← İçindekiler
    / 02 — Sağlıkta YZ Uygulamaları

    Kulak-Burun-Boğaz Hastalıklarında Yapay Zeka Uygulamaları

    / METADATA

    TARİH:
    14.03.2026
    YAZAR:
    OKUMA SÜRESİ:
    37 DK OKUMA
    KATEGORİLER:
    Yapay ZekaSağlık
    PAYLAŞ:
    Twitter/XLinkedIn

    / KOMÜNİTE

    Next Medical Intelligence ile yapay zeka, tıp ve bilimi bir araya getiren seçkin profesyonel topluluğun parçası olun.

    Komüniteye Katıl

    / MAKALE

    Erken Önizleme

    1. Giriş

    1.1 Yapay zekâ tanımı ve temel kavramlar

    Yapay zekâ (YZ), bilgisayar sistemlerinin örüntü tanıma, sınıflandırma, tahmin, karar destek gibi insan zekâ gerektiren görevleri yerine getirmelerini sağlayan yöntem ve algoritmalar bütünüdür. Makine öğrenmesi (ML) ve bunun bir alt alanı olan derin öğrenme (DL), klinik uygulamalarda en yaygın YZ yaklaşımıdır. DL, çok katmanlı sinir ağlarının örüntüleri otomatik olarak öğrenir, özellikle yüksek boyutlu verilerde (örneğin ses ve görüntü gibi) örneğin, konvolüsyonel sinir ağları (CNN), otoskopi ve endoskopi görüntülerinde lezyonları sınıflandırma ve segmentasyon yapmak için sıklıkla kullanılır. Klinik araştırma ve değerlendirmede sıklıkla raporlanan performans ölçütleri şunlardır:

    • Duyarlılık (sensitivity): Hastalığı olanı yakalama oranı (yanlış negatiflerin azalmasıyla ilişkilidir).
    • Özgüllük (specificity): Hastalığı olmayanı doğru dışlama oranı (yanlış pozitiflerin azalmasıyla ilişkilidir).
    • AUC (ROC eğrisi altındaki alan): Sınıflandırma performansının eşik bağımsız özet ölçütüdür.
    • Dış doğrulama (external validation): Modelin hiç görmediği kurum/cihaz/popülasyonda tekrar test edilmesidir; gerçek hayat genellenebilirliği için kritik önemdedir. Birçok tıbbi YZ modelinde iç test performansının dış testte düşebildiği gösterilmiştir (1).

    Etiketli örnekler, derin öğrenme temelli modeller gibi yapay zekâ (YZ) sistemleri için bir öğrenme yöntemidir. Örneğin, hastalıklı ve sağlıklı kulak zarı görselleriyle eğitilen bir model, kızarıklık ve şişlik gibi ayırt edici ipuçlarını katmanlar boyunca tanımlar ve bu bilgileri sınıflandırmak için kullanır. Bu aşamada, model, tahmin hatalarını belirlemek için bir "kayıp fonksiyonu" kullanarak ağırlıklarını günceller, böylece zamanla hatalar azalır. Ancak, çok küçük ya da homojen veri setleriyle eğitilen modeller, yalnızca eğitim verilerini ezberleyerek yeni örneklerde başarısız olabilir. Bu durum overfitting olarak bilinir. Ek olarak, farklı hastanelerden veya cihazlardan gelen veriler, eğitim verisinden farklı özellikler içerebilir, bu da modelin performansını düşürebilir. Bir hekimin endoskopik bir görüntüde tanı koyarken dikkat ettiği görsel işaretleri belirleme süreci, özellik çıkarma sürecine benzer.

    Klinik karar destek sistemlerinin sınırlarını ve gücünü anlamak için bu temel kavramları anlamak çok önemlidir.

    1.2 KBB’deki yeri ve önemi

    Kulak-burun-boğaz (KBB) uygulaması, YZ için uygun bir zemin sağlar. Bunlar arasında görsel veri yoğunluğu (BT/MRG, otoskopi, nazal endoskopi, laringoskopi ve diğerleri), fonksiyonel test verileri (odyogram ve konuşma odyometrisi), ses verileri (disfoni/dizartri) ve cerrahi video ve navigasyon akışları yer almaktadır. Son 5 yılda, KBB alanında YZ'nin tanısal doğruluğu artırma, iş yükünü azaltma, deneyim farklarını dengeleme ve hasta sonuçlarına yansıyabilecek klinik kazanımlar üretme potansiyeli giderek daha güçlü hale geldi. Kulak- Burun-Boğaz (KBB) pratiğinde tanı ve tedavi; görüntü (otoskopi, nazal endoskopi, laringoskopi, BT), ses (disfoni değerlendirmesi), işitsel ölçümler (odyometri) ve cerrahi video/navigasyon gibi çok kaynaklı verilerin yorumlanmasına dayanır. KBB’de görüntü temelli YZ uygulamalarını özetleyen geniş bir derleme, alandaki hızlı artışı vurgularken; çok merkezli doğrulama ve gerçek klinik entegrasyonun hâlâ temel ihtiyaç olduğuna dikkat çeker (2).

    1.3 Bu bölümün kapsamı ve sınırlamaları

    Bu bölüm, otoloji, rinoloji ve laringolojide görüntü/ses/test verilerine dayalı YZ uygulamalarını, klinik etkilerini, etik-güvenlik-mevzuat boyutlarını ve kurumsal entegrasyon süreçlerini özetler. Özellikle Şubat 2021–Şubat 2026 arasında toplanan kanıtlara odaklanır. Bu bölümde baş-boyun onkolojisi, genetik tabanlı karar destek sistemleri, pediatrik YZ uygulamaları ve deneysel veya henüz klinik uygulamalarda kullanılmayan robotik sistemler incelenmemiştir. Bu sınırlamalar, kaynakların dağıtımına odaklanmak ve klinisyenlere uygun bir ortam oluşturmak içindir. Bununla birlikte, KBB'de birçok YZ çalışması şu anda tek merkezli, retrospektif ve prospektif klinik etki göstergeleri (hasta güvenliği, yaşam kalitesi, komplikasyon ve zaman-kazanç) ile sınırlıdır. Sonuç olarak, "ne biliyoruz", "neye dikkat etmeliyiz" ve "hangi kanıt eksik" soruları bölüm boyunca vurgulanacaktır. YZ, klinikte uygun veri yönetimi, düzenleyici uyum, insan-denetimli karar verme ve sürekli performans izleme ile kullanılabilir (3). Sağlık Bilimlerinde Yapay Zeka: Kanıta Dayalı Uygulamalar Rehberi klinisyen ve akademisyen okuyucuya şu katkıları hedefler: (i) KBB’de YZ’nin son 5 yıldaki (Şubat 2021–Şubat 2026) başlıca klinik uygulamalarını kanıta dayalı biçimde özetlemek; (ii) çalışmaları “model doğruluğu” ötesinde dış doğrulama, yanlılık (bias), insan–YZ etkileşimi, düzenleyici çerçeve ve hasta sonuçları boyutlarıyla değerlendirmek; (iii) kurum içi uygulama için pratik bir yol haritası sunmak.

    Bu yaklaşım, YZ karar destek çalışmalarının erken klinik değerlendirmesinde şeffaf raporlamayı amaçlayan çerçevelerle uyumludur.

    1.4 Kilometre Taşları

    YZ'nin KBB uygulamasında nasıl geliştiğini anlamak için bazı yöntemsel ve uygulamaya dönük dönüm noktalarına dikkat çekmek gerekir: KBB literatüründe “kilometre taşı” niteliği en yüksek çalışmalar genellikle üç özelliği birlikte taşır: (i) Klinik ortamdan toplanmış büyük ve çeşitlenmiş veri, (ii) Dış doğrulama veya gerçekçi test senaryosu, (iii) Klinik iş akışına entegrasyon (gerçek zamanlı çalışma, mobil/POC uygulama, kullanıcı arayüzü, klinisyenle karşılaştırma) Otoskopi/otoendoskopi alanında 2019 tarihli büyük veri çalışması, klinikte çekilmiş 10 bini aşan otoendoskopik görüntüyle çok sınıflı tanı performansını göstermiş; ayrıca performansın “ortalama KBB uzmanı” düzeyine yaklaşabildiğini vurgulayarak klinik uygulanabilirlik tartışmasını hızlandırmıştır (4). Laringoloji tarafında 2020’de yayımlanan çok merkezli açık veri seti yaklaşımı, farklı merkezlerden ve cihazlardan gelen larenks yüksek hızlı video endoskopi kareleriyle karşılaştırılabilir (benchmark) geliştirmeyi mümkün kılmıştır. Bu tür veri setleri, KBB’de YZ’nin “tek merkezli/tek cihazlı” dar genellenebilirlik sorununa doğrudan yanıt niteliğindedir (5). 2022’de akıllı telefon üzerinde çalışan (edge) bir karar destek yaklaşımının orta kulak hastalıklarında hem çok sınıflı tanı hem de klinik deneyim düzeylerine göre hekimlerle karşılaştırma sunması, YZ’nin KBB’de “tele-tıp/uzaktan triyaj” için pratik değerini somutlaştırmıştır. Aynı çalışmada eğitim anketi üzerinden genel pratisyen, asistan ve KBB uzmanı ile karşılaştırmalı doğruluk raporlanması, klinik bağlamı güçlendiren bir unsur olarak öne çıkar (6). Rinoloji ve baş-boyun onkolojisi kesişiminde, nazofarenks endoskopisinde gerçek zamanlı nazofarenks kanseri (NPC) saptama çalışmaları, YZ’nin yalnızca “görüntü sınıflama” değil, biyopsi yönlendirmeye kadar uzanan işlevlerde değerlendirilebileceğini göstermiştir. Çok merkezli kurgu ve dış test performansının raporlanması, bu hattı “geliştirme prototipi” olmaktan çıkarıp klinik çeviri tartışmasına taşır (7).

