Askeri Sağlık Hizmetlerinde Yapay Zeka Uygulamaları

1. Giriş

Askeri sağlık hizmetlerinde yapay zekânın askeri tıpta hayati önem taşımasının temel nedeni, gelecekteki Büyük Ölçekli Muharebe Operasyonları (LSCO) sırasında beklenen yoğun yaralı akışı ve kısıtlı kaynak ortamıdır. Yapay zekâ, savaş alanının yaralılardan hızlıca temizlenmesi, personelin göreve dönüşünün maksimize edilmesi ve çekişmeli lojistik hatlarının yönetilmesi için kritik bir "güç çarpanı" olarak görülmektedir (1). Ayrıca, kaotik ortamlarda sağlık personelinin üzerindeki bilişsel yükü azaltarak veriye dayalı, hızlı ve hayat kurtarıcı kararlar alınmasını sağlar (2).

Yapay zekâ teknolojilerinin kullanım alanları cepheden hastaneye, hatta iyileşme süreci sonrasında psikolojik değerlendirmeye kadar, geniş bir yelpazeye yayılmıştır. Bunların başında:

• Giyilebilir sensörler ve otonom sistemler aracılığıyla vital bulguların takibi,
• Triyaj önceliklendirmesi,
• Zorlu koşullarda damar yolu açılması,
• Sahadaki tabiplerin hasta kayıtları otomatik ve doğru bir şekilde oluşturmasında(2),
• Operasyonel sahada, radyolojik görüntülerin işlenmesini hızlandırarak klinik ve tanısal hizmetlerde (3),
• Askerlerin zihinsel dayanıklılığını izleyerek intihar riskini veya yıkıcı davranışları önceden tahmin eden öngörücü modeller ile koruyucu hekimlik ve psikolojik vakalarda (4,5),
• Tıbbi ikmal ihtiyaçlarının önceden tahmin edilmesi gibi askeri lojistik hesaplarında,
• Sağlık personelinin eğitimi için simülasyon senaryoları oluşturulması ve eğitim aşamalarında(1,6) kullanılır.

Rakip güçler karşısında teknolojik ve operasyonel üstünlüğünün korunmasını sağlama ve nihayetinde yaralı personelin hayatta kalma oranlarını artırma amacı taşısa da, hali hazırda tıpta yapay zekâ uygulamalarının en sık kullanıldığı alanlardan biri olarak askeri sağlık hizmetleri için oluşturulan çözüm önerilerinin sivil sağlık sistemlerini dönüştürmesi beklenmektedir.

1.1 Kapsam ve Sınırlamalar

Bu bölümün temel amacı; askeri sağlık hizmetlerinde kullanılan mevcut sistem ve modelleri bütüncül bir yapay zekâ bakış açısı altında toplamaktır. Askeri sağlık hizmetlerinde yapay zekâya olan ihtiyaç, mevcutta kullanılan uygulamalar, askeri kullanımının teknolojik ve kurumsal kısıtları ile birlikte açıklanmıştır. Bu bölümde ele alınan sistemlerin, kullanıldıkları yer itibariyle hassasiyeti göz önüne alınarak, model prensibi, girdi ve çıktılar, teknik/algoritmik seviyeler, klinik doğrulama basamakları, model performans ölçütleri, sistemin başarılı ve başarısız uygulamaları hakkında elimizde doyurucu bir bilgi bulunmadığı okuyucu tarafından dikkate alınmalıdır.

Bununla birlikte, bu bölümün temel kısıtının, mevcutta kullanılan veya geliştirilmekte olan askeri sağlık bilişimi uygulamalarının çoğunlukla gizli olarak sınıflandırılmış olması, bir sağkalım biası olarak, bu konuda yayımlanmış çalışmaların, ya ar-ge düzeyinde ve uygulamaya geçme ihtimali düşük çalışmalar ya da kullanım ömrünü tamamlamak üzere olan uygulamalara ait olduğu unutulmamalıdır.

2. Askeri Sağlık Hizmetlerinde Yapay Zekâ İhtiyacı

Literatürde, askeri sağlık hizmetlerinde yapay zekâya duyulan ihtiyaç, değişen savaş doktrinleri, lojistik kısıtlamalar ve insan kapasitesinin sınırları ekseninde, diğer klinik birimlere kıyasla çok daha derin ve stratejik bir zorunluluk olarak ortaya çıkmaktadır.

