Plastik, Rekonstrüktif ve Estetik Cerrahide Yapay Zeka Uygulamaları

Kapsam ve Sınırlar

Bu bölüm; yanık/yara, mikrocerrahi, estetik yüz analizi–simülasyon, el cerrahisi ve deri kanserinde sınır değerlendirmesinde klinik karşılığı olan YZ uygulamalarına odaklanır. İdari/operasyonel ML uygulamaları ve yalnızca deneysel düzeyde kalan sistemler kapsam dışıdır.

1. Öğrenme hedefleri: Bu bölüm sonunda okuyucu;

• YZ’nin plastik cerrahideki temel kullanım alanlarını tanımlayabilecek,
• AUC/Dice gibi performans ölçütlerini klinik bağlamda yorumlayıp entegrasyonun temel adımlarını (dış doğrulama, hekim denetimi, veri yönetişimi) özetleyebilecektir.

2. Giriş ve genel vizyon

Yapay zekâ (YZ), klinik uzmanlık ile hesaplamalı analizi birleştirerek karar süreçlerini destekleyen “yüksek performanslı tıp” yaklaşımının önemli bir bileşenidir.[1] Bu süreçler, görüntü verilerini Evrişimli Sinir Ağları (CNN) ile işleyerek doku segmentasyonu veya risk skoru gibi sayısal çıktılara dönüştüren derin öğrenme algoritmalarına dayanır. Plastik, rekonstrüktif ve estetik cerrahi; görüntüye dayalı değerlendirme, ölçülebilir estetik uç noktalar, mikrovasküler hassasiyet ve uzun dönem takip gereksinimi nedeniyle YZ uygulamalarının hızlı klinik karşılık bulabildiği bir alandır.[2] Bununla birlikte klinikte anlamlı bir etki, yalnızca model doğruluğuna değil; sistemin iş akışına entegrasyonu, güvenlik ve şeffaflık düzeyi ile etik ilkeler çerçevesinde sorumlulukların nasıl ele alındığına bağlıdır.[3,4,38] Bu bölümde YZ’nin en olgun kullanım alanları; yanık–yara bakımı, mikrocerrahi/robotik, estetik yüz analizi ve simülasyon, el cerrahisi, onkolojik rekonstrüksiyonda sınır değerlendirmesi ve risk/etik başlıkları altında kanıta dayalı biçimde özetlenmiştir. YZ modellerinin klinik geçerliliği değerlendirilirken dış doğrulama ile eşdeğer düzeyde yöntemlerin şeffaf raporlanması ve iyi raporlama ilkelerine uyum önemli rol oynar.[37] YZ modellerinin raporlanması, TRIPOD+AI (Transparent Reporting of a multivariable prediction model for Individual Prognosis Or Diagnosis + AI) ve PROBAST (Prediction model Risk Of Bias ASsessment Tool) gibi standart kılavuzlara göre yapılmalıdır.[43,44] Bu araçlar modellerin geliştirme ve doğrulama süreçlerini sistematik bir biçimde değerlendirerek bias risklerini daha görünür kılar.

Tablo 1. Plastik cerrahide sık kullanılan performans ve açıklanabilirlik metrikleri

Metrik / Yöntem	Klinik Anlamı	Plastik Cerrahi Örneği
AUC (>0.90)	Ayırıcı tanı ve triyaj gücü	Yanık derinliği sınıflandırma
Dice (>0.85)	Otomatik doku segmentasyonu	Yara alanı ve flep hacim ölçümü
Grad-CAM	Modelin karar odağını görselleştirme	Doku perfüzyonunun odağını saptama

Kaynak: Roberts et al. ML pitfalls [37]

Klinik senaryo: Poliklinikte cerrah, hastanın standart 2D ve 3D yüz görüntülerini YZ ile ölçümleyip, çıktıyı plan ve onam görüşmesinde hedefleri/alternatifleri somutlaştırmak için kullanır.[1]