    1.5 Hekim-Sistem Etkileşimi ve Klinik Güvence Mekanizmaları

    Yapay zekâ (YZ) sistemlerinin klinik iş akışına güvenli ve sürdürülebilir biçimde entegre edilebilmesi için, hekimin karar verme yetisini destekleyen ancak hiçbir aşamada tamamen ikame etmeyen bir kullanım modeli benimsenmelidir. Bu yaklaşımda, YZ çıktıları klinik kararın yerine geçmekten ziyade, karar sürecini yapılandıran ve şeffaflaştıran bir destek unsuru olarak konumlandırılmalıdır. Kullanıcı arayüzlerinde modelin kararına eşlik eden belirsizlik ya da güven puanlarının açık biçimde sunulması, hekimin çıktıyı bağlamsal olarak değerlendirmesine olanak tanır; düşük güven düzeylerine sahip sınıflamaların görsel veya metinsel uyarılarla belirtilmesi otomasyon yanlılığını azaltabilir. Özellikle nadir veya yüksek riskli klinik durumlarda, YZ’nin önerilerinin doğrudan uygulanması yerine zorunlu klinik onay adımlarının tanımlanması ve sistemin tek başına otomatik karar vermesinin engellenmesi hasta güvenliği açısından kritik önemdedir. Buna ek olarak, hekimlerin karar destek sistemlerine aşırı güven geliştirmesini önlemek amacıyla düzenli farkındalık eğitimleri ve senaryo temelli uygulamalar yapılmalı; YZ çıktılarının güçlü ve zayıf yönleri mesleki eğitim sürecine entegre edilmelidir. Klinik sorumluluğun nihai olarak hekimde kalmasını sağlamak için, model kararlarının gerekçeli biçimde geçersiz kılınmasına (override) imkân tanıyan mekanizmalar oluşturulmalı ve bu müdahaleler kayıt altına alınmalıdır. Tüm süreç boyunca YZ kullanımının sistematik olarak izlenmesi, model önerileri ile klinik kararlar arasındaki uyumun ve sapmaların düzenli auditlerle değerlendirilmesi, olası hataların nedenlerini geriye dönük olarak analiz etmeyi mümkün kılar. Son olarak, yeni geliştirilen YZ uygulamalarının rutine alınmadan önce gerçek klinik ortamda, gerçek kullanıcılarla prospektif kabul testlerine tabi tutulması hem performansın hem de kullanıcı memnuniyetinin ölçülmesi, klinik güvence zincirinin tamamlayıcı bir unsurudur. KBB’de YZ literatüründe sık görülen bir sorun, model performansının yüksek gibi görünmesine rağmen klinik kullanımda sınırlı kalmasıdır. Bunun temel nedenleri arasında; veri setinin temsili olmaması, dış doğrulamanın yapılmaması, seçilim yanlılığı, raporlama eksikleri ve klinik iş akışındaki insan etkileşiminin (hekim–YZ iş birliği) yeterince ele alınmaması sayılabilir. Erken klinik değerlendirme ve raporlama standartları bu “çeviri boşluğunu” kapatmayı hedefler (8). DECIDE-AI, YZ tabanlı karar destek sistemlerinin “erken aşama” klinik değerlendirmesinde (çoğu kez küçük ölçekli, keşif niteliğindeki çalışmalar) ne raporlanması gerektiğini tarif eder: gerçek klinik performans, güvenlik, kullanılabilirlik ve insan faktörleri gibi unsurların raporlanmasını öne çıkarır. Bu vurgu özellikle KBB polikliniklerinde (otoskopi/nazal endoskopi/laringoskopi gibi hızlı karar ortamlarında) önemlidir (3). TRIPOD+AI, regresyon veya makine öğrenmesiyle kurulan klinik tahmin modellerinde raporlamayı birleştirir ve TRIPOD 2015’in yerini alacak şekilde güncellenmiş kontrol listesi sunar. KBB’de örneğin (i) cerrahi sonrası sonuç tahmini, (ii) işitme kaybı riski/seyir, (iii) baş-boyun kanserinde yanıt-prognoz gibi tahmin modellerinde “neyin raporlanacağı” açısından üst standardı temsil eder (9). PROBAST+AI, tahmin modeli çalışmalarında yanlılık riski ve uygulanabilirliği yapılandırılmış biçimde değerlendirmek için güncellenmiştir. KBB’de özellikle tek merkezli retrospektif veriyle geliştirilen modellerde “yanlılık/uygulanabilirlik” tartışmasını sistematikleştirir (10). FUTURE-AI, güvenilir ve sahaya taşınabilir YZ için uluslararası uzlaşı rehberidir. KBB’de sahaya taşınan YZ’nin; klinik değer, güvenlik, adalet, açıklanabilirlik, sürdürülebilirlik ve iş akışına entegrasyon gibi boyutlarda ele alınmasını teşvik eder (11). Bu standartların pratik önemini gösteren örneklerden biri, ses kayıtlarından vokal kord paralizisi taramaya yönelik çalışmalarda kayıt süresi ve ses şiddeti gibi veri toplama ayrıntılarının modele “yanlış ipucu” sağlayabileceğini ve klinisyen karşılaştırmalarının bu tür yanlılıkları görünür kılabileceğini göstermesidir. Bu tür bulgular, KBB’de YZ değerlendirmesinde sadece “AUC” değil, veri üretim sürecinin ve yanlılık kaynaklarının da raporlanmasının neden kritik olduğunu somutlaştırır (12).

    Şekil 1. KBB’de YZ’nin “kanıttan uygulamaya” ilerleme hattı ve ilgili raporlama araçları Şekil 1. KBB’de YZ’nin “kanıttan uygulamaya” ilerleme hattı ve ilgili raporlama araçları

    2. Otoloji

    Otoloji alanında YZ, özellikle görüntü işleme, işitme testi analizi ve işitme cihazı uyarlama alanlarında öne çıkmaktadır. Görüntü sınıflandırma, işitme eşiklerinin tahmini ve cihazların kişisel işitme gereksinimlerine göre optimizasyonu gibi uygulamalarda kullanılır.

    2.1 Görüntü Tanı Uygulamaları

    Otolojide YZ'nin en gelişmiş kullanım alanlarından biri, otoskopi veya otoendoskopi görüntülerinden orta kulak patolojilerini sınıflandırmadır. Son zamanlarda yapılan araştırmalar, modelin iç testlerde yüksek performans gösterebildiğini göstermiştir. Ancak, farklı cihaz/konum/coğrafya verilerinde performansının önemli ölçüde düşebileceğini göstermiştir. Örneğin, 2023 tarihli çok-kaynaklı bir çalışmada (otoskopi görüntüleri kullanan Türkiye, Şili ve ABD kohortları), iç performansın ortalama AUC'sı 0,95 idi, ancak diğer kohortlar birleştirildiğinde AUC yine 0.76 idi. Bu sonuçlar, demografik, cihaz ve çekim koşullarındaki çeşitliliğin genellenebilirliği belirlediğini göstermektedir (13). Benzer şekilde, 2021'de otit medya sınıflandırmasında "deep metric learning" yaklaşımıyla ~%85 doğruluk düzeyleri raporlandı. Bununla birlikte, bulanıklık, serumen ve görüntü kalitesi değişkenliği gibi pratik sorunlar performansı sınırladı (14). YZ, otolojide "sınıflandırma" ile sınırlı değildir. Nicel ölçüm ve 3B rekonstrüksiyon yaklaşımları son beş yılda öne çıkan diğer yönlerdir. Örneğin, Structure-from-Motion (SfM), kısaca "ardışık görüntülerden kamera hareketi ve 3B yapı çıkaran fotogrametri tekniği" olarak tanımlanan bir teknik kullanılarak kulak yolu ve timpanik membran perforasyonlarının 3 boyutlu rekonstrüksiyonuna yönelik çalışmalar 2025 yılında pediatrik ORL literatüründe yayınlandı. Bu tür yöntemler, perforasyon boyutu ve alanı gibi parametrelerin daha objektif bir şekilde izlenmesine yardımcı olabilir (15). Klinik etki ve hasta güvenliği açısından bakılırsa, Otoskopi tabanlı YZ sistemleri, özellikle birinci basamakta "normal-anormal" ayrımı ve triyaj için caziptir; ancak dış doğrulamada performans düşüklüğü, yanlış negatif/pozitiflerin hasta güvenliğini tehdit edebilir. Sonuç olarak, otoloji YZ'lerinde çok merkezli veri, dış doğrulama ve insan-onayı (insan-in-the-loop) olmadan klinik kullanım önerilmez. Bu yöntem, KBB'deki görüntü tabanlı YZ eğilimiyle de uyumludur (2).

    2.2 İşitme Testi Analizi

    Odyolojide YZ iki ana soruna odaklanır: testin otomasyonu (daha hızlı ve erişilebilir odyometri) ve sonuçların otomasyonu (odyogramların sınıflandırılması, konuşma odyometrisi öngörüsü vb.). Dijital/otomatik işitme değerlendirmelerine dair 2022 tarihli kapsamlı bir derlemede, ML tabanlı yaklaşımların daha az deneme ile eşik belirleme yeteneğine sahip olduğu, mobil cihazlara erişimi artırma yeteneğine sahip olduğu ve tele-sağlık senaryolarını destekleme yeteneğine sahip olduğu bildirildi (16). Daha yeni araştırmalar, 2024'te makine öğrenimi tabanlı otomatik kemik yolu odyometrisi kullanan araştırmacılar tarafından yapılmıştır. Bu çalışmalar, klasik yöntemlerle karşılaştırıldığında, test-tekrar testlerin güvenilirliğinin klinik düzeyde kabul edilebilir olduğunu göstermiştir. Bu tür sistemler, test standartlarını ve personel bağımlılığını azaltabilir (17). Odyogram yorumlama tarafında ise 2025'e kadar yayınlanan yayınlarda, görüntü tabanlı derin öğrenme ile işitme kaybı tipinin (iletim, sensörinöral ve mikst) otomatik sınıflandırılmasının mümkün olduğu ve test setlerinde yüksek doğruluklar (çoğu çalışmada daha fazla %90) olduğu bildirildi (18). Hasta odaklı anlam: Odyometri ve yorumlamanın otomasyonu, özellikle uzman erişiminin sınırlı olduğu yerlerde tanı sürecini hızlandırabilir ve erken yönlendirmeyi destekleyebilir. Bununla birlikte hem ev hem de uzaktan testlerde kalite, çevresel gürültü, cihaz kalibrasyonu ve kullanıcı uyumu gibi faktörlerden etkilenir. Bu nedenle, otomatik sistemlerde "kalite gözetimi" (örneğin, ortam gürültüsü belirleme ve testin başarısız olduğunu bildiren uyarılar) çok önemlidir (16).

