- Katılım
- 13 Ocak 2026
- Mesajlar
- 239
- Tepkime puanı
- 102
- Puan
- 43
Arkadaşlar, “yapay zekâ doktorlardan dört kat daha doğru teşhis koyuyor” başlığı dikkat çekiyor; fakat araştırmanın hangi koşulları karşılaştırdığını görmeden bu cümleyi bütün sağlık hizmetlerine genellemek doğru olmaz. The Verge’in aktardığı ve Microsoft’un resmî açıklamasında ayrıntılandırdığı yeni çalışma, Diagnostic Orchestrator adlı çok ajanlı sistemin belirli geçmiş vaka senaryolarındaki sonuçlarını inceliyor. Bulgular umut verici; gerçek hastane ortamındaki klinik başarının aynı düzeyde olduğu ise henüz gösterilmiş değil.
Sistem tek seferde cevap veren bir sohbet robotu değil
Diagnostic Orchestrator, sanal bir uzmanlar kuruluna benzer biçimde tasarlanmış. Farklı ajanlar olası teşhisleri öneriyor, hangi sorunun sorulacağına veya hangi testin isteneceğine katkıda bulunuyor ve gelişen değerlendirmeyi sorguluyor. Bilgi geldikçe süreç birkaç tur boyunca güncelleniyor. Amaç yalnızca doğru görünen bir hastalık adı yazmak değil, o sonuca ulaşırken hangi kanıtların istendiğini de değerlendirmek.
Bu yaklaşımı sınamak için SDBench adlı bir değerlendirme düzeni hazırlanmış. Microsoft’un açıklamasına göre bir grupta The New England Journal of Medicine’da yayımlanmış 304 karmaşık vaka, diğerinde ise daha tipik acil servis başvurularından oluşturulmuş senaryolar bulunuyor. Başlangıçta bütün bilgi tek seferde verilmiyor; değerlendirmeyi yapan tarafın sonraki bilgiyi seçmesi gerekiyor. Bu, klasik çoktan seçmeli tıp sorularından farklı bir sınama biçimi.
Fotoğraf: Getty Images / The Verge. Microsoft AI yöneticisi Mustafa Suleyman; fotoğraf klinik bir uygulamayı göstermiyor.
Yüzde 83 ile hangi sonuç karşılaştırılıyor?
Karmaşık vaka grubunda sistemin teşhis doğruluğu yaklaşık yüzde 83 olarak bildiriliyor. Referans kaynaklarından yararlanmayan hekimlerde oran yüzde 22, kaynak kullanabilen hekimlerde ise yüzde 36. Yaklaşık dört kat ifadesi yüzde 83 ile yüzde 22’nin karşılaştırılmasından geliyor. Kaynak kullanabilen grupla karşılaştırma yaklaşık 2,3 kat. Aynı veri üzerinden iki farklı oran çıkabilmesi, başlıktaki çarpıcı ifadenin neden bağlamıyla verilmesi gerektiğini gösteriyor.
Acil servis senaryolarında ise sistem yüzde 80, insan hekimler ortalama yüzde 47 doğruluk elde etmiş. Bu karşılaştırma yaklaşık 1,7 kata denk geliyor. Dolayısıyla dört kat sonucunu bütün vaka gruplarının ortak sonucu gibi sunamayız. Ayrıca bu değerler, geçmiş kayıtlarla oluşturulmuş bir değerlendirmedeki doğruluğu anlatıyor; hastaların tedavi sonuçlarında dört kat iyileşme yaşandığını göstermiyor.
Model seçimi ve maliyet tarafında sınırlar var
The Verge, araştırmadaki sistemin GPT-5 ile desteklendiğini ve tek başına çalışan modellerle de karşılaştırıldığını aktarıyor. Ancak hakem değerlendirmesinden geçen makalede daha yeni modellerin tamamı bulunmuyor. Bu nedenle çalışma, bugün erişilebilen her modelin güncel sıralamasını veren eksiksiz bir yarış tablosu olarak okunmamalı. Çok ajanlı çalışma düzeninin katkısı ile temel modelin yeteneği de ayrı sorular.
Araştırma, teşhise ulaşırken istenen testlerin tahmini maliyetlerini de değerlendiriyor. Bazı yapılandırmaların daha az maliyetle güçlü doğruluk sağladığı belirtiliyor. Buradaki maliyet, belirli test senaryolarındaki hesaplamaya dayanıyor. Hastanelerin tüm giderlerinin veya bir hastanın gerçek faturalarının aynı oranda azalacağı anlamına gelmiyor. Bir değerlendirmenin iyi çıkmasıyla günlük hizmete uygulanması arasında iş akışı, sorumluluk ve klinik doğrulama aşamaları bulunuyor.
Sıradaki önemli adım gerçek klinik değerlendirme
Microsoft, Boston’daki Beth Israel Deaconess Medical Center ile gerçek hastane koşullarında çalışmayı planlıyor. The Verge’e konuşan Dr. Dominic King, testlerin önümüzdeki aylarda başlayabileceğini söylüyor; kesin bir başlangıç veya yaygın kullanıma açılma tarihi verilmiyor. Microsoft da kıyaslama sonuçlarının gerçek klinik ortamda sınanması gerektiğini vurguluyor.
Bence haberin değeri, hekimliğin bittiğini ilan etmekten çok teşhis sürecindeki soru sorma ve kanıt toplama adımlarının ölçülebilir hale gelmesi. Örneğin doğru sonuca gereksiz testler isteyerek ulaşmakla, uygun bilgileri seçerek ulaşmak aynı çalışma deneyimini yaratmayabilir. Bu benim açıklayıcı örneğim; herhangi bir hastalık için tanı veya tedavi önerisi değil. Sizce böyle sistemlerde en önemli başarı ölçütü doğruluk mu, hekimle uyum mu, yoksa gerçek hastalarda gösterilen yarar mı olmalı?
