Bu tədqiqat, bir xəstənin fərqli sşəbəkəlık bölümlerine dşəbəkəılmış dərman, tanı, laboratoriya və muayene bilgilərinden yararlanırken bütün səhiyyə qeydlərinı tek bir mərkəzi vərilənlər bazasında toplamamayı amaçlayan MedAgentNet adlı federativ çox-agentli süni intellekt arxitekturasıni təklifktedir. Sistemde kardiologiya, aptek, laboratoriya, stomatologiya, endokrinologiya və diğer bölümlerin her biri yalnızca kendi yerel qeydlərina erişen uzmanlaşmış bir süni intellekt etmeni çalıştırmaktadır. Bölümler birbirlerine xam xəstə faylları göndermek yerine, belirli bir klinik məqsədla sınırlandırılmış strukturlaşdırılmış sorğular və gereken en az klinik bilgiyi içeren yanıtlar ilətmektedir.

Arxitekturanin merkezinde xəstə məlumatıni birbaşa görmeyen bir Orkestrator Agent bulunmaktadır. Bu etmen, örneğin diş çekimi planlanan bir xəstəda kardiologiya və aptek bilgilərinin gerekli olduğunu belirlemekte; xəstə razılığını kontrol ettirmekte; ilgili bölüm etmenlerine sorgu göndermekte və gelen yanıtları tek bir klinik qiymətləndirməde birleştirmektedir. Bilgi paylaşımı üç açıqlama qatmanına ayrılmıştır: Tier 1 yalnızca ilgili bir riskin bulunduğunu bildiren işaret səviyyəidir; Tier 2 dərman adı, doz, tanı kodu və ya laboratoriya dəyəri gibi karar üçün gerekli klinik xülasəi paylaşır; Tier 3 isə ayrıntılı tedavi geçmişi və klinik anlatı gibi daha geniş bşəbəkəlamı içerir.

Tədqiqatçılar arxitekturayi real xəstə məlumatı yerine sintetika xəstə qeydləri üzerinde sınamıştır. Simülasyonda 10 şöbə agenti, bir orkestrator, xəstə razılığı yönetim servisi və audit qeydi oluşturulmuş; LLaMA 3.1 8B modeli kullanılarak sekiz dərman ziddiyyəti və üç şöbələrarası diaqnostik örüntü dəyərlendirilmiştir. Varsayılan Tier 2 paylaşımında dərman çatışmaları və diaqnostik örüntüler üçün yüzde 100 aşkarlama bildirilmiş, üç bşəbəkəımsız çalıştırmadaki orta yanlış pozitiv nisbətı yüzde 1,7 olmuştur. Ancaq bu nəticələr yalnızca tədqiqatçıların önceden tanımladığı 11 senaryo üçün geçerlidir və real xəstənelerde aynı başarımın elde ediləceğini göstermez.

Tier 1 bütün dərman çatışmalarını işaretleyebilmiş fakat şöbələrarası diaqnostik örüntülerin hiçbirini belirleyememiştir. Tier 2’de örüntü aşkarlamai yeniden yüzde 100’e çıkmıştır. Bu nəticə, yalnızca “başka bir bölümde risk ola bilər” biçimindeki soyut bir uyarının; yükselen glikoz dəyərləri, HbA1c eğilimi, retina değişiklikleri və periferik nöropati gibi ayrıntıları birleştirmek üçün yeterli olmadığını göstərir. Tədqiqatnın asıl bulgusu, güclü bir dil modelinin tek başına değil, doğru bölümlere erişim sşəbəkəlayan və gerekli klinik ayrıntıyı kontrollü biçimde taşıyan koordinasyon qatının belirleyici olduğudur.

Hasta razılıqı təcrübəinde ilətişim kanallarının yüzde 30’u və yüzde 60’ı kapatıldığında seçilən simülasyonlarda aşkarlama nisbəti korunmuştur. Tüm şöbələrarası paylaşım kapatıldığında isə dərman ziddiyyəti aşkarlamai yüzde 35,3’e, diaqnostik örüntü aşkarlamai yüzde 0’a düşmüştür. Bu durum, məxfilik tercihleri ilə şöbələrarası klinik yarar arasında real bir değiş tokuş bulunduğunu göstərir. Buna karşılık tədqiqatın nəticələri xəstəların geniş vəri paylaşımına zorlanmasını desteklemez; tədqiqatçılar tercihlerin açıq, geri alınabilir və basılın uzak biçimde yönetilmesi gerektiğini belirtmektedir.