    2.3 Rehabilitasyon ve Cihaz Destekleri

    Otolojide, YZ'nin hasta sonuçlarına en belirgin şekilde katkıda bulunduğu alanlardan biri, işitme cihazlarında derin öğrenme tabanlı gürültü yönetimi ve konuşma anlaşılırlığının iyileştirilmesidir. 2024'te küçük örneklemli bir klinik değerlendirmede, DNN tabanlı bir gürültü azaltma programının cümle anlama skorlarını 20 ila 32 puan artırabildiği ve tezgâh (bench) analizlerinde 4 ila 5 dB'lik bir SNR iyileşmesi ile bağlantılı olduğu gösterilmiştir. Rapor, örneklem büyüklüğünün küçük olması nedeniyle daha geniş çalışmaların gerekli olduğunu belirtir; bu iyileşme, bazı durumlarda koklear implant adaylığı değerlendirmesini bile etkileyebilecek kadar büyük olabilir (19). 2023'te yayınlanan bir çalışmaya göre, derin öğrenme ve konuşma anlaşılırlığını artıran teknikler işitme cihazı kullanıcıları için önemli faydalar sağlayabilir (20). Yeni bir örnek olarak, DNN tabanlı dinleme programının, normal programdan %13,9 daha fazla kelime doğru tekrarı, 0,94 puan daha düşük dinleme eforu ve fonksiyonel SNR'de ~9 dB'lik bir artış ile ilişkili olduğu bildirilmiştir. Konuşma-gürültü görevi. Bu ölçütler (anlaşılırlık ve dinleme eforu) rehabilitasyonun "hasta tarafından hissedilen" etkisini doğrudan gösterir (21). Koklear implant (Kİ) alanında YZ, giderek artan biçimde sonuç öngörüsü ve kişiselleştirme için kullanılmaktadır. 2025’te yayımlanan bir çalışmada, Kİ sonrası konuşma tanıma sonuçlarını öngören bir ML modelinin MAE ≈ %17–18 düzeyinde performans gösterdiği ve deneyimli odyolog öngörüleriyle benzer doğrulukta olduğu raporlanmıştır. Bu tür modeller, hasta bilgilendirme, beklenti yönetimi ve rehabilitasyon planlamasında karar desteği sağlayabilir (22). İşitme cihazı/Kİ gibi cihaz-temelli müdahalelerde YZ, tanısal doğruluğun yanı sıra konuşma anlaşılırlığı, dinleme eforu ve yaşam kalitesi gibi sonuçlarla ilişkilendirildiğinde değerlenir. Bununla birlikte, endüstri destekli araştırmalarda çıkar çatışması, örneklem büyüklüğü ve genellenebilirlik gibi faktörler açıkça raporlanmalıdır. Kullanım sonrası gerçek yaşam performansı da izlenmelidir (19).

    3. Rinoloji

    Rinoloji, burun ve sinüs patolojilerine dair görüntü analizi ve cerrahi planlamalarda YZ’nin katkı sunduğu bir alandır.

    3.1 Endoskopik Görüntü Analizi

    Nazal endoskopi görüntülerinde polip, invert papillom, benign veya malign kitle ayırımı ve lezyon segmentasyonu, YZ'nin hızla gelişen alanıdır. 2024'te nazal endoskopi görüntülerinden "nazal polip-invert papillom ayrımı" hedefleyen derin öğrenme çalışmaları, bilgisayar destekli tanının klinik olarak zor ayırt edilen lezyonlarda umut verici olduğunu göstermiştir. Bununla birlikte, daha fazla veri ve prospektif doğrulama gereklidir (23). Polipozis için segmentasyon yaklaşımına örnek olarak, 2019–2022 arası endoskopi videolarından alınan görüntülerle eğitilen bir YOLOv8-seg modeli, doğruluk/geri çağırım ölçütlerinde yüksek değerlere ulaşmıştır (ör. doğruluk ~0.91, geri çağırım ~0.84; mAP50 ~0.95); bu tür sistemler, polip yükünün objektif olarak izlenmesini sağlar (24). Rinolojide fenotip/endotip tahmini, endoskopinin yanı sıra paranazal sinüs bilgisayarlı tomografisinde (BT) klinik kararları etkileyebilecek yeni bir alana kaymıştır. 2024'te kronik rinosinüzit-nazal polipli olgularda (CRSwNP) BT görüntülerinden "eozinofilik-non- eozinofilik" endotip tahmini yapan derin öğrenme çalışmaları yayınlandı. Bu yaklaşım, sistemik biyolojik tedavi seçimi, cerrahi sonrası nüks riski ve tedavi yoğunluğu gibi kararlarda etkili olduğu için klinik açıdan anlamlıdır (25). Nazofarenks gibi üst hava yolu endoskopilerinde YZ'nin "gerçek zamanlı" potansiyeli dikkat çekicidir. Çok merkezli veri kullanılarak oluşturulan bir model, nazofarenks endoskopisinde kanser odağını gerçek zamanlı olarak işaretleyebilecek hızlarda (video FPS'ini aşan çıkarım hızı raporlanmıştır) ve iç test performansından daha düşük olabilir. Bu, biyopsi yeri seçimi gibi önemli kararlarda dış doğrulamanın ne kadar önemli olduğunu yeniden ortaya koyuyor (26).

    3.2 Sinüs Cerrahisinde YZ Kullanımı

    Endoskopik sinüs cerrahisinde (ESS) YZ'nin bugünkü pratik değeri, çoğunlukla navigasyonun geliştirilmesi, cerrahi eğitimin desteklenmesi ve gelecekteki "bağlam-duyarlı uyarı sistemleri" için altyapı oluşturmasıdır. 2020'de yayınlanan prospektif randomize kontrollü bir çalışmada, artırılmış gerçeklik (AR) öğeleri içeren navigasyon yazılımı, cerrahlar tarafından daha iyi değerlendirilmiş ve daha fazla cerrahi adımda kullanılmış. Bununla birlikte, komplikasyon, operasyon süresi ve hastanın bildirimleri ile rehabilitasyon parametrelerinde anlamlı bir fark görülmemiştir. Bu sonuçlar, "kullanıcı deneyimi" faydalarının "hasta sonucu"na dönüştürülmesi için daha fazla kanıt gerektirdiğini göstermektedir (27). Eğitim ve Simülasyon tarafından 2024'te yapılan bir simülasyon çalışmasında, sanal olarak zenginleştirilmiş navigasyon (VASN) araçları (anatomik örtü, yakınlık uyarıları, dijital ölçümler ve YZ üretilmiş endoskopik bakış noktaları) sayısının azaldığı ve bazı teknik beceri ölçütlerinin ve sürelerin iyileştiği bildirildi. Bu, özellikle uzmanlık eğitiminde YZ/AR'nin dolaylı olarak hasta güvenliğini artırabileceğine dair bir kanıttır (28). Daha geniş düzeyde, endoskopik cerrahi videolarından cerrahi faz ve iş akışı tanıma alanı hızla genişlemektedir. 2025 tarihli sistematik derleme, "cerrahi süreç modelleme"de derin öğrenmenin bağlam-duyarlı sistemlere temel olabileceğini vurgular; ancak veri anotasyonunun yükü, yasal/etik sınırlamalar ve standardizasyon sorunlarının ölçeklemeyi zorlaştırdığını vurgular. Bu alan, ESS'de gerçek zamanlı olarak "yanlış bölgeye yaklaşma" uyarıları veya "kritik yapı yakınlığı" alarmları gibi klinik olarak çekici hedeflere odaklanmaktadır. Bununla birlikte, insan faktörleri değerlendirmesi ve çok aşamalı doğrulama, bunu güvenli kılmaktadır (29).

    4. Laringoloji

    Laringeal patolojilerin tanısı, ses analizi ve tedavi süreçlerinde YZ aktif rol oynamaktadır.

    4.1 Ses Bozukluklarının Tanısında YZ

    YZ uygulamaları laringolojide iki ana veri türüne dayanır: laringoskopi veya stroboskopi görüntüleri ve ses kayıtları. Görüntü tabanlı çalışmaların amacı, normal-anormal ayırımını, benign-malign ayırımını ve lezyonu belirlemektir. Örneğin, 2023'te esnek laringoskopi görüntülerinde derin öğrenmenin, çeşitli mimariler arasında karşılaştırmalar yapmak ve belirli durumlarda uzman hekim performansına yakın sınıflandırma yapma yeteneğine sahip olduğu bildirildi (30). Gerçek zamanlı lokalizasyon ve sınıflandırmayı hedefleyen bir derin öğrenme algoritmasının, laringeal karsinom tespiti gibi daha önemli bir kullanımda duyarlılık değerlerinin yaklaşık %70 düzeyinde raporlandığı ve poliklinik akışına uygun hızlarda çalışabildiği gösterilmiştir (7).

    Ses analizi tarafından 2024'te yayınlanan bir çalışma, larenks kanseri, benign mukozal hastalıklar ve vokal kord paralizisi gibi durumları sağlıklı seslerden ayırabilen bir YZ modeline 0.85 ila 0.97 doğruluk verdi. Bu tür yöntemler, "erken belirti olan ses değişikliği" üzerinden tarama ve ön değerlendirme şansını artırsa da gerçek klinik fayda için yanlış negatif riskin titizlikle yönetilmesi gerekir (31). Kanıtın bütününe bakıldığında, 2024 tarihli sistematik derleme ve meta-analiz, YZ destekli endoskopinin laringeal lezyonlarda benign- malign ayırımında yaklaşık %91 duyarlılık ve lezyon-sağlıklı doku ayırımında yaklaşık %94 doğruluk gibi toplu tahminler göstermiştir. Bu meta-analiz, daha kapsamlı prospektif çalışmaların gerekliliğini açıkça ortaya koyuyor (32).

    4.2 Ses Terapisi ve YZ Tabanlı İzlem

    YZ'nin ses terapisi ve izlemdeki rolü, yalnızca "tanı" ile sınırlı değildir; kişiselleştirilmiş rehabilitasyon, tedaviye uyum ve uzaktan takip. Bu alanda tele rehabilitasyon ve veri güdümlü izlem temelli çalışmalar hızla artıyor olsa da doğrudan "YZ tabanlı terapinin" büyük randomize kanıtı sınırlıdır. Örneğin, 2024'te disfoni için tele rehabilitasyon programlarını değerlendiren bir çalışma, tedavi sonrası VHI-10 skorlarında önemli bir iyileşme olduğunu buldu. Bu, yalnızca tele rehabilitasyonun belirli durumlarda etkili olabileceği anlamına gelir. Bu nedenle, "uzaktan takip + objektif ölçüm" yaklaşımı klinik olarak daha uygundur (33). YZ, tedavi öncesi ve sonrası akustik parametrelerden (jitter, shimmer ve gürültü-harmonik oranı) terapi yanıtlarını tahmin etmek ve hangi hastanın egzersiz veya yoğunlukta daha iyi sonuçlar elde edeceğine dair karar vermede size yardımcı olur. 2025 yılında yapılan bir çalışmada, makine öğrenmesi tekniklerinin ses terapisi sonuçlarını öngörebileceği ve model açıklanabilirliği için SHAP benzeri tekniklerin kullanılabileceği belirtildi. Bu nedenle klinisyen, modelin "neden" belirli bir öngörüyü oluşturduğunu kısmen görebilir, bu da güven ve sorumluluk açısından kritiktir (34). Uygulamalı bir örnek olarak, bir hasta evde akıllı telefonla kısa ses örnekleri verir; sistemin akustik/makine öğrenimi aracılığıyla değişiklikleri (örneğin, gerginlik artışı veya fonasyon süresi düşüşü) işaretler veya bir klinisyenin tele kontrolde hijyen önerilerini veya egzersiz dozlarını günceller. Bu yaklaşım, akıllı telefon kayıtlarının klinik değerlendirme için kullanılabileceğini gösteren çalışmalarla da desteklenir (35).