Askeri tıbbın yapay zekâya yönelmesindeki itici güçlerden biri, büyük ölçekli muharebe operasyonlarını (Large-Scale Combat Operations - LSCO) temel alan senaryoların doğasıdır. Simülasyonlar ve tahminler, gelecekteki bir çatışmada bir kolordunun 7 gün içinde 20 binin üzerinde kayıp verebileceğini öngörmektedir (1). Mevcut insan gücü ve manuel triyaj sistemlerinin bu hacimdeki yaralı akışını yönetmesi imkânsız görülmektedir. Bununla birlikte kaotik çatışma ortamlarında, sağlık personeli aşırı stres ve veri yoğunluğu altındadır. Yapay zekâ destekli Karar Destek Araçları (DST), vital bulguları ve yaralanma modellerini analiz ederek personelin üzerindeki bilişsel yükü hafifletmek ve öncelikli ihtiyacı hızla belirlemek için kritiktir(1,2).

Irak ve Afganistan operasyonları gibi asimetrik çatışma alanlarının sık olduğu yakın geçmişteki muharebelerin aksine, gelecekteki savaşlarda hava üstünlüğünün garanti edilemeyeceği ve tahliye yollarının engellenebileceği öngörülmektedir(1). Özellikle uzak saha operasyonlarında yaralıların altın saat içinde hastaneye tahliye edilemeyeceği durumlarda, sahada her zaman uzman bir cerrah veya radyolog bulundurmanın mümkün olmadığı da göz önüne alındığında, sahadaki personelin hastaları günlerce hayatta tutması gerekebilmektedir(7). Uzman doktorun yokluğunda, daha az eğitimli saha personeline rehberlik eden otonom ekipmanlar, yarı otonom sistemler veya karar destek sistemleri sunarak hayati bir boşluğu doldurabilir(8). Canlı teletıp desteği almanın imkânsızlaştığı, engelli iletişim (network-denied) ortamlarında, YZ ve bilgisayarlı görü, iletişim kopsa bile sahadaki personele cerrahi prosedürler sırasında gerçek zamanlı, otomatik rehberlik sunabilir(2).

Çatışma dışı zamanlarda da, eğitim ve lojistik uygulamaları, askeri veya terhis edilmiş personelin sağlık takibi veya ordunun afet ve salgın dönemi görevleri gibi durumlarda da yapay zekâya ihtiyaç vardır(3,4,10).

Özetle, askeri sağlık uygulamalarında yapay zekâ ihtiyacı, artan yaralı sayıları, kısıtlı uzman erişimi, lojistik engeller ve stratejik rakiplerin ilerlemesi karşısında askeri sağlık sisteminin ayakta kalmasını sağlayacak en önemli çözüm yollarından biri olarak değerlendirilmektedir.

3. Mevcutta kullanılan uygulamalar

Devletlerin silahlanma yarışı ile paralel olarak, Amerika Birleşik Devletleri, Çin ve Rusya’nın, yapay zekâ yatırımları, askeri sağlık alanını da kapsayan, stratejik üstünlük yarışını tetiklemiştir. ABD, 2023 yılında 67,2 milyar dolarlık devasa bir bütçe ile yapay zekâ araştırmalarına açık ara öncülük ederken, Çin bütçede geride kalsa da küresel yapay zekâ patentlerinin %61,1'ine sahip olarak, farklı bir göstergede liderliği almıştır(2). Çin'in sivil- askeri entegrasyon stratejisiyle 5G destekli uzaktan robotik cerrahiye odaklanması dikkat çekicidir. Rusya ise 2018 yılında başlattığı otonom ve robotik sistemler girişimiyle savaş alanı rollerini otomatikleştirmeyi amaçlarken, 2020'deki "Moskova Deneyi" ile radyolojide 5,6 milyondan fazla görüntü analizi yaparak klinik karar destek sistemlerini güçlendirmektedir(10). Ülkelerin yatırımları, askeri zayiatı azaltmak ve dayanıklılığı artırmak için kıyasıya bir teknolojik rekabetin varlığını kanıtlamaktadır.

