Yapay zeka modelleri ve platformları

Ambience, ziyaretlerden önce kanıtları ve yanıtsız soruları ortaya çıkarıyor

mm
Unite.AI sitesini Google'daki tercih ettiğiniz kaynaklara ekleyin

Ambience Healthcare, 12 Kasım 2026’da ziyaret öncesi bir iş akışı olan Ambience Prepare‘ı tanıttı. Bu iş akışındaki Chart Prep özelliği, hastaların uzun dönemli kayıtlarını kanıtlarla ilişkilendirilmiş bilgilendirme notlarına dönüştürüyor. Sistem, yaklaşan bir randevuyla ilgili kayıtları incelemek, yanıtlanmamış soruları öne çıkarmak ve klinik kararları klinisyene bırakmak üzere tasarlandı.

Prepare, klinisyenlerin hastanın kayıtları hakkında doğal dilde sorular sormasını sağlayan Chart Chat’i de içeriyor. Duyuruda, ziyaret öncesindeki kısa inceleme süresi için geliştirilen Chart Prep’e odaklanılıyor: klinisyene hastanın durumunu tanıtmak, bakımla ilgili önemli süreci yeniden ortaya koymak, değişiklikleri vurgulamak ve yanıtlanmamış soruları görünür kılmak. Bulgulara dayanak oluşturan kanıtlar iliştirilmiş olarak kalıyor; eksik veya çelişkili kayıtlar ise işaretleniyor.

Ameliyat Öncesinde İlaç Kayıtlarını Bir Araya Getirmek

Ambience, bu ayrımı; yakın zamanda çok odaklı inme geçirmiş bir hastayı, planlanan prostatın transüretral rezeksiyonu öncesinde muayene etmeye hazırlanan bir ürolog örneğiyle açıklıyor. Kardiyoloji, atriyal fibrilasyon saptanması hâlinde ilaçları değiştirmeyi planlamıştı. Daha sonraki bir test atriyal fibrilasyonu doğruladı, ancak takip eden kayıtlarda apiksaban tedavisine başlanıp başlanmadığı ve klopidogrel’in kesilip kesilmediği belirsiz kaldı.

Her bir kayıt, ameliyat hazırlığının merkezindeki ilaç sorusu yanıtlanmadan da doğru biçimde özetlenebilirdi. Chart Prep ise işlemi kanama riskiyle ilişkili ilaçlarla bağlantılandırmayı, kardiyoloji planını izlemeyi, ritim monitörünün sonucunu kontrol etmeyi ve planlanan değişikliği daha sonraki ilaç mutabakatıyla karşılaştırmayı amaçlıyor. Kayıtların neyi desteklediğini gösteriyor, çelişkileri belirliyor ve yanıtlanmamış soruları klinisyenin incelemesi için koruyor.

Chorus, Hastaya İlişkin Ortak Bağlam Sağlıyor

Chart Prep, Ambience’in 24 Ağustos 2026’da duyurduğu bağlam sistemi Chorus‘tan yararlanıyor. Chorus, ajana kayıtları tarama, klinik bir sürecin izini sürme, temel kanıtları açma, kaynakları karşılaştırma ve sonuçları dayanaklarına kadar takip etme araçları sağlıyor. Farklı Ambience iş akışlarının yeniden kullanabileceği, kaynaklarla bağlantılı ve hasta hakkında ortak bir anlayış oluşturuyor.

Ambience’e göre bir modele olabildiğince çok kayıt metni yüklemek yeterli değil: uzun kayıtlar bağlam pencerelerinin kapasitesini aşabiliyor, aşırı yüklü bağlamı güvenilir biçimde kullanmak zorlaşabiliyor ve modelin hangi süreçleri ve kanıtları incelemesi gerektiği konusunda yine yönlendirilmesi gerekiyor. Chorus’un önceki duyurusunda; notlar, ilaçlar, laboratuvar sonuçları, hastaneye yatışlar ve tanı raporları arasında gezinmenin yanı sıra çelişkili kaynakların ve zaman çizelgelerinin uzlaştırılması anlatılıyor. Elektronik sağlık kaydı yetkili kaynak olmayı sürdürürken Chorus, bu kayıt ile Ambience’in yapay zekâ iş akışları arasında ortak bir bağlam katmanı sağlıyor.

Değerlendirmede Klinik Açıdan Önemli Bilgiler İzleniyor

Chart Prep’in değerlendirme süreci, kurul sertifikalı klinisyenlerin yaklaşan bir ziyaretin hemen öncesindeki hâlleriyle kimlik bilgileri gizlenmiş hasta kayıtlarını incelemesiyle başlıyor. Klinisyenler, ziyaretle ilgili bilgileri belirleyip önem sırasına koyuyor; ikinci bir klinisyen vakayı bağımsız olarak inceliyor ve anlaşmazlıklar ya da eksiklikler karara bağlanıyor. Otomatik değerlendiriciler, çıktıları ancak klinisyenlerin yargılarıyla kabul edilebilir düzeyde uyum sağladıktan sonra klinisyenlerin oluşturduğu bu referanslarla karşılaştırıyor. Tutarlılığı değerlendirmek için her vaka birden fazla kez çalıştırılıyor.

Ambience, vaka başına üç bağımsız çalıştırmanın yapıldığı ve kimlik bilgileri gizlenmiş 46 hasta vakasından oluşan bir kıyaslamada, ajanın kayıtları nasıl incelediğini şekillendiren en yeni bağlam düzeninin kritik bilgilerin %92,2’sini ortaya çıkardığını; üretim ortamında kullanılan düzenin ise %78,7’sini ortaya çıkardığını bildiriyor. Yeni sonuç için %95 güven aralığı %87,2 ile %96,3 arasındaydı. Kritik önem taşıyan ve yüksek önem derecesine sahip tüm bilgilerin geri çağrılma oranı %66,3’ten %72,3’e yükseldi.

Geriye kalan eksiklerin gerekli kanıtları bulamama kaynaklı olanlarının payı %19,9’dan %9,3’e düştü; Ambience bu düşüşü %53 olarak bildiriyor. Karşılaştırmada üretim modeli, hasta grubu, klinisyen referansları ve değerlendirme paketi sabit tutuldu; böylece temel değişiklik Chorus tarafından oluşturulan bağlam düzeni oldu. Dolayısıyla ölçülen fark, temel modeldeki bir değişiklikten değil, ajanın kayıtları nasıl incelediğinden kaynaklanıyor.

Bu ayrım, sağlık sistemlerine ürünün faydasını ölçmek için belirli bir ölçüt sunuyor: Daha iyi bir inceleme, klinisyenlerin önemli gördüğü bilgileri bulup önceliklendirirken kanıtları ve belirsizlikleri inceleme için koruyor mu? İlaç örneğinde yararlı bir hazırlık, çözüme kavuşmamış planı ameliyattan önce görünür kılıyor; bu planın nasıl uzlaştırılacağına karar vermek ise klinisyene kalıyor.

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.