    5. Etik, Güvenlik ve Mevzuat

    5.1 Veri Gizliliği ve Hasta Hakları

    Yapay zekâ (YZ) uygulamalarının etik, güvenli ve sürdürülebilir biçimde kullanılabilmesi, hasta gizliliğinin ve temel hakların korunmasını merkeze alan açık ve uygulanabilir önlemler gerektirir. Klinik uygulamalarda, YZ destekli herhangi bir sistem devreye alınmadan önce hastalardan bilgilendirilmiş onamın açık, anlaşılır ve gönüllü biçimde alınması esastır; bu onam sürecinde YZ’nin kullanım amacı, kapsamı ve olası riskleri net olarak belirtilmelidir. Kişisel sağlık verilerinin doğrudan tanınmasını engellemek amacıyla veri anonimleştirme veya uygun durumlarda pseudonimleştirme teknikleri uygulanmalı, kimliklendirici bilgiler klinik gereklilik olmadıkça işleme süreçlerinden ayrılmalıdır. Verilere erişim, yalnızca yetkilendirilmiş kullanıcılarla sınırlandırılmalı ve sistem yöneticisi, klinisyen ve araştırmacı gibi farklı kullanıcı profilleri için rol bazlı erişim kontrolleri tanımlanmalıdır. Buna ek olarak, veri minimizasyonu ilkesi benimsenerek yalnızca klinik karar veya araştırma amacı için zorunlu olan en az veri setinin toplanması ve işlenmesi sağlanmalıdır. Verilerin birden fazla kurumla paylaşılmasının gerektiği durumlarda, yazılı veri paylaşım sözleşmelerinin yapılması ve ilgili etik kurulların (IRB) ön onayının alınması zorunludur. Her sağlık kuruluşu, olası bir veri ihlali durumuna karşı önceden tanımlanmış bir acil yanıt planına ve net bir sorumluluk zincirine sahip olmalı; ihlallerin hızlı biçimde tespiti ve bildirilmesi güvence altına alınmalıdır. Ayrıca hastaların kendi sağlık verilerine erişme, bu verilerin düzeltilmesini talep etme veya hukuki çerçeve içinde silinmesini isteme hakları açıkça tanımlanmalı ve pratik olarak kullanılabilir mekanizmalarla desteklenmelidir. Tüm bu uygulamalar, Türkiye’de Kişisel Verilerin Korunması Kanunu (KVKK) ve uluslararası düzeyde Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR) gibi düzenlemelerle uyumlu olacak şekilde yapılandırılmalı; böylece hasta hakları ve etik uyum korunurken, klinik karar destek sistemlerinin güvenli ve sorumlu kullanımı sağlanmalıdır.

    5.2 Önyargı ve Adalet Sorunları

    Klinik güvenlik ve hasta hakları için YZ sistemlerinin adil ve eşitlikçi çalışması çok önemlidir. Adaleti sağlamanın ilk adımı, veri setlerinde cihaz bazlı, demografik ve coğrafi dağılımın şeffaf bir şekilde açıklanmasıdır. Örneğin, model eğitimi için kullanılan verilerin yaş, cinsiyet, etnik köken ve cihaz türü gibi değişkenlere göre yeterince temsili olup olmadığı değerlendirilmelidir. Alt grup duyarlılığı, alt grup AUC ve eşitlenmiş olasılıklarla alt gruplarda modelin performansının karşılaştırmalı olarak raporlanması önerilir. Veri dengesizliği durumlarında adaleti teknik düzeyde desteklemek için yeniden örnekleme, ağırlıklandırma, alan uyarlama ve kalibrasyon gibi teknik yaklaşımlar kullanılabilir. Dış doğrulama ve zaman içinde performansın korunmasına yönelik bağımsız izleme mekanizmaları da belirlenmelidir. Veri sayfaları ve model kartları kullanılarak modellerin sınırlamaları, veri kaynakları ve performans özellikleri açıkça kaydedilmelidir. Bu belgeler hem düzenleyici kurumlar hem de kullanıcılar için daha açıktır. Sorumlu AI yaklaşımı, klinik ortamda uygulanmadan önce, hasta ve paydaşların katılımı ile oluşturulan modellerin etik denetimden geçirilmesini gerektirir. Önyargıların ortadan kaldırılması ve eşit sağlık hizmetlerinin sağlanması için bu önlemler çok önemlidir.

    5.3 Olası Zarar Senaryoları

    KBB'de YZ'nin zarar verme potansiyeli sadece "teknik hata" ile sınırlı değildir; klinik süreçteki etkileşim önemlidir.

    • Yanlış negatif veya yanlış pozitif: Larengeal maligniteyi kaçırma (yanlış negatif) gecikmiş tedaviye; nazal kitleyi yanlış “malign” işaretleme (yanlış pozitif) gereksiz biyopsi/anksiyeteye yol açabilir. Bu nedenle eşik seçimi klinik riskle uyumlu olmalı; “belirsiz” çıktılarda hekim onayı zorunlu tutulmalıdır (32).
    • Model drift (zamanla bozulma): Görüntü cihazları, hasta profili, protokol değişiklikleri veya prevalans değişiklikleri performansı düşürebilir. Klinik tıpta zamansal veri kaymasıyla performans korunmasına ilişkin sistematik derlemeler, kalibrasyon hatalarının sıklıkla meydana geldiğini ve izlem/yeniden eğitim prosedürlerinin gerekli olduğunu ortaya koymaktadır (36).
    • Otomasyon yanlılığı veya otomasyon yanlılığı: Klinik ekip YZ önerilerine aşırı güvenebilir ve bu da kendi değerlendirmelerini zayıflatabilir. YZ tabanlı karar destek sistemlerinin zarar görme potansiyelinin önemli bir bileşeni bu risktir (37).
    • Siber güvenlik ve karşıt saldırılar: Küçük bozunmalar tıbbi görüntü modellerini yanlış sınıflandırabilir, bu da hasta güvenliğini tehdit edebilir (38). Bu durumlarda, klinik kullanımdan önce siber güvenlik testleri, uygulama sırasında sürekli izlem, hata bildirimi/olay yönetimi ve harici doğrulama yapılmalıdır. Bu yöntem aynı zamanda "toplam ürün yaşam döngüsü" (TPLC) temelli bir düzenleyici yaklaşımla uyumludur (39).

    5.4 Klinik Sorumluluk

    YZ, klinikte genellikle "karar destek" rolündedir, ancak çoğu durumda nihai klinik karar sorumluluğu hekim veya kurum üzerindedir. Sonuç olarak, sorumluluğu netleştiren bir insan- in-the-loop protokolü önerilir:

    1. Modelin sonuçları kanıt olarak veya öneri olarak sunulur.
    2. Model, mümkünse çıktıya bir güven düzeyi ve açıklanabilirlik haritası (örneğin, resimdeki dikkat odağı) ekler.
    3. Klinisyen, model önerisini testler, görüntüler ve klinik muayeneler yoluyla doğrular ve çelişki varsa gerekçeyi kaydeder.
    4. Malignite şüphesi gibi kritik eşiği aşan durumlarda, ikinci kıdemli onay, ek test veya biyopsi kararı gibi güvenlik önlemleri uygulanır.
    5. Sistemin performansı, örneğin yanlış sınıflandırmalar ve sürüş, sık sık raporlanır ve gerekirse model güncellenir. DECIDE-AI, insan faktörleri ve canlı klinik bağlamda güvenlik değerlendirmesini özellikle vurgular. Bu, KBB'de "gerçek zamanlı endoskopi desteği" gibi kullanım senaryoları için örnektir. Erken klinik uygulama çalışmalarının raporlanmasına yönelik olarak kullanılır (3). KBB alanında YZ sistemlerinin klinik kullanımı, insan denetimi ve açık sorumluluk dağılımı gerektirir. Klinik sorumlulukların YZ destekli sistemler bağlamında açık ve işlevsel biçimde tanımlanması, hasta güvenliği ve mesleki etik açısından temel bir gerekliliktir. Bu çerçevede, karar noktalarında insan-onayı esası benimsenmeli; modelin “yüksek risk” veya “düşük güven” düzeyinde bir sonuç ürettiği durumlarda otomatik çıktılar geçici olarak durdurularak nihai tanı ya da yönlendirme kararının yalnızca yetkin bir uzman hekim veya odyolog tarafından verilmesi sağlanmalıdır. Klinik iş akışı içinde rol tabanlı sorumluluklar net biçimde ayrıştırılmalıdır: YZ destekli tarama veya ön değerlendirme süreçleri, bu alanda eğitim almış sağlık personeli ya da klinik teknisyenler tarafından yürütülebilirken; son tanı koyma ve tedavi planının oluşturulması sorumluluğu mutlaka ilgili uzman hekime (örneğin KBB uzmanı veya odyolog) ait olmalıdır. Veri yönetimi ve güvenliği ise sağlık kurumu bünyesinde bu alanda yetkilendirilmiş, veri koruma veya bilişim güvenliği görevlerini yürüten kişiler tarafından üstlenilmelidir. Yanlış sınıflandırma ve sistem hatalarına karşı, yanlış pozitif veya yanlış negatif sonuçları izleyen sürekli bir kalite izleme mekanizması kurulmalı; belirli eşiklerin aşılması halinde sistem geçici olarak devre dışı bırakılarak klasik klinik değerlendirme süreci başlatılmalıdır. Bu sürecin etkinliği, kullanıcı geri bildirim modülleri, olay kayıtları ve yapılandırılmış hata takip sistemleri ile desteklenmelidir. Son olarak, sorumluluk sigortası ve mesleki yükümlülükler bağlamında hekimlerin YZ’yi karar verme sürecinde bir destek aracı olarak kullandığı açıkça tanımlanmalı; yerel mevzuat ve mesleki etik ilkeler doğrultusunda sorumluluğun paylaşımına ilişkin çerçeve netleştirilmelidir. Bu kapsamda bilgilendirilmiş onam formları, YZ sistemlerinin kullanımına ilişkin açık bilgilendirmeleri içermeli ve hastanın bu sürece onay verdiğini belgelemelidir.