Türkiyə baxımından: MedAgentNet yaklaşımı; fərqli poliklinikler, laboratoriyalar, aptek sistemleri və xəstəneler arasında tam xəstə dosyasını aktarmadan dərman qarşılıqlı təsiri kontrolü, işləmə öncesi risk qiymətləndirməsi və uzun dəhəmiyyətli bulgu örüntüsü araştırılması üçün incelenebilir. Türkiyədə uygulanmadan önce türkcə klinik notlar, yerel dərman adları və doz biçimleri, tanı və laboratoriya kodları, xəstəne bilgi yönetim sistemleri, xəstə razılıq prosesleri və sşəbəkəlık vərisi koruma yükümlülükleriyle ayrı teknik və hukuki validasiya strukturlmalıdır. Gerçek hekimler tarafından etikaetlenmiş geçmiş qeydlarla geriye dönük tədqiqat, ardından insan denetimli iləriye dönük klinik pilot gereklidir. Bu tədqiqatdan Türkiyədə dərman hatalarının önleneceği, tanı gecikmelerinin azalacşəbəkəı, sistemin mevzuata kendiliğinden uyacşəbəkəı və ya xəstə təhlükəsizği açısından klinik istifadəa hazır olduğu sonucu çıkarılamaz.

Tədqiqatın çözmeye çalıştığı sorun nədir?

Bir xəstə aynı dörütubət üçünde ailə hekimi, kardiyolog, diş hekimi, endokrinolog, göz hekimi və fərqli laboratoriyalarla karşılaşabilir. Her bölüm yalnızca kendi qeydlərinı görüyorsa bir bölümde sıradan görünen bulgu, başka bir bölümdeki dərman və ya klinik dəyişənle birlikdə əhəmiyyətli bir risk oluşturabilir.

Tədqiqatda iki temel parçalanma problemi ele alınmaktadır:

• Farklı hekimler tarafından vərilən dərmanların birbirleriyle və ya planlanan bir işləməle çatışması
• Farklı bölümlerde ortaya çıkan küçük bulguların tek bir diaqnostik örüntü hâlinde birleştiriləmemesi

Bütün qeydlərin tek bir merkezi depoda toplanması bu bilgi eksikliğini azaltabilir. Ancaq merkezi struktur; qurumların vəri kontrolünü kaybetmesi, büyük bir saldırı hedefi oluşması, xəstə razılığının yönetilmesi və fərqli bilgi sistemlerinin uyumlaştırılması gibi yeni sorunlar yaratabilir. MedAgentNet, vəriyi merkeze taşımak yerine klinik soruyu ilgili vərinin bulunduğu bölüme götürmektedir.

“Federativ” sözcüğü bu tədqiqatda nə məna daşıyır?

Bu tədqiqatdaki federativ struktur, klasik federativ öğrenmeden fərqlidır. Klasik federativ öğrenmede fərqli qurumlar yerel vəriləriyle ortak bir makine öğrenmesi modelini eğitir və modele ait çəki və ya gradyan güncellemelerini paylaşır.

MedAgentNet isə çəkilı olaraq çıkarım zamanında işbirliği yapmaktadır. Bölüm etmenleri ortak model eğitələmək üçün parametre göndermek yerine, belirli bir xəstə və klinik məqsəd üçün birbirlerine sınırlı sorular yöneltmektedir. Örneğin stomatologiya etmeni, kardiologiya etmeninden xəstənin bütün kalp geçmişini değil, planlanan diş çekimini etkiləyen aktif antikoagülan bulunup bulunmadığını sorar.

Şekil 1’deki ümumi arxitektura nə göstərir?

Tədqiqatnın üçüncü sayfasındaki Şekil 1’de stomatologiya, kardiologiya, endokrinologiya və acil servis etmenleri merkezi bir Orkestrator Agent çevresinde gösterilmiştir. Oklar, birbaşa xəstə dosyası aktarımını değil; bşəbəkəlama duyarlı yönlendirme, sorgu oluşturma və strukturlandırılmış yanıt akışını temsil etmektedir.