3.1 ABD ordusu ve Uygulamaları

Askeri sağlık hizmetlerinde yapay zekâ-entegre uygulamaları kurumsal düzeyde, özellikle sahada, kullanan orduların başında Amerika Birleşik Devletleri ordusu gelmektedir. ABD’de MedCOP (Medical Common Operating Picture) ile medikal verinin operasyonel karar döngüsüne entegrasyonu hedeflenmekte, JAIC kapsamında davranış ve suicidality tahmin modelleri geliştirilmektedir(5). ABD ordusunun mevcut saha talimnamelerinde (11) yapay zekâ, henüz bağımsız bir doktrin olmaktan ziyade, Sağlık Bilgi Teknolojileri, Karar Destek ve biyogözetim sistemleri içerisine entegre edilmiş bir yetenek bütünü olarak ele alınmaktadır. Örneğin, MSAT (Medical Situational Awareness Theater) sistemi, sahadan gelen verileri toplayarak halk sağlığı risklerini, kimyasal/biyolojik tehditleri ve salgın hastalıkları tespit etmek için, talimnamenin kendi tabiri ile, “karmaşık algoritmalar” kullandığını ifade ederken, Travax gibi seyahat tıbbı ve klinik karar destek araçlarını da, sağlık personeline tedavi rehberliği sağlamak amacıyla önermektedir(11,12). Buradaki temel amaç, komutanlara tıbbi durum hakkında mevcut bilgi sağlamaktır. Talimname, saha personeline, yalnızca muharebe sahasında sağlık hizmetlerinin sürdürülebilirliği için değil, aynı zamanda operasyonel başarı için de, verinin toplanması, işlenmesi ve dağıtılmasının kritik olduğunu vurgulamakta ve birliklerin operasyonel hale geldikten sonraki 24 saat içinde JOMIS (Joint Operational Medicine Information Systems) gibi dijital sistemleri kullanmaya başlamasını zorunlu kılmaktadır(11).

ABD ordusu tarafından, 2028 ve sonrası için hazırlanan konsept belgelerinde (8) yapay zekâ, daha merkezi bir rol üstlenir. Talimnamede Tıbbi Ortak Operasyonel Resim (MEDCOP), komutanlara sahadaki tıbbi durumun anlık ve doğru bir bilgi akışı olarak tarif edilirken (11), Tıp için Ordu Geleceği Komuta Konsepti-2028 (8) belgesinde bu sistem yapay zekâ destekli ve tüm alanlarda (all-domain capable) çalışabilen, bağlamsal bilgileri hızla ve gerçek zamanlı olarak risk bilgisine dayalı öneriler ile komutaya ileten bir sistem olarak sunulmuştur. Askeri gelecek konseptleri, birimlerin yarı bağımsız (semi-independent) hareket edeceği senaryolara odaklanır. Bu senaryolarda, uzman doktorlara erişimin olmadığı ve tahliyenin geciktiği durumlarda, sahadaki sıhhiyecilere (medic) rehberlik edecek yapay zekâ özellikli Klinik Karar Destek Sistemleri (CDSS) devreye girer. Bu sistemler, fizyolojik verileri ve görüntüleri analiz ederek tanı ve tedavi konusunda eyleme geçirilebilir rehberlik sunar; böylece uzman desteği olmadan da hayat kurtarıcı müdahalelerin yapılabilmesini sağlar. Bu yetenek, özellikle iletişim ağlarının koptuğu veya baskılandığı durumlarda, merkezi olmayan karar alma için kritik görülmektedir(8).

ABD ve belli başlı ordularda askeri sağlık hizmetlerinde mevcutta kullanılan bilişim sistemlerinden bazıları Tablo 1’de gösterilmiştir.

Tablo 1 Askeri sağlık hizmetlerinde mevcutta kullanılan bilişim sistemleri

Proje adı	Uygulama tipi	Özellik	Kullanım Seviyesi	Sürüm yılı/Menşei	Kaynak
MedCOP (Medical Common Operating Picture)	Karar-destek platformu	Saha cerrahları/sıhhiye komuta için etkileşimli karar desteği, yakın-gerçek zamanlı sağlık gözetimi	Operasyonel	2025/ABD	(13)
JAIC Resilience Dashboards	Kurumsal analitik panel	Komutan panelleri; davranış/risk tahmini (örn. suicidality öngörüsü)	Pilot (Operasyonel geçiş)	2024/ABD	(5)
DARPA – In the Moment (ITM)	Karar-destek platformu	Saha triaj ve algoritmik karar desteği	Ar-Ge	2023/ABD	(14)
SitaWare Battlefield Health	Askerî tele-tıp ağı	Yaralı takibi, hasta dokümantasyonu, operasyonel med lisans/yaygınlaştırma	Operasyonel	2025/ABD	(15)
PLA “Jun Wei II”	Askerî tele-tıp ağı	PLA + ulusal otorite işbirliğiyle telekonsültasyon/uzaktan eğitim ağı	Operasyonel	2001/Çin Halk Cumhuriyeti	(16)
Russia MoD – Remote Telemedicine Consultations System	Askerî tele-tıp ağı	MoD içinde uzaktan telekonsültasyon sistemi kurulumu/uyarlama	Test aşaması/ Operasyonel	2015 (hedef)/ Rusya	(17)
SeHAT OPD (Tri-services teleconsultation)	Askerî tele-tıp ağı	Ordu-donanma-hava personeli/veteranlar için telekonsültasyon	Operasyonel	2021/Hindistan	(18)