    5.5 Regülasyon ve Politikalar

    Yapay zekâ (YZ) uygulamalarının klinik kullanımı, ulusal ve uluslararası düzenleyici çerçevelerle tam uyum içinde yürütülmelidir ve bu gereklilikler KBB alanı için de doğrudan geçerlidir. Türkiye’de YZ tabanlı yazılımlar, T.C. Sağlık Bakanlığı Türkiye İlaç ve Tıbbi Cihaz Kurumu (TİTCK) tarafından denetlenmekte; Avrupa Birliği’nde AB Tıbbi Cihaz Regülasyonu (MDR 2017/745) kapsamında, Amerika Birleşik Devletleri’nde ise FDA tarafından “Software as a Medical Device (SaMD)” çerçevesinde değerlendirilmektedir. Klinik kullanım için gerekli onay ve sertifikasyon süreçlerinde, yazılım yaşam döngüsünün IEC 62304 standardına uygun biçimde yönetilmesi, kalite yönetim sistemi açısından ISO 13485 gereklerinin karşılanması ve risklerin tanımlanması, azaltılması ve izlenmesi için ISO 14971 standardına uygun risk yönetimi süreçlerinin oluşturulması zorunludur. Buna ek olarak, hasta verilerinin gizliliğini ve sistem güvenliğini sağlamak amacıyla ISO/IEC 27001 standardı kapsamında bilgi güvenliği yönetim sistemleri uygulanmalıdır. Veri koruma yükümlülükleri açısından Türkiye’de Kişisel Verilerin Korunması Kanunu (KVKK) ve Avrupa Birliği Genel Veri Koruma Tüzüğü (GDPR) temel hukuki dayanakları oluşturur; bu kapsamda bilgilendirilmiş onam alınması, verilerin anonimleştirilmesi veya pseudonimleştirilmesi, erişim kontrollerinin sağlanması ve olası veri ihlallerine yönelik müdahale planlarının tanımlanması gereklidir. Klinik değerlendirme aşamasında YZ sistemlerinin prospektif veya retrospektif çalışmalarla klinik geçerliliğinin gösterilmesi beklenirken, kullanım sonrasında güvenlik ve performansın izlenmesi amacıyla post-market gözetim ve kullanıcı geri bildirimlerine dayalı izleme mekanizmaları kurulmalıdır. Uyum ve sorumluluk süreçleri ise kurum içi görev tanımları, veri yönetimi, karar denetimi ve sorumluluk sigortası gibi unsurları kapsamalı; YZ sistemlerinin klinik iş akışına entegrasyonunda mutlaka “insan-in-the-loop” ilkesi benimsenmelidir. Klinik kullanımın etik kurul onayı ve yapılandırılmış uyum kontrol listeleri ile düzenli olarak denetlenmesi, hasta güvenliği ve hukuki sorumlulukların netleşmesini sağlar. Bu bağlamda yazılımın cihaz sınıfının belirlenmesi, ilgili IEC ve ISO belgelerinin mevcut olması, klinik doğrulama verilerinin planlanması, KVKK/GDPR uyumunun sağlanması ve klinik sorumluluk zincirinin açıkça tanımlanması temel kontrol başlıklarını oluşturur. KBB alanında geliştirilen YZ uygulamaları, bu teknik, hukuki ve etik gereklilikleri karşıladığı ölçüde klinik etkinlik ve hasta güvenliği açısından sürdürülebilir biçimde kullanılabilir. Türkiye’de KBB uygulamalarına yönelik araştırmalar genellikle sınırlı sayıda merkezin verisiyle yapılmış olup, yerel veri kümeleri hâlâ sınırlıdır. Örneğin, henüz ulusal düzeyde paylaşılmış büyük bir KBB görüntü veri seti bulunmamaktadır; mevcut çalışmalar genellikle tek merkezli retrospektif analizlerden oluşur. Bu nedenle uluslararası çerçeveler, Türkiye’de yerel koşullara uyarlanırken bazı ilave hususlar dikkate alınmalıdır. TİTCK’nin tıbbi cihaz düzenlemeleri ve KVKK başta olmak üzere ulusal düzenleyici gereklilikler, Türkiye’deki YZ uygulamaları için uyum kriterleridir. Uluslararası kılavuzlar (ör. TRIPOD+AI, FUTURE-AI), Türkiye’de uygulanırken E-Nabız gibi mevcut sağlık bilişim altyapıları, veri koruma yasaları (KVKK/GDPR) ve klinik süreçler göz önüne alınmalıdır. Örneğin TRIPOD+AI raporu, bulgu sunumunda farklı klinik grupların (yaş, cinsiyet, cihaz) alt grup analizini zorunlu kılar; Türkiye bağlamında bu, yerel demografiyi yansıtan verilerle desteklenmelidir. FUTURE-AI rehberi ise güvenilir sahaya geçiş için etik ve yönetim süreçlerine vurgu yapar ki, bu da KVKK/GDPR uyumu, denetim izi (audit log) ve klinisyenlerle iş birliğini kapsamalıdır. Yerel uygulama zorlukları arasında YZ modeli eğitiminde kullanılan etiketli verilerin sınırlılığı, uzman değerlendirme gereksinimi ve EHR entegrasyon zorlukları sayılabilir. Bu noktada DECIDE-AI’in erken klinik değerlendirmeye ilişkin önerileri (insan faktörleri, güvenlik, kullanılabilirlik raporlaması) yol göstericidir. Örneğin, Türkiye’de yeni bir otoskopi triage sistemi geliştirilirken, deneysel bir pilot uygulama ile DECIDE-AI tarafından öngörülen “erken aşama” performans, güvenlik ve kullanıcı memnuniyeti test edilmelidir. PROBAST+AI kılavuzu ise, Türkiye’deki tek merkezli çalışmalarda ortaya çıkabilecek seçim yanlılıklarının tanımlanması için şablon sunar. Sonuç olarak, uluslararası rehberler ve örnek çalışmalar Türkiye şartlarına adapte edilmelidir: Farklı merkezlerden gelen verilerle eksternal doğrulama ve yerel klinik deneyimlerin raporlanması teşvik edilmeli; ulusal mevzuat ve sağlık sisteminin olanakları gözetilerek YZ uygulamaları tasarlanmalıdır. Bu sayede TRIPOD+AI ve FUTURE-AI gibi küresel standartlar, Türkiye’nin klinik karar destek sistemlerine sorumlu bir şekilde entegre edilebilir.

    Geri ödeme ve sağlık teknolojisi değerlendirmesi: AI ve dijital sağlık araçlarının yaygınlaşması için geri ödeme önemlidir. National Institute for Health and Care Excellence'in dijital sağlık teknolojileri için kanıt standartları çerçevesi 2022'de AI ve adaptif algoritmaları kapsayacak şekilde güncellendi. Bu güncelleme, ekonomik ve klinik kanıt üretimini içerecek (40). Sağlıkta AI'nin maliyet-etkinliğine ilişkin 2025 tarihli bir sistematik derleme, bazı alanlarda maliyet azalması ve QALY kazanımı olduğunu, ancak altyapı maliyetleri ve eşitlik boyutu hakkında çok fazla bilgi verilmedi. Bu nedenle geri ödeme konusu, yalnızca yazılım lisansı değil, aynı zamanda bakım, entegrasyon ve izlem masraflarını da içermelidir (41).

    6. Klinik Entegrasyon ve Uygulama Adımları

    YZ sistemlerinin KBB pratiğine entegrasyonu, teknolojik başarımı ve klinik iş akışı için nasıl uyarlandığını içerir. Bu bölüm, otoskopi triyajına, otomatik odyometriye, cerrahi navigasyona ve rehabilitasyon cihazlarına entegre olan YZ yazılımlarının klinik iş süreçlerini nasıl etkilediği hakkında bilgi verir.

    6.1 Klinik İş Akışına Etkileri

    Yapay zekâ destekli uygulamaların klinik iş akışına entegrasyonu, özellikle otoskopi triyajı, otomatik odyometri, cerrahi navigasyon ve rehabilitasyon cihaz yazılımları gibi alanlarda hasta yönetimini çok aşamalı biçimde etkilemektedir. Otoskopi triyajında etki alanı; hastanın ilk başvurusu, görüntülerin standart biçimde toplanması, ön değerlendirme, triyaj kararı ve uygun uzmana yönlendirme süreçlerini kapsar. Bu tür sistemlerden beklenen temel faydalar arasında, ilk başvurudan tanıya kadar geçen sürede ortalama iki günlük bir kısalma ve gereksiz uzman sevklerinde yaklaşık %25’e varan azalma yer almaktadır. Klinik kabul kriteri olarak, elde edilen görüntülerin en az %80 doğrulukla sınıflandırılması beklenir; ayrıca hasta bilgi sistemleri (HIS) ile entegre edilebilen mobil veya web tabanlı yazılımlar ve uyumlu otoskop cihazlarıyla eşleştirilebilirlik teknik bir gereklilik olarak öne çıkar. Klinik sorumluluk dağılımında “insan-in-the-loop” yaklaşımı benimsenerek nihai kararın hekimde kalması sağlanmalı; düşük güven skorlarında sistemin uyarı üretmesi zorunlu olmalıdır. Bu süreçlerin etkinliği, aylık %5’in altında yanlış negatif oranı, kullanıcı memnuniyetinin en az 4/5 düzeyinde olması ve uzman onay oranının %90’ın üzerinde seyretmesi gibi performans göstergeleri (KPI) ile izlenebilir. Otomatik odyometri uygulamalarında ise etki alanı, işitme testlerinin planlanması, otonom test yürütülmesi, otomatik raporlama ve uzman onayı aşamalarını içerir. Bu sistemlerin teknik personel iş yükünü yaklaşık %40 azaltması ve test başına ortalama sekiz dakikalık zaman tasarrufu sağlaması beklenir. Klinik elektronik sağlık kayıtları (EHR) ile HL7 uyumlu veri aktarımı ve düzenli kalibrasyon kontrolü entegrasyonu zorunlu olup, anormal sonuçlarda otomatik yönlendirmenin durdurulması ve sonuçların mutlaka hekim tarafından onaylanması klinik güvenlik açısından gereklidir. İzleme göstergeleri arasında test tekrar oranlarının %10’un altında tutulması ve hekim raporu ile otomatik sonuçlar arasındaki uyumun en az %92 olması yer alır. Endoskopik sinüs cerrahisinde YZ destekli cerrahi navigasyon sistemleri, cerrahi öncesi görüntüleme, üç boyutlu modelleme ve gerçek zamanlı yönlendirme süreçlerinde rol oynar; bu uygulamaların ameliyat süresini yaklaşık 15 dakika kısaltması ve komplikasyon oranlarını %12 civarında azaltması beklenmektedir. Bu bağlamda PACS sistemleriyle uyumlu entegrasyon ve intraoperatif navigasyon altyapısının sağlanması gerekirken, cerrahın karar verme yetkisi korunmalı ve sistem yalnızca uyarıcı bir rol üstlenmelidir. İşlem süresi istatistikleri, operatör memnuniyeti ve komplikasyon oranlarının düzenli izlenmesi bu uygulamaların klinik değerini ortaya koyar. Rehabilitasyon cihaz yazılımları, özellikle akıllı işitme cihazlarında cihaz ayarlarının otomatik optimizasyonu, ortam algılama, kullanıcı etkileşimi ve geri bildirim toplama işlevleriyle öne çıkar; bu sistemlerin kullanıcı memnuniyetini artırması ve adaptif ayar süresinde yaklaşık %30’luk bir iyileşme sağlaması beklenir. Bluetooth bağlantısı, mobil kullanıcı uygulamaları ve uzaktan güncelleme yetenekleri teknik altyapının temel bileşenleridir; ayarlamalar uzman gözetiminde ve hastanın geri bildirimleri doğrultusunda sürdürülmelidir. Geri bildirim doğruluğu ve manuel ayar gereksinim oranları, bu sistemlerin performansını değerlendirmede kullanılabilir. Bu uygulamaların sahaya uyarlanabilirliğini göstermek amacıyla, birinci basamakta otoskopi triyaj yazılımının uygulanabilirliğini değerlendiren örnek bir pilot protokolde, yaklaşık 500 hastanın üç ay boyunca YZ destekli değerlendirme ile yönlendirilmesi planlanabilir; bu protokolde hassasiyetin %85’in üzerinde olması, kullanıcı memnuniyetinin %80’i aşması ve manuel müdahale ihtiyacının %10’un altında kalması temel başarı kriterleri olarak belirlenirken, aylık raporlar, uzman doğrulama oranları ve yanlış sınıflama nedenlerinin analizi ile süreç yakından izlenebilir.