2.1 Rekonstrüktif cerrahi: Yanık ve yara bakımı

Yanık derinliği ve yara değerlendirmesi; gözlemciye bağlı değişkenlik, zaman baskısı ve seri takip gereksinimi nedeniyle hataya açıktır. Dolayısıyla yanık ve yara bakımı, YZ’nin kanıt düzeyinin en yüksek olduğu klinik uygulama alanlarından biridir; görüntü temelli yaklaşımlarda performans genellikle AUC ve Dice gibi metriklerle raporlanır.[5–7,37] Yanık derinliği değerlendirmesinde YZ yaklaşımlarını inceleyen sistematik derleme ve meta-analizler, görüntü temelli modellerin triyajı destekleme, uygun tedavi yolunu hızlandırma ve kaynakların daha verimli kullanılmasını sağlayarak sağlık sistemindeki yükü hafifletme potansiyelini vurgular.[5] Pediatrik olgularda yaşa özgü anatomi, cilt özellikleri ve veri çeşitliliği nedeniyle dış doğrulama ve genellenebilirlik gereksinimi daha da belirginleşir; bu gruba yönelik tahmin modelleri klinik entegrasyon için ayrıca dikkat ister.[10] Türkiye kohort özellikleri (örn. daha sık Fitzpatrick III–IV cilt tipleri ve yaş dağılımı), genel modellerin performansını etkileyebileceğinden yerel dış doğrulama (validasyon) klinik kullanım için kritiktir.[10]

Yara bakımında YZ; yara sınıflandırma/ölçümleme, iyileşme gidişatı tahmini ve uzaktan izlem gibi amaçlarla kullanılır.[6,7] Mobil cihaz tabanlı değerlendirme yaklaşımları, standardize çekim koşulları sağlandığında erişimi artırabilir ve takipte sürekliliği güçlendirebilir.[8] Perfüzyon ve doku canlılığıyla ilişkili teknolojilerin (örn. lazer Doppler) YZ ile birleştirilmesi de yara iyileşmesinin daha objektif takibini hedefler.[9] Bu araçların amacı klinik muayenenin yerine geçmek değil; muayene ve seri takip süreçlerini tamamlayarak karar verme sürecini desteklemek ve karar kalitesini artırmaktır.[5,6]

Klinik senaryo: Acilde hekim, çekilen standart yanık fotoğrafını YZ ile analiz edip olası derinlik sınıfı ile sevk/konsültasyon önceliği çıktısıyla hangi hastanın acil plastik cerrahi değerlendirmesine gideceğine dair kararın verilme sürecini destekler.[5,8]

2.2 Mikrocerrahi ve robotik: Planlama, perfüzyon ve flep güvenliği

Mikrocerrahide sonuçları belirleyen ana unsurlar; doğru planlama, anastomoz kalitesi ve postoperatif erken uyarıdır. Bu nedenle YZ uygulamaları üç eksende değer üretir: (i) preoperatif planlama, (ii) intraoperatif destek, (iii) postoperatif flep izlem.[2,11] Mikrocerrahide perfüzyon ve flep riski izlemi için görüntü ve fizyolojik sinyalleri birleştiren YZ yaklaşımları kullanılır; dış doğrulama klinik değer için kritiktir.[11,13,14,37] Preoperatif aşamada YZ destekli perforatör haritalama yaklaşımları, görüntüleme verisinin daha hızlı ve standardize yorumlanmasını hedefleyerek cerrahi planlamayı destekler.[12] Postoperatif dönemde ise flep yetmezliği riskini öngören modeller, klinik bulgular ortaya çıkmadan önce “erken uyarı” penceresi oluşturmayı amaçlar.[13]