Kaynak: The Verge’in Microsoft Diagnostic Orchestrator araştırması ve planlanan klinik testler hakkındaki haberi.
Sistem tek seferde cevap veren bir sohbet robotu değil
Diagnostic Orchestrator, sanal bir uzmanlar kuruluna benzer biçimde tasarlanmış. Farklı ajanlar olası teşhisleri öneriyor, hangi sorunun sorulacağına veya hangi testin isteneceğine katkıda bulunuyor ve gelişen değerlendirmeyi sorguluyor. Bilgi geldikçe süreç birkaç tur boyunca güncelleniyor. Amaç yalnızca doğru görünen bir hastalık adı yazmak değil, o sonuca ulaşırken hangi kanıtların istendiğini de değerlendirmek.
Bu yaklaşımı sınamak için SDBench adlı bir değerlendirme düzeni hazırlanmış. Microsoft’un açıklamasına göre bir grupta The New England Journal of Medicine’da yayımlanmış 304 karmaşık vaka, diğerinde ise daha tipik acil servis başvurularından oluşturulmuş senaryolar bulunuyor. Başlangıçta bütün bilgi tek seferde verilmiyor; değerlendirmeyi yapan tarafın sonraki bilgiyi seçmesi gerekiyor. Bu, klasik çoktan seçmeli tıp sorularından farklı bir sınama biçimi.
Fotoğraf: Getty Images / The Verge. Microsoft AI yöneticisi Mustafa Suleyman; fotoğraf klinik bir uygulamayı göstermiyor.
Yüzde 83 ile hangi sonuç karşılaştırılıyor?
Karmaşık vaka grubunda sistemin teşhis doğruluğu yaklaşık yüzde 83 olarak bildiriliyor. Referans kaynaklarından yararlanmayan hekimlerde oran yüzde 22, kaynak kullanabilen hekimlerde ise yüzde 36. Yaklaşık dört kat ifadesi yüzde 83 ile yüzde 22’nin karşılaştırılmasından geliyor. Kaynak kullanabilen grupla karşılaştırma yaklaşık 2,3 kat. Aynı veri üzerinden iki farklı oran çıkabilmesi, başlıktaki çarpıcı ifadenin neden bağlamıyla verilmesi gerektiğini gösteriyor.
Acil servis senaryolarında ise sistem yüzde 80, insan hekimler ortalama yüzde 47 doğruluk elde etmiş. Bu karşılaştırma yaklaşık 1,7 kata denk geliyor. Dolayısıyla dört kat sonucunu bütün vaka gruplarının ortak sonucu gibi sunamayız. Ayrıca bu değerler, geçmiş kayıtlarla oluşturulmuş bir değerlendirmedeki doğruluğu anlatıyor; hastaların tedavi sonuçlarında dört kat iyileşme yaşandığını göstermiyor.
Model seçimi ve maliyet tarafında sınırlar var
The Verge, araştırmadaki sistemin GPT-5 ile desteklendiğini ve tek başına çalışan modellerle de karşılaştırıldığını aktarıyor. Ancak hakem değerlendirmesinden geçen makalede daha yeni modellerin tamamı bulunmuyor. Bu nedenle çalışma, bugün erişilebilen her modelin güncel sıralamasını veren eksiksiz bir yarış tablosu olarak okunmamalı. Çok ajanlı çalışma düzeninin katkısı ile temel modelin yeteneği de ayrı sorular.
Araştırma, teşhise ulaşırken istenen testlerin tahmini maliyetlerini de değerlendiriyor. Bazı yapılandırmaların daha az maliyetle güçlü doğruluk sağladığı belirtiliyor. Buradaki maliyet, belirli test senaryolarındaki hesaplamaya dayanıyor. Hastanelerin tüm giderlerinin veya bir hastanın gerçek faturalarının aynı oranda azalacağı anlamına gelmiyor. Bir değerlendirmenin iyi çıkmasıyla günlük hizmete uygulanması arasında iş akışı, sorumluluk ve klinik doğrulama aşamaları bulunuyor.
Sıradaki önemli adım gerçek klinik değerlendirme
Microsoft, Boston’daki Beth Israel Deaconess Medical Center ile gerçek hastane koşullarında çalışmayı planlıyor. The Verge’e konuşan Dr. Dominic King, testlerin önümüzdeki aylarda başlayabileceğini söylüyor; kesin bir başlangıç veya yaygın kullanıma açılma tarihi verilmiyor. Microsoft da kıyaslama sonuçlarının gerçek klinik ortamda sınanması gerektiğini vurguluyor.
Bence haberin değeri, hekimliğin bittiğini ilan etmekten çok teşhis sürecindeki soru sorma ve kanıt toplama adımlarının ölçülebilir hale gelmesi. Örneğin doğru sonuca gereksiz testler isteyerek ulaşmakla, uygun bilgileri seçerek ulaşmak aynı çalışma deneyimini yaratmayabilir. Bu benim açıklayıcı örneğim; herhangi bir hastalık için tanı veya tedavi önerisi değil. Sizce böyle sistemlerde en önemli başarı ölçütü doğruluk mu, hekimle uyum mu, yoksa gerçek hastalarda gösterilen yarar mı olmalı?
Kaynak: The Verge’in Microsoft Diagnostic Orchestrator araştırması ve planlanan klinik testler hakkındaki haberi.