# Yapay Zeka Doktorlardan Daha mı İyi?

- Kaynak: https://kafa1milyon.com/yazi/yapay-zeka-doktorlardan-daha/
- Yayın: 2026-11-02
- Bölüm: Bilim
- Yazar: kafa1milyon
- Etiketler: yapay zeka, hekimlik, klinik karar, teknoloji, saglik sistemleri

> Son iki yıldaki üç güçlü çalışma aynı yere işaret ediyor: Yapay zeka bazı vaka testlerinde doktordan yüksek puan alıyor, ama doktorun yanına konduğunda sonuç her zaman otomatik artmıyor. Asıl mesele hız değil, iş akışı tasarımı.

---
Boston'da yapılan bir çalışmada 50 doktor iki gruba ayrıldı. İlk grup klasik kaynakları kullandı, ikinci grup aynı kaynaklara ek olarak GPT-4'e erişti. Sonuçlar açık: doktorların tanısal akıl yürütme puanı yüzde 74 ile yüzde 76 arasında kaldı ve bu fark istatistiksel olarak anlamlı çıkmadı. Aynı vaka setini GPT-4 tek başına çözdüğünde puan yüzde 92 oldu.[1]

Bu tablo, tek bir çalışmayla kesin hüküm vermeyi engelliyor.

Aynı dönemde yayımlanan başka bir randomize çalışmada 92 hekimin yönetim kararları ölçüldü ve GPT-4 desteği alan grupta ortalama skor 6,5 puan yükseldi.[2] Aynı araç bir yerde sınırlı etki, başka bir yerde belirgin artış üretebiliyor. Düğüm modelin ham gücünde değil; görevin türünde, puanlama tasarımında ve modelin karar akışına hangi adımda girdiğinde.

- JAMA deneyi neden "model güçlü ama ekip kazancı sınırlı" sonucu verdi.
- Nature Medicine deneyi hangi koşulda doktor + yapay zeka puanını yukarı çekti.
- NEJM AI çalışmasında tek model yerine model birleşimi neden daha iyi çalıştı.
- Hastane sahasında güvenli kullanım için ölçülebilir üç kontrol noktası.

- **%92** — JAMA çalışmasında GPT-4'ün tek başına aldığı medyan tanısal akıl yürütme puanı.JAMA Network Open, 2024
- **+6,5 puan** — Nature Medicine deneyinde hekim + GPT-4 grubunun klasik kaynağa göre ortalama yönetim puanı farkı.Nature Medicine, 2025
- **%75,3** — NEJM AI analizinde üç model birleşiminde ölçülen Top-5 doğruluk oranı.NEJM AI, 2024


## Aynı araç, farklı görev

JAMA Network Open çalışmasında vakalar hekimlere açık uçlu şekilde verildi. Puanlama yalnızca doğru tanıdan ibaret değildi; ayırıcı tanı listesi, karşı argümanlar ve bir sonraki test adımı birlikte değerlendirildi. Bu yapı, klinik muhakemenin parçalı bir süreç olduğunu gösteriyor. Doktor GPT-4 kullanınca hız biraz arttı ama nihai puan ciddi sıçramadı.[1]

Nature Medicine tarafında ise senaryo yönetim kararlarına odaklandı: hangi test şimdi, hangi tedavi daha önce, risk nasıl dengelenir. Burada GPT-4 destekli grup daha yüksek puan aldı, fakat vaka başına yaklaşık 119 saniye daha fazla zaman harcadı.[2] Sonuç, "daha iyi ama bedelsiz değil" diye okunmalı. Verimlilik değil, karar kalitesi artışı satın alınıyor.

*Görsel: İki randomize çalışmanın puanları yan yana geldiğinde tek bir hüküm çıkmıyor; görevin yapısı sonucu değiştiriyor. Kaynak: JAMA Network Open 2024, Nature Medicine 2025. Grafik: kafa1milyon.com*


## Tek model mi, model konseyi mi?

NEJM AI'da yayımlanan bir başka analiz tanı listesini tek modelden değil, birden fazla modelin ortak cevabından üretti. İnsanlar buna konsey etkisi diyor. Dört farklı ticari modelin çıktısı aynı vakada birleştirildiğinde Top-5 doğruluk ortalaması yüzde 59'dan yüzde 75,3'e çıktı.[3] Üstelik daha küçük modellerin birleşimi, tek başına güçlü bir modelin seviyesine yaklaşabildi.

Bu bulgu hastane yöneticisi için pratik bir kapı açıyor. "Tek bir sağlayıcıya bağlı kalalım" yaklaşımı her zaman teknik olarak en güvenli seçenek olmayabilir. Farklı modellerin ortak hatalarını azaltan bir katman, özellikle ayırıcı tanı listesinde daha dengeli sonuç verebilir. Burada kritik nokta, birleşim mantığının şeffaf olması. Hangi modelin hangi önerisi neden üst sıraya çıktı sorusu cevaplanmazsa sistem denetlenemez hale gelir.