Flep izlemede fizyolojik ölçümlerin (örn. NIRS) YZ ile analizi, perfüzyon bozulmasını daha erken ve daha tutarlı yakalamaya yönelik bir yaklaşım olarak öne çıkar.[14] Bunun klinik karşılığı; yatak başı değerlendirme sıklığının rasyonelleştirilmesi, şüpheli olguların erken tespiti ve gerektiğinde hızlı revizyon kararının desteklenmesidir.[14] Robotik mikrocerrahiye ilişkin literatür; teknik hassasiyet ve tekrarlanabilirlik gibi kazanımları ele alırken, maliyet, öğrenme eğrisi, süre/iş akışı etkisi ve gerçek yaşam sonuçlarının standardize şekilde raporlanması gereksinimini vurgular.[15] Robotik rekonstrüksiyonda hasta bildirimli sonuç ölçümleri (PROMs) ile klinik faydanın “teknik başarı” ötesinde değerlendirilmesi önemlidir.[16]

Klinik senaryo: Serviste ekip, serbest flep hastasında NIRS/klinik izlem verisini YZ ile trend analizine sokup erken perfüzyon düşüş uyarısı aldığında yatak başında değerlendirme ve revizyon kararını hızlandırır.[14]

2.3 Estetik cerrahi: Yüz analizi, simülasyon ve beklenti yönetimi

Estetik cerrahide YZ’nin en yaygın iki kullanım alanı; objektif yüz analizi (landmark, asimetri, oranlar) ve preoperatif simülasyon/iletişimdir; bu çıktılar “tahmin” çerçevesinde onam ve beklenti yönetimine entegre edilmelidir.[17–21] Yüzde landmark tespiti ve asimetri öngörüsü gibi yaklaşımlar, cerrahi planlamada ölçülebilir referanslar sunarak hem planlamayı hem de takipte standardizasyonu güçlendirebilir.[17,18] Yüz analizinde CNN tabanlı yaklaşımlar da klinik ölçümleme ve değerlendirme süreçlerine katkı hedefler.[19]

Rinoplasti özelinde YZ tabanlı simülasyon doğruluğunu değerlendiren meta-analiz düzeyindeki bulgular, simülasyonun doğru kullanıldığında hasta iletişimini destekleyebileceğini; ancak sonuçların hata payının olmadığına dair bir algı oluşturulmasının etik ve hukuki riskler doğurabileceğini düşündürür.[21] Preoperatif simülasyon çıktıları; riskler, belirsizlikler ve alternatif planlarla birlikte ele alındığında bilgilendirilmiş onam süreçlerini güçlendirebilir.[20,21] Bu çerçevede YZ, estetik cerrahide yalnızca teknik bir araç değil; iletişim ve beklenti yönetimi aracıdır.[20,21] Simülasyon araçlarının gelişimi, preoperatif planlamada hasta–cerrah iletişimini daha etkileşimli ve ölçülebilir bir zemine taşımayı hedeflemektedir.[20,21]

Klinik senaryo: Poliklinikte cerrah, rinoplasti için YZ tabanlı simülasyon görüntüsünü “tahmin” çerçevesiyle gösterip, bunu onam görüşmesinde gerçekçi hedefler, riskler ve alternatif plan kararına bağlar.[20,21]

2.4 El cerrahisi: Tanı desteği ve sonuç öngörüsü

El cerrahisinde YZ uygulamaları; görüntü/klinik veri temelli tanı desteği, elektrofizyolojik sınıflandırma ve sonuç öngörüsü gibi alanlarda derlemelerle hızla genişleyen bir kanıt tabanına sahiptir.[22,23] El cerrahisinde YZ; tanı desteği ve sonuç öngörüsünde kullanılabilir; klinik kullanım için genellenebilirlik ve dış doğrulama esastır.[22–25,37] Özellikle sinir rejenerasyonu gibi klinik seyri değişken süreçlerde makine öğrenmesi ile sonuç öngörüsü; doğru dış doğrulama, klinik anlamlı uç noktalar ve prospektif değerlendirme ile değer üretebilir.[24] Karpal tünel sendromunda elektrodiagnostik verinin YZ ile sınıflandırılması ise, raporlamada standardizasyon ve karar destek potansiyeli nedeniyle dikkat çekicidir.[25] Bu modellerin klinik katkısı, hekimin kararını “ikame etmekten” ziyade, tutarlılığı artıran ikinci görüş işlevi görmesidir.[22,25]