    6.2 Uygulanabilirlik, Altyapı ve Maliyet

    Yapay zekâ (YZ) sistemlerinin klinik sahada etkin ve sürdürülebilir biçimde kullanılabilmesi için teknik altyapı, finansal gereklilikler ve operasyonel süreçlerin bütüncül olarak değerlendirilmesi gerekir. Asgari teknik altyapı açısından, klinik karar destek uygulamalarının güvenilir biçimde çalışabilmesi için NVIDIA T4 veya A100 düzeyinde GPU kapasitesi, yüksek hızlı SSD depolama birimleri ve en az 64 GB RAM önerilmektedir. Klinik bilgi sistemleriyle güvenli entegrasyonun sağlanabilmesi için yerel ağ altyapısının güçlendirilmesi veya VPN üzerinden güvenli erişim mekanizmalarının kurulması gereklidir; veri alışverişinde HL7 ve FHIR gibi standart ara katmanların kullanılması, birlikte çalışabilirlik açısından temel bir koşuldur. Veri etiketleme ve kalite kontrol süreçleri ise önemli bir zaman ve insan kaynağı gerektirir; örneğin bin görüntülük bir veri setinin etiketlenmesi için yaklaşık 30–50 saatlik uzman değerlendirmesi gerekebilir ve etiketleme hatalarını azaltmak amacıyla çift kör doğrulama yöntemleri tercih edilmelidir. Bakım, lisans ve toplam sahip olma maliyeti (TCO) değerlendirildiğinde, yazılım lisanslarının yıllık maliyetinin ortalama 10.000–50.000 ABD doları arasında değiştiği, sunucu ve altyapı bakım giderlerinin ise yıllık %10–15 düzeyinde ek yük oluşturduğu görülmektedir; donanım, yazılım ve bakım kalemleri birlikte ele alındığında ilk üç yıl için TCO’nun yaklaşık 80.000– 250.000 ABD doları aralığında olabileceği öngörülmektedir. Kurum içi çözümler ile bulut tabanlı çözümler karşılaştırıldığında, kurum içi sistemlerin daha yüksek başlangıç maliyeti ve yerel kontrol avantajı sunmasına karşın sınırlı ölçeklenebilirliğe sahip olduğu; bulut tabanlı çözümlerin ise abonelik modeli, yüksek ölçeklenebilirlik ve daha düşük başlangıç yatırımı sağlarken veri aktarımı ve güvenlik risklerinin dikkatle yönetilmesini gerektirdiği görülmektedir. Geri ödeme ve sürdürülebilirlik açısından, güncel durumda AI tabanlı tanı sistemleri için Sosyal Güvenlik Kurumu (SGK) kapsamında tanımlı bir geri ödeme mekanizması bulunmamakta; buna ek olarak lisanslama danışmanlığı, sertifikasyon süreçleri ve etik kurul başvuruları için 10.000–30.000 ABD doları arasında değişebilen yasal uyum maliyetleri ortaya çıkmaktadır. Bu nedenle uygulamaya geçiş öncesinde, donanım altyapısının yeterliliği, klinik iş akışına entegrasyonun mümkün olup olmadığı, kullanıcı eğitimi ve klinik kabulün tamamlanıp tamamlanmadığı, etik kurul ve yasal onayların alınıp alınmadığı ile performans izleme ve bakım planlarının oluşturulup oluşturulmadığını içeren kapsamlı bir uygulanabilirlik kontrol listesi kullanılmalıdır. Risk–maliyet analizi örnekleri, başlangıçta yaklaşık 100.000 ABD dolarlık bir yatırımın, iş yükünde %25’e varan azalma ve tanı süresinde belirgin kısalma sağlayarak orta vadede klinik ve operasyonel kazanımlar oluşturabileceğini göstermektedir; ancak modelin aşırı uyarlanması gibi riskler, mutlaka dış veri setleriyle karşılaştırma ve düzenli testlerle kontrol altına alınmalıdır. Bu altyapı ve maliyet değerlendirmeleri, karar vericilerin YZ uygulamalarını güvenli, etkili ve ekonomik biçimde klinik pratiğe aktarmasında belirleyici bir rol oynar.

    6.3 Kurumsal Zorluklar

    Kurumsal düzeyde en sık bariyerler:

    • Veri sahipliği ve paylaşımı: Çok merkezli veri iş birliği için sözleşmeler, etik onaylar ve KVKK uyumu.
    • Kalite ve regülasyon: Yazılımın tıbbi cihaz olarak sınıflandırılması, uygunluk değerlendirmesi, klinik doğrulama.
    • Sürdürülebilir performans: Model drift ve veri kaymasına karşı izlem/yeniden eğitim (36).
    • İnsan faktörleri: Eğitim, otomasyon yanlılığı, alarm yorgunluğu (37). Aşağıdaki tablo, KBB’de YZ’yi “pilot → rutin” çizgisine taşımak için pratik bir kontrol çerçevesi sunar.

    6.4 Seçilmiş uygulamalar ve klinik karşılığı

    Alt alanVeri türüKlinik görevTipik performans örnekleriKlinik anlam / sınırlılık
    OtolojiOtoskopi görüntüsüNormal–anormal ayrımıİç AUC ~0.95; dış kohort AUC ~0.76 (çok merkezli)Dış doğrulama ile genellenebilirlik sınanmalı; cihaz/çekim farklılığı kritik (13)
    OtolojiOtoskopi görüntüsüOtit media sınıflandırma~%85 doğruluk (çalışmaya göre)Serumen/bulanıklık gibi pratik engeller; kalite kontrol gerektirir (14)
    OdyolojiOdyometri (BC)Otomatik kemik yolu odyometriKonvansiyonel yöntemle benzer performansErişimi artırabilir; kalite gözetimi ve kalibrasyon şart (17)
    Rehabilitasyonİşitme cihazı sinyaliDNN gürültü azaltma4–5 dB SNR artışı; +20–32 yüzde puan cümle anlamaHasta açısından anlaşılırlık/efor kazanımı; daha büyük örneklem gerekli (19)
    RinolojiNazal endoskopiPolip segmentasyonumAP50 ~0.95 (pilot)Hasta sonucuna yansıma için prospektif doğrulama gerekir (24)
    RinolojiSinüs BTCRSwNP endotip tahminiDerin öğrenme ile eozinofilik/non-eozinofilik ayrımıTedavi kişiselleştirmesine aday; dış doğrulama zorunlu (25)
    LaringolojiLaringoskopiLezyon tespiti/benign-malignMeta-analizde endoskopi duyarlılığı ~%91Prospektif büyük çalışmalar eksik; yanlış negatif riski kritik (32)
    LaringolojiSes kaydıÇoklu larengeal hastalık sınıflandırmaDoğruluk 0.85–0.97 (çalışmaya göre)Tarama/ön değerlendirme için aday; klinik eşik ve sorumluluk net olmalı (31)

    6.5 Kurumsal uygulama için kısa kontrol listesi

    Aşağıdaki maddeler bir “pilot YZ projesi” için minimal gereklilik seti olarak düşünülebilir:

    • Klinik amaç tanımı: Tanı mı, triyaj mı, tedavi planı mı? (MDR Kural 11’e göre risk sınıfını etkiler.)
    • Veri yönetişimi: KVKK uyumlu aydınlatma/onam, pseudonimleştirme, erişim ve saklama politikaları.
    • Klinik doğrulama: Dış doğrulama + mümkünse prospektif pilot; DECIDE-AI gibi raporlama standartlarıyla uyum (3).
    • Adalet/bias denetimi: Alt gruplarda performans raporu; TRIPOD+AI ve PROBAST+AI yaklaşımıyla şeffaflık (9).
    • Post-deploy izlem: Drift izleme, hata raporlama, güncelleme (GMLP ve FDA yaşam döngüsü yaklaşımı) (42).

