, Bulut F, Chalil EG, Tatli A. Artificial intelligence in medical education: a cross- sectional needs assessment. BMC Med Educ. 2022 Nov 9;22(1):772. doi:10.1186/s12909-022-03852-3
7. Chan KS, Zary N. Applications and Challenges of Implementing Artificial Intelligence in Medical Education: Integrative Review. JMIR Med Educ. 2019 Jun 15;5(1):e13930. doi:10.2196/13930
8. Hossain E, Rana R, Higgins N, Soar J, Barua PD, Pisani AR, Turner K. Natural Language Processing in Electronic Health Records in relation to healthcare decision-making: A systematic review. Comput Biol Med. 2023 Mar 1;155:106649. doi:10.1016/j.compbiomed.2023.106649
9. Hallquist E, Gupta I, Montalbano M, Loukas M. Applications of Artificial Intelligence in Medical Education: A Systematic Review. Cureus. 2025 Mar 1. doi:10.7759/cureus.79878
10. Tozsin A, Ucmak H, Soyturk S, Aydin A, Gozen AS, Fahim M Al, Güven S, Ahmed K. The Role of Artificial Intelligence in Medical Education: A Systematic Review. Surg Innov. 2024 Aug 17;31(4):415–23. doi:10.1177/15533506241248239
11. Koçer Tulgar Y, Tulgar S, Güven Köse S, Köse HC, Çevik Nasırlıer G, Doğan M, Terence Thomas D. Anesthesiologists’ Perspective on the Use of Artificial Intelligence in Ultrasound-Guided Regional Anaesthesia in Terms of Medical Ethics and Medical Education: A Survey Study. Eurasian J Med. 2023 Jun 1;55(2):146–51. doi:10.5152/eurasianjmed.2023.22254
12. Winkler-Schwartz A, Bissonnette V, Mirchi N, Ponnudurai N, Yilmaz R, Ledwos N, Siyar S, Azarnoush H, Karlik B, Del Maestro RF. Artificial Intelligence in Medical Education: Best Practices Using Machine Learning to Assess Surgical Expertise in Virtual Reality Simulation. J Surg Educ. 2019 Nov 1;76(6):1681–90. doi:10.1016/j.jsurg.2019.05.015
13. Preiksaitis C, Rose C. Opportunities, Challenges, and Future Directions of Generative Artificial Intelligence in Medical Education: Scoping Review. JMIR Med Educ. 2023 Oct 20;9:e48785. doi:10.2196/48785
14. Sallam M. ChatGPT Utility in Healthcare Education, Research, and Practice: Systematic Review on the Promising Perspectives and Valid Concerns. Healthcare. 2023 Mar 19;11(6):887. doi:10.3390/healthcare11060887
15. Mir MM, Mir GM, Raina NT, Mir SM, Mir SM, Miskeen E, Alharthi MH, Alamri MMS. Application of Artificial Intelligence in Medical Education: Current Scenario and Future Perspectives. J Adv Med Educ Prof. 2023 Jul;11(3):133–40. doi:10.30476/JAMP.2023.98655.1803 PubMed PMID: 37469385.
16. Watermeyer R, Phipps L, Lanclos D, Knight C. Generative AI and the Automating of Academia. Postdigital Science and Education. 2024 Jun 6;6(2):446–66. doi:10.1007/s42438-023-00440-6
17. Yusuf A, Pervin N, Román-González M. Generative AI and the future of higher education: a threat to academic integrity or reformation? Evidence from multicultural perspectives. International Journal of Educational Technology in Higher Education. 2024 Mar 25;21(1):21. doi:10.1186/s41239-024-00453-6
18. Başar EE, Kes Erkul A. Factors Affecting the Attitude of Medical Doctors in Türkiye towards Using Artificial Intelligence Applications in Healthcare Services. Bezmialem Science. 2024 Jul 31;297– 308. doi:10.14235/bas.galenos.2024.26879