Klinik senaryo: El cerrahisi polikliniğinde hekim, EMG/elektrodiagnostik veriyi YZ ile ön sınıflandırmadan geçirip, sonucu tanı doğrulama ve cerrahi/konservatif tedavi kararı için ikinci görüş olarak kullanır.[25]

2.5 Onkolojik rekonstrüksiyon (deri kanseri): Sınır değerlendirme ve intraoperatif karar

Deri kanserlerinde (özellikle bazal hücreli karsinom ve Mohs cerrahisi süreçleri) cerrahi sınırların doğru değerlendirilmesi, rekonstrüksiyonun kapsamını ve zamanlamasını doğrudan etkiler. Bilgisayarlı görü ve 3B modelleme ile intraoperatif sınır değerlendirmesi yaklaşımları, cerrahın rezeksiyon–rekonstrüksiyon dengesini daha güvenli kurmasına yardımcı olabilecek klinik çıktılar hedefler.[26,27] Bu tür sistemlerin gerçek hayattaki faydası, farklı merkezlerde performansın tutarlılığı ve iş akışına entegrasyon başarısı ile belirlenir.[26]

Klinik senaryo: Ameliyathanede ekip, YZ destekli sınır değerlendirme çıktısını patoloji/klinik değerlendirme ile birlikte yorumlayıp, rezeksiyon genişliği ve rekonstrüksiyon seçimini (lokal flep/graft vb.) aynı seansta netleştirir.[26,27]

2.6 Komplikasyon yönetimi, güven ve etik kapanış: Yanlılık, “kara kutu” ve deepfake etkisi

Rekonstrüktif cerrahide komplikasyon riski; hasta bilgilendirmesi, kaynak planlaması ve perioperatif yönetim açısından kritiktir. Bu alandaki sistematik derlemeler, öngörü modellerinin potansiyelini vurgularken; model şeffaflığı, veri kalitesi ve klinik doğrulama gereksinimlerine de işaret eder.[28] Mevcut kanıtların çoğu retrospektif çalışmalara dayalı olup; veri seti yanlılığı veya yetersiz dış doğrulama nedeniyle modellerin gerçek klinik çıktılara etkisi henüz standardizasyon aşamasındadır.[28,37] Uygulamada başarı için “güven” belirleyicidir: Cerrahın YZ çıktısını ne zaman ve nasıl kullanacağını bilmesi; açıklanabilirlik yaklaşımları ve insan-merkezli tasarımla güçlenir.[29,38]

Estetik cerrahide etik risklerin özgün bir boyutu da sosyal medya filtreleri ve deepfake içeriklerin beden algısı üzerinde oluşturduğu etkidir. Güzellik filtrelerinin hasta beklentilerini nasıl kaydırabileceğini nicel olarak inceleyen çalışmalar, konsültasyon sürecinde beklenti yönetiminin önemini artırır.[31] Ayrıca yeni hasta profilleri ve değişen risk faktörleri, rekonstrüktif cerrahide komplikasyon öngörüsü ve perioperatif planlamaya olan ihtiyacı artırmaktadır.[28] Deepfake ve “Snapchat dysmorphia” benzeri olgular, özellikle rinoplasti görüşmelerinde BDD taraması ve uygun hasta seçimini daha kritik hale getirebilir.[32] Ayrıca algoritmik yanlılık, farklı cilt tonları/etnik gruplar üzerinde performans farkları ve adalet sorunları doğurabilir.[30] “Kara kutu” kararlar ve açıklanabilirlik, cerrahi YZ’nin etik çekirdeğinde yer almalı; güvenlik ve sorumluluk ilkeleri klinik uygulamanın ayrılmaz birer parçası olmalıdır.[3,4]