3.2 Çin, Rusya ve Diğer Ordularda Durum

Çin Halk Kurtuluş Ordusu (PLA), Rusya ve Hindistan gibi ülkelerde halen geniş ölçekli teletıp ağları ve merkezi sağlık dijital altyapıları mevcuttur; ancak bu sistemler çoğunlukla uzaktan hekim görüşünü, saha personeline ve hastaya ulaştıran sistemler olup, yapay zeka temelli değildir. PLA’nın askeri tele-tıp ağları ve 5G tabanlı uzaktan konsültasyon sistemleri operasyonel düzeyde kullanılmaktadır(16). Rusya(17) ve Hindistan (18) orduları da son yıllarda kendi geliştirdikleri teletıp platformlarını kullanmaktadırlar. Bu altyapılar, yapay zekâ destekli karar sistemlerine geçiş için gerekli veri havuzunu ve ağ mimarisini zaten üretmektedir. Dolayısıyla bu ülkelerin de YZ destekli sistemlere hazır konumda olduğu veya test aşamasında olduğu düşünülebilir. Belirtilen sebeplerden ötürü bu örneklerin dışındaki ülkelerin, taktik, operasyonel veya stratejik seviyede kullanılan yapay zekâ temelli, askeri sağlık araçları hakkındaki bilgiler tartışmaya değer doygunlukta değildir. Ancak her halükarda karar destek sistemlerine geçiş, hem teknik olarak hem de operasyonel olarak, beklenildiğinden hızlı olabilir.

Rosen’in(19), dış tehdit baskısının doktrinel değişimi hızlandırdığı ve sivil sektörde olgunlaşmış teknolojilerin askeri kurumlarda adaptasyonunun kriz dönemlerinde dramatik biçimde hızlanabileceği teorisi temel alındığında, ABD ordu sağlık hizmetlerinde halihazırda kurumsallaşmış olan yapay zekâ mimarisinin, çok yakın bir gelecekte, tüm muharip ve veya hazır-kıta ordularda kullanıma geçmesi muhtemeldir.

4. Fırsatlar ve Riskler

Askerî sağlıkta yapay zekâ entegrasyonu açısından en önemli fırsat, son yıllarda hızla olgunlaşan ve günlük hayatın tüm alanlarına yayılan yapay zekâ teknolojileridir. Özellikle operasyonel tıpta, askeri uygulamalara zaten yansımış olan, prediktif, analitik, non-invaziv görüntüleme ve karar destek sistemlerinin yanı sıra (3), uzak cerrahi müdahalelere imkân veren destek sistemleri(20) de giderek gelişmektedir. ABD örneğinde MedCOP ve JAIC gibi platformlar, yapay zekânın komuta-karar döngüsüne entegrasyonunu mümkün kılmakta, medikal verinin gerçek zamanlı işlenmesi ile operasyonel karar üstünlüğü üretimi açısından yapısal bir sıçrama potansiyeli sunmaktadır. Ayrıca Rusya-Ukrayna savaşı sonrası konvansiyonel harp doktrinlerinin yeniden önem kazanması ile öne çıkan, yüksek yoğunluklu çatışma senaryolarında kitlesel yaralı yönetimi, lojistik optimizasyon ve hızlı tahliye sistemleri tekrar merkezi hale gelmiştir(1). Bu durum yapay zekâ destekli triage ve karar sistemlerine olan ihtiyacı da görünür kılmıştır.

