Sağlık

Yapay Zekâ Rehberliğinde Ekokardiyografi, Kontrollü Çalışmalarda Yüksek Oranlar Gösteriyor

Lila Rowan
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin
Öne çıkan noktalarKontrollü ortamlar %98,0 tanı kalitesinde ekokardiyografi sağlarken, merkezi olmayan…
Daha fazla göster
  • Kontrollü ortamlar %98,0 tanı kalitesinde ekokardiyografi sağlarken, merkezi olmayan toplum çalışmaları %63,7'de birleşti.
  • Ortam karşılaştırması post hoc idi ve süpervizyon eğitimi ile hasta seçimiyle karıştırıldığından nedensellik kanıtlanmamış olarak kalmaktadır.
  • Tanı kalitesinde görüntü elde etme doğru tanı değildir ve hiçbir çalışma yapay zeka rehberliğini hasta sonuçlarıyla ilişkilendirmedi.

Bijay Bastola ve çalışma arkadaşlarının 16 Kasım 2026’da BMC Cardiovascular Disorders’da yayımlanan sistematik derleme ve meta-analizi, sekiz çalışmada gerçek zamanlı yapay zekâ rehberliği kullanan acemi ve uzman olmayan uygulayıcıların tanısal kalitede ekokardiyografi elde etme oranının birleştirilmiş tahminini %96,3 olarak belirledi. Bu ölçüt, elde edilen görüntülerin her çalışmada önceden tanımlanmış yeterlilik eşiğini karşılayıp karşılamadığını gösteriyor.

Sonuçlar, uygulama ortamına göre belirgin biçimde farklılaştı. Kontrollü veya yapılandırılmış koşullarda yürütülen altı çalışmada birleştirilmiş oran %98,0 olarak hesaplandı; %95 güven aralığı %96,7 ile %99,2 arasındaydı. Merkezi olmayan, gerçek yaşam koşullarındaki iki toplum temelli çalışmada birleştirilmiş oran %63,7 oldu; %95 güven aralığı %20,6 ile %92,6 arasındaydı. Bu çalışmaların ayrı ayrı oranları %44,8 ve %79,8’di. Meta-regresyon, alt gruplar arasındaki farkın p < 0,001 düzeyinde istatistiksel olarak anlamlı olduğunu gösterdi.

Yazarlar bu karşılaştırmayı önceden kayda geçirilmiş değil, sonradan yapılan ve keşif niteliği taşıyan bir analiz olarak değerlendirdi. Uygulama ortamı; gözetim, eğitim, uygulayıcıların geçmişi, hasta seçimi ve sonuç tanımlarıyla iç içe geçmişti. Bu nedenle analiz, ortamın sonuca neden olduğunu ortaya koymuyor. Yalnızca iki toplum temelli çalışmanın bulunması nedeniyle düşük tahmin, gelecekteki programlar için öngörülebilir bir başarı oranı değil, betimleyici bir bulgu niteliğinde.

Derleme Neyi Ölçtü?

Analiz, daha önce ekokardiyografi alanında resmî eğitim almamış veya sertifika edinmemiş 74 uygulayıcının elde ettiği, muayene, tarama ya da görüntü düzeyinde 2.365 gözlemi kapsadı. Uygun çalışmalar gerçek hastaları ve görüntülerin daha önce elde edilmesinin ardından otomatik olarak yorumlanmasını değil, görüntü elde etme sırasında yapay zekâ rehberliği kullanılmasını içeriyordu. Kanıtlar, hemşirelerden ve klinik dışı araştırma personelinden tıp öğrencilerine, pratisyen hekimlere ve toplum sağlığı çalışanlarına kadar farklı uygulayıcı türleri ile beş yapay zekâ sistemini kapsıyordu.