Klinik senaryo: Estetik konsültasyonda cerrah, hastanın filtreli/deepfake referans görseller getirdiğini fark edince BDD taramasını derinleştirir ve YZ/simülasyon çıktıları yerine psikososyal değerlendirme ve gerçekçi beklenti yönetimiyle cerrahi uygunluk kararını şekillendirir.[31,32]

2.7 Klinik Entegrasyon ve Yönetişim: Güvenlik, Veri Gizliliği ve Gelecek Gereksinimler

Yapay zekâ uygulamalarının klinikte başarılı olabilmesi, algoritma performansının yanı sıra veri güvenliği, etik uyum ve sürdürülebilir iş akışına entegrasyon gibi faktörlere bağlıdır.[33,36] Bu kapsamda aşağıdaki ilkeler klinik ortamda güvenli bir uygulamanın temelini oluşturur; kapanışta ise alanın olgunlaşması için öne çıkan gereksinimler özetlenmiştir.

1. Veri gizliliği ve mevzuat: Klinik verilerin toplanması, işlenmesi ve paylaşımı Türkiye’de KVKK ve uluslararası GDPR ilkeleriyle uyumlu yürütülmelidir.[41,42] Görüntülerin işlenmesi/saklanmasında mümkün olan en erken aşamada anonimleştirme veya uygun pseudonimleştirme (pseudonymization) uygulanmalı; hasta onamı yalnız “tedavi”yi değil, dijital veri işleme ve YZ destekli analiz süreçlerini de açıkça kapsamalıdır.[39,41,42]
2. Hekim denetimi (human-in-the-loop): YZ araçları, cerrahi kararı ikame eden değil destekleyen sistemlerdir; klinisyenin sistemi denetleme, sorgulama ve gerektiğinde reddetme (override) yetkisi daima korunmalıdır.[34,35] İnsan-merkezli tasarım, eğitim ve geri bildirim döngüleri; hatalı “otomasyon güveni” (automation bias) riskini azaltarak güvenli kullanımın temelini oluşturur.[34,35,38]
3. Dış doğrulama ve yanlılık: Uygulama başarısı genellikle AUC, Dice katsayısı ve duyarlılık gibi metriklerle ölçülmekle birlikte, eğitim setindeki başarı (ör. yüksek AUC veya Dice skorları), gerçek dünya performansını garanti etmez.[37] Uygulamaların farklı cilt tonları, yaş grupları ve coğrafi kohortlarda (Türkiye örneklemi gibi) dış doğrulamadan geçmiş olması; veri kayması (dataset shift) ve algoritmik yanlılık riskini azaltan en kritik faktörlerdendir.[30,37,40] Modellerin kalitesini değerlendirirken PROBAST+AI bias riskini (veri seçimi, overfitting vb.), TRIPOD+AI ise raporlama tamlığını kontrol etmelidir. Türkiye'deki kohortlarda yerel validasyon bu araçlarla desteklenmelidir.[43,44] Klinik kullanıma alınan sistemlerde performansın zaman içinde izlenmesi, güncelleme/değişikliklerin yönetişimi ve gerekiyorsa SaMD çerçevesinde değerlendirme süreçleri de planlanmalıdır.[40]

Gelecek projeksiyonu: YZ uygulamalarının pilot başarılardan rutin pratiğe geçişi; klinisyene güven ve olasılık skoru sunan arayüzlerin tasarımı ve override (reddetme) yetkisini koruyan izlenebilir denetim (audit) mekanizmalarına bağlıdır.[1,11,21,34,35] Mevcut literatürdeki metodolojik heterojenlik ve zaman zaman çelişkili bulgular göz önünde bulundurulduğunda [5,15,28], kanıt düzeyini yalnız doğruluk metrikleri değil; hasta sağkalımı, komplikasyon ve yaşam kalitesi gibi primer uç noktaları hedefleyen çok merkezli prospektif çalışmalar (tercihen randomize kontrollü) belirleyecektir.[37,40]