    7. Sonuç ve Gelecek Perspektifi Ana mesajların özeti

    7.1 Kapanış / Ana Mesajlar

    Kulak-Burun-Boğaz (KBB) alanında yapay zekâ uygulamalarının mevcut kanıtları birlikte değerlendirildiğinde, en güçlü kullanım alanlarının otoskopi ve nazal endoskopi gibi görüntü tabanlı triyaj ve sınıflandırma sistemleri ile işitme cihazlarına yönelik sinyal işleme çözümleri olduğu görülmektedir; buna karşılık uzun dönem hasta sonuçları, maliyet-etkinlik analizleri, çok merkezli prospektif kanıtlar ve gerçek yaşam performans izlemi halen en zayıf kalan alanlardır. Klinik literatürdeki çalışmaların önemli bir bölümünün retrospektif ve tek merkezli olması nedeniyle, bu tür sistemlerin rutin klinik kullanıma girmesinden önce çok merkezli dış doğrulama, alt grup analizleri ve kalibrasyon kontrollerinin zorunlu kabul edilmesi hasta güvenliği ve bilimsel geçerlilik açısından kritik önemdedir. Yanlış negatif ve yanlış pozitif sonuçlar, otomasyon yanlılığı ve zaman içinde model performansının bozulması (model drift) gibi riskler aktif biçimde yönetilmeli; kritik klinik kararlar insan onayına bağlanmalı, düşük güven skorlarında otomatik eylemler engellenmeli ve hatalar için yapılandırılmış olay raporlama ile geri çekme eşikleri tanımlanmalıdır. Etik ve veri koruma boyutunda ise bilgilendirilmiş onam, veri minimizasyonu, anonimleştirme veya pseudonimleştirme, rol tabanlı erişim kontrolleri ve denetim kayıtlarının (audit log) standart uygulamalar haline getirilmesi gerekir; KVKK ve GDPR ile uyum, klinik YZ kullanımının vazgeçilmez bir ön koşuludur. Düzenleyici uyum ve kalite güvencesi açısından, YZ yazılımının tıbbi cihaz veya “Software as a Medical Device (SaMD)” olarak sınıflandırılması, kapsamlı bir klinik değerlendirme dosyasının hazırlanması ve model sürüm yönetimi ile performans sapmalarını içeren bir post-market izlem planı olmaksızın yaygın klinik kullanım önerilmemelidir. Geleceğe yönelik öncelikli araştırma boşlukları arasında prospektif etki çalışmaları (yaşam kalitesi, komplikasyon oranları, tanıya erişim süresi), Türkiye’de dil, popülasyon ve cihaz çeşitliliğini temsil eden yerel veri kümeleri, yanlılık ve adalet raporlaması ile geri ödeme ve sağlık teknolojisi değerlendirmesine (HTA) dayalı ekonomik analizler öne çıkmaktadır. Sonuç olarak, KBB pratiğinde yapay zekâ doğru problem seçimi ve sorumlu uygulama çerçevesiyle tanı, izlem ve rehabilitasyon süreçlerine anlamlı bir katma değer sağlayabilir; klinisyenler için en pratik yaklaşım, YZ’yi karar verdiren değil karar destekleyen bir araç olarak konumlandırmak, dış doğrulaması gösterilmiş sistemleri insan onaylı iş akışları ve sürekli performans izleme ile kullanmaktır. Kurumların pilot uygulamaları ölçülebilir güvenlik ve kalite göstergeleriyle yürütmesi ve modelin tüm yaşam döngüsünü—güncelleme, performans sapması ve raporlama dâhil—aktif biçimde yönetmesi halinde, yapay zekâ KBB alanında güvenli ve sürdürülebilir klinik inovasyonun ayrılmaz bir parçası haline gelebilir.

    7.2 Sonuç ve Öneriler / Ana Mesajlar

    Kulak-Burun-Boğaz (KBB) alanında yapay zekâ (YZ) uygulamalarının mevcut durumu değerlendirildiğinde, özellikle görüntü temelli tanı, ses analizi ve işitme testleri gibi alanlarda doğruluk artışı ve anlamlı zaman kazancı sağladığı görülmektedir; buna karşılık cerrahi rehberlik ve rehabilitasyon gibi daha karmaşık klinik uygulamalarda, sonuçların genellenebilirliğini gösterecek ek dış doğrulama çalışmalarına gereksinim vardır. Güvenlik ve etik açıdan bakıldığında, insan denetimi olmaksızın çalışan karar süreçleri özellikle yüksek riskli hasta gruplarında otomasyon yanlılığına yol açabilmekte, bu nedenle “human-in-the- loop” yaklaşımının zorunlu tutulması ve model çıktılarında belirsizlik ya da güven düzeylerinin açık biçimde gösterilmesi kritik önem taşımaktadır. Mevcut literatürdeki kanıtların önemli bir kısmı sınırlı örneklem büyüklüklerine ve retrospektif tasarımlara dayandığından, klinik uygulamaya geçiş öncesinde çok merkezli, prospektif doğrulama çalışmaları ve gerçek yaşam verilerine dayalı performans izlemeleri temel bir gereklilik olarak ortaya çıkmaktadır. Klinik uygulama açısından, YZ tabanlı bir sistem devreye alınmadan önce etik kurul onayının sağlanması, veri yönetim ve güvenlik planlarının oluşturulması, EHR ve cihaz entegrasyonlarının test edilmesi ve ölçülebilir performans göstergelerinin (KPI) tanımlanması önemlidir; buna ek olarak kullanıcı eğitimi, düzenli geri bildirim mekanizmaları ve klinik sorumluluk akışının net biçimde tanımlanması uygulamanın başarısını doğrudan etkilemektedir. Geleceğe yönelik araştırma boşlukları arasında ses bozukluklarında açıklanabilirlik ve model yorumlanabilirliği çalışmaları, pediatrik popülasyonları temsil eden geniş veri setleri, adalet ve yanlılık (bias) metriklerinin standartlaştırılması ile anatomik lokalizasyon ve kullanılan cihaz tiplerine göre performans farklılıklarının sistematik olarak incelenmesi öne çıkmaktadır. Bu çerçevede, KBB’de YZ uygulamaları önemli bir potansiyel sunsa da klinik alanda yaygın ve güvenli kullanım için çok katmanlı değerlendirme yaklaşımlarına ve uzun vadede sürdürülebilir entegrasyon stratejilerine ihtiyaç duyulmaktadır.

    • YZ, KBB’de görüntü tanı ve işitme testlerinde yüksek doğruluk ve zaman kazancı sağlar. Mevcut çalışmaların büyük kısmı retrospektif ve tek merkezli olduğundan, çok merkezli dış doğrulama ve prospektif çalışmalar öncelikli ihtiyaçtır.
    • Klinik süreçlerde insan denetimi (human-in-the-loop) zorunludur. Modelin belirsizliklerini göstermek için güven puanları kullanılmalı, düşük güven ya da yüksek risk durumlarında karar mutlaka hekim onayıyla alınmalıdır.
    • Etik ve hasta güvenliği için yanlılık kontrolü ve sürekli performans izleme şarttır. PROBAST+AI gibi araçlarla yerel veri kaynaklı yanlılıklar analiz edilmeli, yıllık klinik performans audit’leri yapılmalıdır.
    • Uluslararası çerçeveler (TRIPOD+AI, FUTURE-AI vb.) Türkiye’ye uyarlanarak kullanılmalıdır. Örneğin TRIPOD+AI listesinde “çok merkezli dış doğrulama” kriterinin karşılanması Türkiye çalışmalarında özellikle vurgulanmalıdır.
    • Öneriler: Pilot uygulamalar ile başlayın, performans için ölçülebilir KPI’lar belirleyin. Klinik pilotlar ve prototip testlerinden elde edilecek bulgular doğrultusunda YZ entegrasyonunu kademeli olarak genişletin.

    7.3 Özet ve Öneriler

    Klinik uygulayıcılar açısından, yapay zekâ (YZ) sistemlerinin seçiminde yalnızca dış doğrulaması yapılmış, performansı bağımsız veri setleriyle gösterilmiş ve klinik olarak açıklanabilirliği bulunan çözümlerin tercih edilmesi önemlidir. Bu sistemlerin kullanımında insan-onayı gerektiren iş akışları benimsenmeli, kritik kararlar otomatikleştirilmemeli ve hastalar YZ destekli süreçler hakkında açık biçimde bilgilendirilerek bilgilendirilmiş rızaları alınmalıdır. Ayrıca, sistem performansının düzenli olarak izlenmesi, kullanıcı geri bildirimlerinin toplanması ve zaman içinde ortaya çıkabilecek performans sapmalarının erken tespiti için yapılandırılmış izleme mekanizmalarının kurulması klinik güvenliği destekler. Araştırmacılar için öncelikli hedefler arasında, tek merkezli ve retrospektif çalışmaların ötesine geçerek çok merkezli, prospektif dış doğrulama çalışmalarının planlanması yer almalıdır; buna ek olarak yaş, cinsiyet ve kullanılan cihaz farklılıkları gibi alt gruplara yönelik analizler yapılarak adalet ve yanlılık metriklerinin şeffaf biçimde raporlanması bilimsel ve etik açıdan gereklidir. Araştırma süreçlerinde açıklanabilirlik yaklaşımları, yanlılık kontrol yöntemleri ve veri kartları gibi “Sorumlu Yapay Zekâ” bileşenlerine odaklanılması, geliştirilen modellerin klinik kabulünü ve güvenilirliğini artıracaktır. Kurumlar açısından ise EHR entegrasyonu, kullanıcı eğitimi, veri yönetişimi ve bilgi güvenliği için yeterli kaynak ayrılması temel bir gereklilik olup; KVKK ve GDPR gibi veri koruma düzenlemeleri ile ISO 13485 ve ISO/IEC 27001 gibi kalite ve bilgi güvenliği standartlarının referans alınması uyum sürecini güçlendirir. Bunun yanında, klinik sorumlulukların tanımlandığı, sistem loglaması ve audit süreçlerini içeren, kullanıcı testleri ve düzenli değerlendirmelerle desteklenen politika ve protokollerin oluşturulması, YZ uygulamalarının güvenli ve sürdürülebilir biçimde kurumsal yapıya entegre edilmesini sağlar.

    7.4 Hızlı Hatırlatma – Kısa Alınacak 5 Adım

    1. Güvenilir, açıklanabilir YZ sistemlerini seçin.
    2. Klinik kararları mutlaka insan onayına bağlayın.
    3. Tüm kullanıcılar için eğitim ve geri bildirim kanalı sağlayın.
    4. Veri gizliliği ve etik uyum kurallarını uygulayın.
    5. Performans düşüşü veya hata durumunda tetikleyici eylem planı hazırlayın. YZ, KBB pratiğinde dönüştürücü bir potansiyel sunmaktadır. Ancak bu potansiyelin güvenli, adil ve etkili bir şekilde hayata geçmesi, disiplinler arası iş birliği ve sorumlu uygulama ilkeleriyle mümkün olacaktır. Buna paralel olarak etik, gizlilik, önyargı, siber güvenlik ve model drift riskleri; YZ’yi “teknolojik vaat” olmaktan çıkarıp “sorumlu klinik inovasyon” alanına taşır. Ulusal Standartlar ve Teknoloji Enstitüsü ’in AI risk yönetimi çerçevesi, Avrupa Parlamentosu/Avrupa Birliği AI Act yaklaşımı ve FDA’nın yaşam döngüsü odaklı düzenleyici perspektifi, klinik sistemlerin güvenli şekilde yaygınlaşması için ortak bir yön gösterir: risk yönet, şeffaf ol, izle ve gerektiğinde güncelle. Gelecek 3–5 yılda KBB için en yönlendirici araştırma ve uygulama başlıkları şunlardır:
    • Çok merkezli veri paylaşımı ve dış doğrulama (genellenebilirlik + adalet).
    • Prospektif etki çalışmaları (hasta güvenliği, yaşam kalitesi, gereksiz işlem/antibiyotik azalması, zaman kazanımı).
    • Model drift yönetimi ve post-pazar izlem (zamanla performans korunumu).
    • Regülasyon + geri ödeme uyumu (MDR/ulusal mevzuat, AI Act, HTA/ekonomik kanıt).
    • İnsan faktörleri ve eğitim (otomasyon yanlılığı, alarm yönetimi, sorumlu kullanım).