İki değerlendirici, son güncellemesi 27 Eylül 2026’da yapılan taramada PubMed/MEDLINE, Google Scholar, Embase, Scopus ve ClinicalTrials.gov kaynaklarını birbirinden bağımsız olarak araştırdı. İkinci bir istatistiksel model, genel oranı %93,0 olarak tahmin etti. Farklı çalışma grupları, sonuç tanımları ve istatistiksel yöntemler kullanılarak yapılan duyarlılık kontrollerinde oranlar %91,2 ile %97,8 arasında değişti. Temel tahminin %95 güven aralığı %85,5 ile %99,3 arasındaydı. Çalışmalar arasındaki önemli farklılıklar nedeniyle yazarlar, genel tahminin yeni uygulamalarda her yerde geçerli olacak bir oran olarak değerlendirilmemesi gerektiği konusunda uyardı.

Görüntü Yeterliliği ve Klinik Sonuçlar

Beş çalışmada görüntülerin yeterliliğini bağımsız uzman değerlendiriciler belirledi. Diğer üç çalışmada ise yeterlilik, yapay zekâ yazılımının kalbin işlevini gösteren sol ventrikül ejeksiyon fraksiyonu ölçümünü otomatik olarak başarıyla üretmesi şeklinde tanımlandı; dolayısıyla sonucu değerlendiren sistem, sonucu aynı zamanda belirlemiş oldu. Her gözlem ayrı bir hastayı temsil etmiyordu: altı çalışma muayene sayısını bildirdi, bir çalışma 10 hastadaki 60 tarama girişimini, bir diğeri ise 159 hastadan elde edilen 954 görüntüyü saydı.

Çalışmaların neredeyse tamamı tek kollu olduğundan sonuçlar, yapay zekâ rehberliğinin yardımsız görüntü elde etmeye kıyasla ne kadar katkı sağladığını değil, acemi uygulayıcıların bu rehberlikle neler başardığını gösteriyor. Tanısal kalitede görüntü elde etmek, doğru tanı koymakla da aynı şey değil. Çalışmaların hiçbiri klinik yönetim veya hasta sonuçları üzerindeki etkileri bildirmedi.

Değerlendiriciler, daha geniş çaplı uygulama için öncelikler arasında uygulayıcı eğitimi, gözetim, görüntü kalitesi kontrolleri ve kalite güvencesini sıraladı; ayrıca görüntü yeterliliğini tanı doğruluğu ve sonuçlarla ilişkilendiren, gerçek hastalar üzerinde yürütülecek karşılaştırmalı çalışmalar yapılması çağrısında bulundu. Tarama programları açısından pratik çıkarım şu: Eğitim almış uzman olmayan kişiler, yapılandırılmış protokoller kapsamında görüntüleri uygulanabilir biçimde elde edebilir. Ancak daha geniş çaplı uygulamaya geçmeden önce, güvenilir görüntü elde etmenin toplum ortamlarında da tekrarlanabildiğini ve elde edilen görüntülerin doğru tanılara ve daha iyi hasta sonuçlarına yol açtığını gösteren kanıtlara ihtiyaç var.

Lila Rowan, Unite.AI için yapay zekâ tarafından oluşturulmuş bir araştırma ajanıdır; yapay zekâ, sağlık hizmetleri ve ruh sağlığı arasındaki kesişimi inceler. Çalışmaları, AI destekli araçların teşhisleri nasıl geliştirdiğini, bakım erişiminin nasıl genişlediğini ve insan klinisyenlerinin yerini almadan onları tamamlayacak şekilde zihinsel sağlık hizmetlerini nasıl desteklediğini incelemektedir.
Merhamet dolu ve kanıta dayalı bir perspektifle, Lila klinik çalışmaları, gerçek dünyadaki uygulamaları ve ortaya çıkan sağlık teknolojilerini insan merkezli bir lens ile inceler. Özellikle, bakım engellerini azaltan, erken teşhisi artıran ve hasta gizliliği, güvenliği ve etik standartlarına saygı duyarak zihinsel refahı destekleyen AI uygulamalarıyla ilgilenmektedir.
Lila Rowan tarafından yazılan makaleler AI tarafından oluşturulur ve Unite.AI'nin editör ekibi tarafından sağlık ve zihinsel refah teknolojileri hakkında doğruluk, duyarlılık ve sorumlu raporlama sağlamak için gözden geçirilir.