Ayrıca klinik etkiyi değerlendirmede triyaj süresi ve iş akışı üzerindeki yük gibi operasyonel çıktılar da dikkate alınmalıdır.[33,40]

Kaynakça

1. Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019 Jan;25(1):44–56.

2. Lin TC, Yang HA, Huang RW, Lin CH. Artificial Intelligence and Machine Learning in Reconstructive Microsurgery. Semin Plast Surg. 2025 Aug;39(03):190–8.

3. Gerke S, Babic B, Evgeniou T, Cohen IG. The need for a system view to regulate artificial intelligence/machine learning-based software as medical device. npj Digit Med. 2020 Apr 7;3(1):53.

4. London AJ. Artificial Intelligence and Black-Box Medical Decisions: Accuracy versus Explainability. Hastings Cent Rep. 2019 Jan;49(1):15–21.

5. Wilson RH, Rowland R, Kennedy GT, Campbell C, Joe VC, Chin TL, et al. Review of machine learning for optical imaging of burn wound severity assessment. J Biomed Opt [Internet]. 2024 Feb 15 [cited 2026 Feb 10];29(02). Available from: https://www.spiedigitallibrary.org/journals/journal-of-biomedical-optics/volume-29/issue- 02/020901/Review-of-machine-learning-for-optical-imaging-of-burn- wound/10.1117/1.JBO.29.2.020901.full

6. Anisuzzaman DM, Wang C, Rostami B, Gopalakrishnan S, Niezgoda J, Yu Z. Image-Based Artificial Intelligence in Wound Assessment: A Systematic Review. Adv Wound Care. 2022 Dec 1;11(12):687–709.

7. Dabas M, Schwartz D, Beeckman D, Gefen A. Application of Artificial Intelligence Methodologies to Chronic Wound Care and Management: A Scoping Review. Adv Wound Care. 2023 Apr 1;12(4):205–40.

8. Chang CW, Ho CY, Lai F, Christian M, Huang SC, Chang DH, et al. Application of multiple deep learning models for automatic burn wound assessment. Burns. 2023 Aug 1;49(5):1039– 51.

9. Abubakar A, Ugail H, Smith KM, Bukar AM, Elmahmudi A. Burns Depth Assessment Using Deep Learning Features. J Med Biol Eng. 2020 Dec;40(6):923–33.

10. Boissin C, Laflamme L, Fransén J, Lundin M, Huss F, Wallis L, et al. Development and evaluation of deep learning algorithms for assessment of acute burns and the need for surgery. Sci Rep. 2023 Jan 31;13(1):1794.

11. Kiew CYK, Shah A, Hadjiandreou M, Pafitanis G. Artificial intelligence in microsurgery and supermicrosurgery training within plastic surgery: A systematic review. JPRAS Open. 2025 Dec 1;46:154–68.

12. Clarys W, Evans R, Verspeek S, Verstockt J, Zhang H, Verhoeven V, et al. Optimising neural networks for perforator detection in DIEP flap breast reconstruction using dynamic infrared thermography. Quant InfraRed Thermogr J. 2025 Nov 10;1–11.

13. O’Neill AC, Yang D, Roy M, Sebastiampillai S, Hofer SOP, Xu W. Development and Evaluation of a Machine Learning Prediction Model for Flap Failure in Microvascular Breast Reconstruction. Ann Surg Oncol. 2020 Sep;27(9):3466–75.