Bununla birlikte iki temel sınırlama dikkat çekmektedir. İlki, elektronik harp ve istihbarat güvenliği kaygılarıdır. Yapay zekâ sistemleri yüksek bant genişliği, veri sürekliliği ve siber güvenlik gerektirir; modern çatışmalarda iletişim kesintileri ve spektrum baskısı bu sistemlerin güvenilirliğini zayıflatabilir(21). Ayrıca yüksek hassasiyete sahip, askeri sağlık verisinin içerdiği istihbarat verisinin güvenliği, güvenlik–sağlık sınırlarının bulanıklaşmasına ve askeri zaafiyet risklerine yol açabilmektedir(22). İkinci sınırlama ise, insansız sistemlerin artan kullanımıdır. İHA ve otonom platformlar sağlık desteğini kolaylaştırsa da, aynı zamanda yeni hedefleme riskleri ve algoritmik güven, otonom karar sistemlerinin etik kısıtları ve komuta kontrol zinciriyle uyumu gibi sorunları da beraberinde getirmektedir.

5. Sonuç ve Öneriler

Yapay zekâ askeri sağlıkta önemli bir kuvvet çarpanı sunarken, elektronik harp ortamında dayanıklılık ve güvenli veri mimarisi geliştirilmeden tam operasyonel olgunluğa ulaşması sınırlı kalacaktır. Bu geçişin hızlandırılması ve bu yolda atılacak adımların sağlamlaştırılması adına tüm kesimlere görevler düşmektedir. Bu bağlamda, özellikle kısa ve orta vadeli dönemde;

• Askeri komuta ve sağlık personellerinin, yapay zekâ, uzman sistemler, makine öğrenmesi, derin öğrenme, klinik karar destek sistemleri gibi alanlarda, en azından disiplinler arası bilimsel iletişimi güçlendirecek düzeyde terminolojiye hâkim olması,
• Yazılım ve yapay zekâ geliştiricilerinin, veri güvenliği ve hassasiyeti, hızlı karar verme ve karar sorumluluğu, elektronik harp ve sürdürülebilir otonom sistemlerin dengeli ve sorumlu geliştirilme sürecinde bilinçlenmesi,
• Savunma sanayii yatırımcılarının, teletıp uygulamaları, taktik ve operasyonel klinik karar destek sistemleri, tıbbi teçhizat lojistik destek sistemleri ve otonom yaralı tahliye sistemleri gibi alanlarda da ürün ve hizmet desteği sağlamaları,
• Politika belirleyiciler ile askeri karar alıcıların, bu sistemlerin kazanım ve riskleri ile birlikte, uygulamada oluşabilecek toplumsal ve kurumsal dirence karşı önlem alması, önem arz etmektedir.