*Görsel: Top-5 doğrulukta model birleşimi tek modele göre daha yüksek çıktı. Bu sonuç klinik kullanım için tek başına yeterli değil, ama sistem tasarımı için güçlü bir işaret veriyor. Kaynak: NEJM AI 2024. Grafik: kafa1milyon.com*


## Hekimlikte gerçek sınav nerede başlıyor?

Bu çalışmaların tamamı simüle vaka ortamında yapıldı. Gerçek klinikte tablo daha karmaşık. Hastanın konuşma dili, eksik bilgi, zaman baskısı, yoğunluk, laboratuvar gecikmesi ve ekip içi iletişim gibi etkenler devreye giriyor. Bu yüzden "model yüksek puan aldı" cümlesi, sahadaki hasta güvenliği performansının doğrudan eşdeğeri değil.

Asıl gerilim tam bu noktada başlıyor: sınav puanı ile servis pratiği aynı şey değil.

Yine de yeni bir standardın omurgası oluştu. Ölçüm yalnızca doğru tanı oranı ile sınırlı kalmamalı; plan kalitesi, gereksiz test yükü ve geçen süre birlikte izlenmeli. Model çıktısı ham metin yerine kaynaklı karar kartı biçiminde sunulmalı. Her serviste kırmızı çizgi kuralları da ayrı yazılmalı: hangi durumda model önerisi doğrudan reddedilir, hangi durumda ikinci hekim onayı zorunlu olur.

Bu çerçeve teknik ekip için de net bir iş listesi çıkarıyor. Kullanılan model sürümü, istem metni, bağlam belgeleri ve nihai hekim kararı aynı kayıt satırında tutulursa geriye dönük inceleme mümkün oluyor. Aksi durumda hata çıktığında sorunun kaynağı bulanık kalıyor: model mi saptı, veri mi eksikti, yoksa kullanıcı model cevabını yanlış mı yorumladı. Klinikte güven ilişkisi, tam da bu izlenebilirlik katmanında kuruluyor.

JAMA Internal Medicine'de yayımlanan karşılaştırma da benzer bir çerçeve veriyor. GPT-4 bazı klinik muhakeme görevlerinde hekimlerle yarışan, yer yer geçen puanlar üretebiliyor.[4] Buna rağmen sahada asıl avantaj, insan kararını kaldırmakta değil, insan kararını daha az hata yapan bir iş akışıyla desteklemekte ortaya çıkıyor.

Bu yüzden başlıktaki soruya tek kelimelik cevap yok. Evet, bazı sınavlarda yapay zeka doktordan daha yüksek puan alıyor. Hayır, bu sonuç tek başına daha iyi hasta bakımı garantisi vermiyor. Güvenli farkı belirleyen şey modelin cümle gücü değil, hastanenin ölçüm disiplini. JAMA deneyi 29 Kasım-29 Aralık 2023 arasında yürütüldü ve kayıt numarası NCT06157944.


## Dipnotlar ve Kaynaklar

1. Bond, R. M., Dial, A. B., Ali, A. A. ve ark. (2024). *Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial*. JAMA Network Open. [doi.org/10.1001/jamanetworkopen.2024.40969](https://doi.org/10.1001/jamanetworkopen.2024.40969)
2. Liu, C., Park, Y. R., Wornow, M. ve ark. (2025). *GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial*. Nature Medicine. [nature.com/articles/s41591-024-03456-y](https://www.nature.com/articles/s41591-024-03456-y)
3. Pande, A., Soltesz, K., Ekstedt, M. ve ark. (2024). *Combining Multiple Large Language Models Improves Diagnostic Accuracy*. NEJM AI. [doi.org/10.1056/AIcs2400502](https://doi.org/10.1056/AIcs2400502)
4. Hager, G. D., Jung, K., Kman, N. ve ark. (2024). *Clinical Reasoning of a Generative Artificial Intelligence Model Compared With Physicians*. JAMA Internal Medicine. [doi.org/10.1001/jamainternmed.2024.0295](https://doi.org/10.1001/jamainternmed.2024.0295)

Bu içerik bilgi amaçlıdır; tanı ve tedavi kararı için hekim değerlendirmesinin yerini almaz. Görseller ve grafikler: kafa1milyon.com (çalışma verilerinden üretilmiş görselleştirme).


---

Tamamı ve sesli anlatım: https://kafa1milyon.com/yazi/yapay-zeka-doktorlardan-daha/