14. Huang RW, Tsai TY, Hsieh YH, Hsu CC, Chen SH, Lee CH, et al. Reliability of Postoperative Free Flap Monitoring with a Novel Prediction Model Based on Supervised Machine Learning. Plast Reconstr Surg. 2023 Nov;152(5):943e–52e.

15. Awad L, Bollen E, Reed B, Langridge BJ, Jasionowska S, Nikkhah D, et al. Clinical, Preclinical, and Educational Applications of Robotic-Assisted Flap Reconstruction and Microsurgery: A Systematic Review. Microsurgery. 2024 Nov;44(8):e31246.

16. Brown H, Brown RA, Lenkiu L, SamSam A, Lopez J, Sawh-Martinez R. Robotic-assisted Supermicrosurgery in Plastic Surgery: A Systematic Literature Review. Plast Reconstr Surg – Glob Open. 2025 Jul;13(7):e6912.

17. Nogueira R, Eguchi M, Kasmirski J, De Lima BV, Dimatos DC, Lima DL, et al. Machine Learning, Deep Learning, Artificial Intelligence and Aesthetic Plastic Surgery: A Qualitative Systematic Review. Aesth Plast Surg. 2025 Jan;49(1):389–99.

18. Wu Y, Ji Q. Facial Landmark Detection: A Literature Survey. Int J Comput Vis. 2019 Feb 15;127(2):115–42.

19. Stephanian B, Karki S, Debnath K, Saltychev M, Rossi-Meyer M, Kandathil CK, et al. Role of Artificial Intelligence and Machine Learning in Facial Aesthetic Surgery: A Systematic Review. Facial Plastic Surgery & Aesthetic Medicine. 2024 Nov;26(6):679–705.

20. Chinski H, Lerch R, Tournour D, Chinski L, Caruso D. An Artificial Intelligence Tool for Image Simulation in Rhinoplasty. Facial Plast Surg. 2022 Apr;38(02):201–6.

21. Eldaly AS, Avila FR, Torres-Guzman RA, Maita K, Garcia JP, Palmieri Serrano L, et al. Simulation and Artificial Intelligence in Rhinoplasty: A Systematic Review. Aesth Plast Surg. 2022 Oct;46(5):2368–77.

22. Jerome JTJ, Jain V. Clinical applications of artificial intelligence in hand surgery: A systematic review and meta-analysis. J Clin Orthop Trauma. 2026 Feb 1;73:103335.

23. Keller M, Guebeli A, Thieringer F, Honigmann P. Artificial intelligence in patient-specific hand surgery: a scoping review of literature. Int J CARS. 2023 Jan 12;18(8):1393–403.

24. Laohaprasitiporn P, Kittithamvongs P, Monteerarat Y, Suriyarak T, Siripoonyothai S, Neti N. A Multicenter Validation of a Novel Prediction Model for Elbow Flexion Recovery after Nerve Transfer Surgery in Brachial Plexus Injuries. Plast Reconstr Surg - Glob Open. 2024 Sep;12(9):e6118.

25. Tsamis KI, Kontogiannis P, Gourgiotis I, Ntabos S, Sarmas I, Manis G. Automatic Electrodiagnosis of Carpal Tunnel Syndrome Using Machine Learning. Bioengineering. 2021 Nov 10;8(11):181.

26. Levy JJ, Davis MJ, Chacko RS, Davis MJ, Fu LJ, Goel T, et al. Intraoperative margin assessment for basal cell carcinoma with deep learning and histologic tumor mapping to surgical site. npj Precis Onc. 2024 Jan 3;8(1):2.

27. Wei ML, Tada M, So A, Torres R. Artificial intelligence and skin cancer. Front Med. 2024 Mar 19;11:1331895.

28. Alabdalhussein AI, Al-Khafaji MH, Conboy P, Singhavi H, Anwar F, Elkrim M, et al. Evaluating the accuracy of machine learning in predicting postoperative flap complications: A meta- analysis. J Plast Reconstr Aesthet Surg. 2025 Dec 1;111:23–34.