    7.5 Hızlı eylem listesi (okuyucu için “buradan ne yapmalıyım?”)

    • Kendi kliniğinizde 1 düşük riskli kullanım seçin (örn. otoskopide triyaj, ses analizinde ön tarama) ve pilot çalışma protokolü yazın (DECIDE-AI mantığıyla).
    • Veriyi toplamadan önce KVKK uyumlu onam/aydınlatma, pseudonimleştirme ve erişim yönetimini netleştirin.
    • Modeli yalnız iç testte değil, mutlaka dış doğrulama ile sınayın; alt gruplarda performansı raporlayın (bias denetimi).
    • Klinik iş akışında human-in-the-loop zorunluluğunu ve hata/olay bildirim yolunu tanımlayın (otomasyon yanlılığını azaltın).
    • Uygulamaya alınca performans–drift–siber güvenlik izlemini rutin kalite döngüsüne bağlayın (GMLP/TPLC)

    Kaynakça

    1. Yu AC, Mohajer B, Eng J. External Validation of Deep Learning Algorithms for Radiologic Diagnosis: A Systematic Review. Radiol Artif Intell. 2022;4(3):e210064.
    2. Wu Q, Wang X, Liang G, Luo X, Zhou M, Deng H, et al. Advances in Image-Based Artificial Intelligence in Otorhinolaryngology-Head and Neck Surgery: A Systematic Review. Otolaryngol Head Neck Surg. 2023;169(5):1132-42.
    3. Vasey B, Nagendran M, Campbell B, Clifton DA, Collins GS, Denaxas S, et al. Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI. Nature Medicine. 2022;28(5):924-33.
    4. Cha D-K, Pae C-Y, Choi Y-S. Automated diagnosis of ear disease using ensemble deep learning with a big otoendoscopy image database. EClinicalMedicine. 2021;40:101122.
    5. Gómez P, Kist AM, Schlegel P, Berry DA, Chhetri DK, Dürr S, et al. BAGLS, a multihospital Benchmark for Automatic Glottis Segmentation. Sci Data. 2020;7(1):186.
    6. Chen YC, Chu YC, Huang CY, Lee YT, Lee WY, Hsu CY, et al. Smartphone-based artificial intelligence using a transfer learning algorithm for the detection and diagnosis of middle ear diseases: A retrospective deep learning study. EClinicalMedicine. 2022;51:101543.
    7. Wellenstein DJ, Woodburn J, Marres HAM, van den Broek GB. Detection of laryngeal carcinoma during endoscopy using artificial intelligence. Head Neck. 2023;45(9):2217-26.
    8. Ronneberger O, Fischer P, Brox T, editors. U-net: Convolutional networks for biomedical image segmentation. International Conference on Medical image computing and computer-assisted intervention; 2015: Springer.
    9. Collins GS, Moons KGM, Dhiman P, Riley RD, Beam AL, Van Calster B, et al. TRIPOD+AI statement: updated guidance for reporting clinical prediction models that use regression or machine learning methods. BMJ. 2024;385:e078378.
    10. Moons KGM, Damen JAA, Kaul T, Hooft L, Andaur Navarro C, Dhiman P, et al. PROBAST+AI: an updated quality, risk of bias, and applicability assessment tool for prediction models using regression or artificial intelligence methods. Bmj. 2025;388:e082505.
    11. Lekadir K, Frangi AF, Porras AR, Glocker B, Cintas C, Langlotz CP, et al. FUTURE-AI: international consensus guideline for trustworthy and deployable artificial intelligence in healthcare. Bmj. 2025;388:e081554.
    12. Low DM, Rao V, Randolph G, Song PC, Ghosh SS. Identifying bias in models that detect vocal fold paralysis from audio recordings using explainable machine learning and clinician ratings. medRxiv. 2024.
    13. Habib A-R, Xu Y, Bock K, Mohanty S, Sederholm T, Weeks WB, et al. Evaluating the generalizability of deep learning image classification algorithms to detect middle ear disease using otoscopy. Scientific Reports. 2023;13(1):5368.
    14. Sundgaard JV, Harte J, Bray P, Laugesen S, Kamide Y, Tanaka C, et al. Deep metric learning for otitis media classification. Medical Image Analysis. 2021;71:102034.
    15. Ruthberg JS, Gunderson N, Boven L, Friedman S, Barbour M, Bly RA. Accurate 3D reconstruction of eardrum perforations using Structure from Motion photogrammetry. International Journal of Pediatric Otorhinolaryngology. 2025;198:112553.
    16. Wasmann JW, Pragt L, Eikelboom R, Swanepoel W. Digital Approaches to Automated and Machine Learning Assessments of Hearing: Scoping Review. J Med Internet Res. 2022;24(2):e32581.
    17. Wallaert N, Perry A, Jean H, Creff G, Godey B, Paraouty N. Performance and Reliability Evaluation of an Automated Bone-Conduction Audiometry Using Machine Learning. Trends Hear. 2024;28:23312165241286456.
    18. Tbini M, Ben Salah M. Deep learning for automatic interpretation of pure-tone audiometry using InceptionV3. The Egyptian Journal of Otolaryngology. 2025;41(1):144.
    19. Saoji AA, Sheikh BA, Bertsch NJ, Goulson KR, Graham MK, McDonald EA, et al. How Does Deep Neural Network-Based Noise Reduction in Hearing Aids Impact Cochlear Implant Candidacy? Audiol Res. 2024;14(6):1114-25.
    20. Diehl PU, Singer Y, Zilly H, Schönfeld U, Meyer-Rachner P, Berry M, et al. Restoring speech intelligibility for hearing aid users with deep learning. Scientific Reports. 2023;13(1):2719.
    21. Vaisberg JM, Dang C, Jiang Y, Qian J, Russo FA. Brain benefits of deep learning-based noise management in experienced hearing aid users using functional near infrared spectroscopy. Scientific Reports. 2025;15(1):41815.
    22. Demyanchuk A, Kludt E, Lenarz T, Büchner A. A Machine Learning Model to Predict Postoperative Speech Recognition Outcomes in Cochlear Implant Recipients: Development, Validation, and Comparison with Expert Clinical Judgment. J Clin Med. 2025;14(11).
    23. Tai J, Han M, Choi BY, Kang SH, Kim H, Kwak J, et al. Deep learning model for differentiating nasal cavity masses based on nasal endoscopy images. BMC Medical Informatics and Decision Making. 2024;24(1):145.
    24. Rampinelli V, Paderno A, Conti C, Testa G, Modesti CL, Agosti E, et al. Artificial intelligence for automatic detection and segmentation of nasal polyposis: a pilot study. Eur Arch Otorhinolaryngol. 2024;281(11):5815-21.
    25. Du W, Kang W, Lai S, Cai Z, Chen Y, Zhang X, et al. Deep learning in computed tomography to predict endotype in chronic rhinosinusitis with nasal polyps. BMC Medical Imaging. 2024;24(1):25.
    26. He Z, Zhang K, Zhao N, Wang Y, Hou W, Meng Q, et al. Deep learning for real-time detection of nasopharyngeal carcinoma during nasopharyngeal endoscopy. iScience. 2023;26(10):107463.
    27. Linxweiler M, Pillong L, Kopanja D, Kühn JP, Wagenpfeil S, Radosa JC, et al. Augmented reality-enhanced navigation in endoscopic sinus surgery: A prospective, randomized, controlled clinical trial. Laryngoscope Investig Otolaryngol. 2020;5(4):621-9.
    28. Latour M, Alvarez I, Knackstedt M, Yim M. Virtually Augmented Surgical Navigation in Endoscopic Sinus Surgery Simulation Training: A Prospective Trial of Repeated Measures. Otolaryngol Head Neck Surg. 2024;171(6):1897-903.
    29. Liu Z, Chen K, Wang S, Xiao Y, Zhang G. Deep learning in surgical process modeling: A systematic review of workflow recognition. J Biomed Inform. 2025;162:104779.
    30. Tran BA, Dao TTP, Dung HDQ, Van NB, Ha CC, Pham NH, et al. Support of deep learning to classify vocal fold images in flexible laryngoscopy. Am J Otolaryngol. 2023;44(3):103800.
    31. Kim H-B, Song J, Park S, Lee YO. Classification of laryngeal diseases including laryngeal cancer, benign mucosal disease, and vocal cord paralysis by artificial intelligence using voice analysis. Scientific Reports. 2024;14(1):9297.
    32. Marrero-Gonzalez AR, Diemer TJ, Nguyen SA, Camilon TJM, Meenan K, O'Rourke A. Application of artificial intelligence in laryngeal lesions: a systematic review and meta- analysis. Eur Arch Otorhinolaryngol. 2025;282(3):1543-55.
    33. Franz L, Da Canal A, Tuon M, Defilippi R, Biscaro A, Pasian M, et al. Clinical effectiveness of telerehabilitation in voice therapy programs for dysphonia. Am J Otolaryngol. 2024;45(3):104255.
    34. Park JH, Jung AR, Lee J-N, Lee J-Y. Prediction of Voice Therapy Outcomes Using Machine Learning Approaches and SHAP Analysis: A K-VRQOL-Based Analysis. Applied Sciences. 2025;15(13):7045.
    35. Di Cesare MG, Perpetuini D, Cardone D, Merla A. Assessment of Voice Disorders Using Machine Learning and Vocal Analysis of Voice Samples Recorded through Smartphones. BioMedInformatics. 2024;4(1):549-65.
    36. Guo LL, Pfohl SR, Fries J, Posada J, Fleming SL, Aftandilian C, et al. Systematic Review of Approaches to Preserve Machine Learning Performance in the Presence of Temporal Dataset Shift in Clinical Medicine. Appl Clin Inform. 2021;12(4):808-15.
    37. Khera R, Simon MA, Ross JS. Automation Bias and Assistive AI: Risk of Harm From AI- Driven Clinical Decision Support. JAMA. 2023;330(23):2255-7.
    38. Bortsova G, González-Gonzalo C, Wetstein SC, Dubost F, Katramados I, Hogeweg L, et al. Adversarial attack vulnerability of medical image analysis systems: Unexplored factors. Medical Image Analysis. 2021;73:102141.
    39. Administration FaD. FDA Releases Artificial Intelligence/Machine Learning Action Plan January 12, 2021 [Available from: https://www.fda.gov/news-events/press-announcements/fda-releases-artificial-intelligencemachine-learning-action-plan?
    40. Excellence NIfHaC. Evidence standards framework for digital health technologies 2022 [Available from: https://www.nice.org.uk/corporate/ecd7.
    41. El Arab RA, Al Moosa OA. Systematic review of cost effectiveness and budget impact of artificial intelligence in healthcare. NPJ Digit Med. 2025;8(1):548.
    42. Agency MaHpR. Good Machine Learning Practice for Medical Device Development: Guiding Principles 2021 [Available from: https://www.gov.uk/government/publications/good-machine-learning-practice-for-medical-device-development-guiding-principles.

    / YAZARLAR HAKKINDA

    Doç. Dr. Serkan Dedeoğlu

    SBÜ Diyarbakır Gazi Yaşargil Eğitim ve Araştırma Hastanesi