Kaynakça

1. Worsham CV, Hansen MT, Preczewski MD, Smallidge MM, Michaud DE. Army University Press [Internet]. [a.yer 16 Şubat 2026]. Army Medicine and Artificial Intelligence: Transforming the Future Battlefield. Erişim adresi: https://www.armyupress.army.mil/Journals/Military-Review/English-Edition-Archives/May-June-2024/MJ-24-Army-Medicine-AI/
2. Riggenbach ZW, Van Eaton J, Kelly AA, Kim HE, Bingham JR. AI on the Front Lines: A Primer for the Military Health Professional. Military Medicine. 01 Eylül 2025;190(9- 10):e1851-7. doi:10.1093/milmed/usaf165
3. Rakhilin N, Morris HD, Pham DL, Hood MN, Ho VB. Opportunities for Artificial Intelligence in Operational Medicine: Lessons from the United States Military. Bioengineering. 14 Mayıs 2025;12(5):519. doi:10.3390/bioengineering12050519
4. Pellegrin G, Ricka N, Fompeyrine DA, Rohaly T, Enders L, Roy H. Assessment of PTSD in military personnel via machine learning based on physiological habituation in a virtual immersive environment. Sci Rep. 04 Mart 2025;15(1):7562. doi:10.1038/s41598-025-91916-x
5. Leone RM, Chambers JA, Donham BP, Junker CA. Artificial Intelligence in Military Medicine. Military Medicine. 30 Ağustos 2024;189(9-10):221-3. doi:10.1093/milmed/usae356
6. Peacock JG, Cole R, Duncan J, Jensen B, Snively B, Samuel A. Transforming Military Healthcare Education and Training: AI Integration for Future Readiness. Military Medicine. 01 Eylül 2025;190(9-10):e1905-12. doi:10.1093/milmed/usaf169
7. Kotwal RS, Howard JT, Orman JA, Tarpey BW, Bailey JA, Champion HR, vd. The Effect of a Golden Hour Policy on the Morbidity and Mortality of Combat Casualties. JAMA Surg. 01 Ocak 2016;151(1):15-24. doi:10.1001/jamasurg.2015.3104
8. USA Army Medical Center of Excellence; US Army Futures Command Concept for Medical, 2028; AFC Pam 71-20-12; 4March 2022, Austin, Texas. Available at: https://api.army.mil/e2/c/downloads/2022/04/25/ac4ef855/medical-concept-2028-final-unclas.pdf [İnternet]. [a.yer 16 Şubat 2026]. Erişim adresi: https://api.army.mil/e2/c/downloads/2022/04/25/ac4ef855/medical-concept-2028-final-unclas.pdf
9. Buller JL, Tetteh HA. The C.L.E.A.R. Score: A New Comprehensive Assessment Method for Academic Physicians in Military Medical Centers. Military Medicine. Temmuz 2012;177(7):856-62. doi:10.7205/MILMED-D-11-00463
10. Gusev AV, Владимирович ГА, Gusev AV, Vladzymyrskyy AV, Вячеславович ВА, Vladzymyrskyy AV, vd. Evolution of research and development in the field of artificial intelligence technologies for healthcare in the Russian Federation: results of 2021. Digital Diagnostics. 17 Ekim 2022;3(3):178-94. doi:10.17816/DD107367
11. USA Department of the Army; Army Health System Field Manual FM 4-02; 17 November 2020, upd. 08 August 2025; Army Publishing Directorate Washington, D.C.. Available at https://armypubs.army.mil/epubs/DR_pubs/DR_a/ARN44575-FM_4-02-002-WEB-4.pdf.
12. Shoreland Travax [İnternet]. [a.yer 17 Şubat 2026]. Erişim adresi: https://www.travax.com/
13. DEFENSE HEALTHCARE MANAGEMENT SYSTEMS. MEDICAL COMMON OPERATING PICTURE Fact Sheet [Internet]. Mayıs 2025. Erişim adresi: http://www.health.mil/dhms
14. In the Moment teams begin work to understand how humans can develop trustworthy AI for making difficult decisions [İnternet]. [a.yer 18 Şubat 2026]. Erişim adresi: https://www.darpa.mil/news/2023/trustworthy-ai
15. SitaWare Battlefield Health | Military patient care [Internet]. [a.yer 18 Şubat 2026]. Erişim adresi: https://systematic.com/int/industries/defence/products/sitaware-suite/sitaware-battlefield-health/
16. Gao J, Fan C, Chen B, Fan Z, Li L, Wang L, vd. Telemedicine Is Becoming an Increasingly Popular Way to Resolve the Unequal Distribution of Healthcare Resources: Evidence From China. Front Public Health. 06 Temmuz 2022;10:916303. doi:10.3389/fpubh.2022.916303
17. TAdviser.ru [İnternet]. [a.yer 26 Şubat 2026]. The Ministry of Defence starts the large- scale project on telemedicine. Erişim adresi: https://tadviser.com/index.php/Project:System_of_remote_telemedicine_consultations_of_the_Ministry_of_Defence
18. Ministry of Defence Government of India. Navy Foundation Pune Chapter [İnternet]. [a.yer 26 Şubat 2026]. SeHAT OPD User Guide. Erişim adresi: https://nfpc.in/wp-content/uploads/2021/06/SeHAT-OPD-Patients-User-Guide.pdf
19. Rosen SP. New Ways of War: Understanding Military Innovation. International Security. 1988;13(1):134-68. doi:10.2307/2538898
20. Amini Rarani S. Smart technologies and digital innovations for improving perioperative patient safety: a review. Patient Saf Surg. 29 Ekim 2025;19:31. doi:10.1186/s13037-025-00454-y PubMed PMID: 41163177; PubMed Central PMCID: PMC12573887.
21. Sharma P, Sarma KK, Mastorakis NE. Artificial Intelligence Aided Electronic Warfare Systems- Recent Trends and Evolving Applications. IEEE Access. 2020;8:224761-80. doi:10.1109/ACCESS.2020.3044453
22. Bowsher G, Milner C, Sullivan R. Medical intelligence, security and global health: the foundations of a new health agenda. J R Soc Med. Temmuz 2016;109(7):269-73. doi:10.1177/0141076816656483 PubMed PMID: 27385714; PubMed Central PMCID: PMC4941003.