29. Tonekaboni S, Joshi S, McCradden MD, Goldenberg A. What Clinicians Want: Contextualizing Explainable Machine Learning for Clinical End Use. In: Proceedings of the 4th Machine Learning for Healthcare Conference [Internet]. PMLR; 2019 [cited 2026 Feb 10]. p. 359–80. Available from: https://proceedings.mlr.press/v106/tonekaboni19a.html

30. Obermeyer Z, Powers B, Vogeli C, Mullainathan S. Dissecting racial bias in an algorithm used to manage the health of populations. Science. 2019 Oct 25;366(6464):447–53.

31. Toms JA, Fritsch AM, O’Neill E, Adepoju J, Raj MS. Artificial Intelligence Beauty Filters and Aesthetic Surgery: Insights from TikTok’s Bold Glamour Filter. Plast Reconstr Surg - Glob Open. 2025 Oct;13(10):e7133.

32. Mancin P, Gaudenzi V, Telesca R, Centofanti D, Bartoletti E, Cerea S. Exploring Snapchat Dysmorphia, Body Dysmorphic Disorder Symptoms, and Body Trust in Patients Seeking Aesthetic Medicine Procedures. Aesthet Surg J. 2026 Jan 29;46(2):213–21.

33. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. 2019 Dec;17(1):195.

34. Sendak M, Elish MC, Gao M, Futoma J, Ratliff W, Nichols M, et al. “The human body is a black box”: supporting clinical decision-making with deep learning. In: Proceedings of the 2020 Conference on Fairness, Accountability, and Transparency [Internet]. Barcelona Spain: ACM; 2020 [cited 2026 Feb 10]. p. 99–109. Available from: https://dl.acm.org/doi/10.1145/3351095.3372827

35. Wiens J, Saria S, Sendak M, Ghassemi M, Liu VX, Doshi-Velez F, et al. Do no harm: a roadmap for responsible machine learning for health care. Nat Med. 2019 Sep;25(9):1337– 40.

36. Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care — Addressing Ethical Challenges. N Engl J Med. 2018 Mar 15;378(11):981–3.

37. Roberts M, Driggs D, Thorpe M, Gilbey J, Yeung M, Ursprung S, et al. Common pitfalls and recommendations for using machine learning to detect and prognosticate for COVID-19 using chest radiographs and CT scans. Nat Mach Intell. 2021 Mar 15;3(3):199–217.

38. the Precise4Q consortium, Amann J, Blasimme A, Vayena E, Frey D, Madai VI. Explainability for artificial intelligence in healthcare: a multidisciplinary perspective. BMC Med Inform Decis Mak. 2020 Dec;20(1):310.

39. Ethics guidelines for trustworthy AI Shaping Europe’s digital future [Internet]. [cited 2026 Feb 10]. Available from: https://digital-strategy.ec.europa.eu/en/library/ethics-guidelines- trustworthy-ai

40. U.S. Food and Drug Administration. Artificial Intelligence/Machine Learning (AI/ML)-Based Software as a Medical Device (SaMD) Action Plan [Internet]. 2021 [cited 2026 Feb 3]. Available from: https://www.fda.gov/media/145022/download

41. Personal Data Protection Law Kişisel Verileri Koruma Kurumu [Internet]. [cited 2026 Feb 10]. Available from: https://www.kvkk.gov.tr/Icerik/6649/Personal-Data-Protection-Law

42. Regulation (EU) 2016/679 of the European Parliament and of the Council of 27 April 2016 on the protection of natural persons with regard to the processing of personal data and on the free movement of such data, and repealing Directive 95/46/EC (General Data Protection Regulation) (Text with EEA relevance) [Internet]. OJ L Apr 27, 2016. Available from: http://data.europa.eu/eli/reg/2016/679/oj

43. 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 Apr 16;385:e078378.

44. 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 Mar 24;388:e082505.