Şeklin alt qatında LLaMA 3.1 8B kullanılan simülasyon, Tier 2’de bildirilən aşkarlama başarımı və HIPAA, GDPR ilə HL7 FHIR uyumluluğu iddiaları xülasəlenmiştir. Bu görsel, tədqiqatnın bütün sistemini tek çerçevəde açıqlamaktadır; ancaq gösterilən uyumluluk ifadeleri bşəbəkəımsız sertifikasiya sonucu değildir.

Bölüm etmenleri hansı görevleri üstlenmektedir?

Her Şöbə Agenti üç temel işlevə sahiptir:

1. Yerel vəri çıxışı: Etmen yalnızca kendi bölümündeki elektron səhiyyə qeydi, laboratoriya bilgi sistemi və ya dərman vərilənlər bazasına erişir.
2. Klinik akıl yürütme: Gelen sorgunun kendi uzmanlık alanındaki qeydlarla ilişkisini dəyərlendirir.
3. Açıklama kontrolü: Yanıtta hansı ayrıntıların paylaşılabiləceğini xəstə razılığı və açıqlama qatmanına göre sınırlar.

Tədqiqatnın biçimsel tanımında bölüm etmenleri kümesi:

\[ \mathcal{A}=\{A_1,A_2,\ldots,A_n\} \]

olaraq ifade edilmektedir. Her \(A_i\) etmeni yalnızca kendi \(D_i\) vəri deposuna erişir. Bir xəstə \(p\), sorgu \(q\) və açıqlama qatmanı \(\tau\) üçün etmenin yanıtı:

\[ R_i(p,q,\tau)=f_i\left(\operatorname{retrievə}(D_i,p),q,\tau\right) \]

şeklinde müəyyən edilmişdir. Burada \(f_i\), etmenin klinik akıl yürütme işlevidir; \(\operatorname{retrievə}(D_i,p)\), xəstəya ait yerel qeydlərin gəlirliklmesini; \(\tau\in\{1,2,3\}\) isə paylaşım ayrıntısını belirtmektedir.

Orkestrator Agent xəstə vərilərini görmekte midir?

Tədqiqatçıların tasarımına göre Orkestrator Agent ham xəstə kaydına erişmez. İstekte bulunan bölümün vərdiği klinik bşəbəkəlamı və diğer etmenlerin yeteneklerini kullanarak hansı bölümlerin sorgulanacşəbəkəına karar vərir.

Orkestratörün temel görev sırası şöyledir:

1. Klinik bşəbəkəlamdan ilgili hedef bölümleri belirlemek
2. Her bölüm üçün amaca uygun strukturlandırılmış sorgu oluşturmak
3. Hasta razılıqının ilgili sorguya izin vərip vərmediğini kontrol ettirmek
4. İzin vərilən sorguları bölüm etmenlerine yöneltmek
5. Yanıtları birleştirerek isteyen klinisyene anlaşılır bir nəticə sunmak
6. Sorgu, yanıt və razılıq işləməlerini audit qeydina geçirmek

Orkestratörün ham kayda erişmemesi, merkezi vəri gölü oluşmasını maneəlemeyi amaçlamaktadır. Bununla belə orkestratorün gördüğü klinik bşəbəkəlam və etmenlerden dönen xülasəlerin de hassas bilgi taşıyabiləceği unutulmamalıdır. Tədqiqatda bu ara vərilərin yenidən identifikasiya riski və ya kötü niyetli sorgu saldırıları təcrübəsel olaraq incelenmemiştir.

Hasta Onayı Yönetim Servisi necə tədqiqatktadır?

Hasta Onayı Yönetim Servisi, her xəstə üçün bölüm çiftlerine göre paylaşım izinleri tutmaktadır. Örneğin bir xəstə kardiologiyanin acil servisə Tier 2 səviyyəinde yanıt vərmesine izin vərirken başka bir bölüm çifti arasındaki ilətişimi kapatabilir.

Onay profilinde şu kuralların bulunabiləceği qeyd edilmişdir:

• Hangi bölümün hansı başka bölümü sorgulayabiləceği
• İzin vərilən en yüksək açıqlama qatmanı
• Onayın geçerli olduğu zaman aralığı
• Yalnızca aktif tedavi sırasında geçerli bşəbəkəlamsal kısıtlar
• Acil durumda uygulanabiləcek geçersiz kılma koşulları

Her sorgu yürütülmeden önce bu profil kontrol edilmektedir. Hasta izinleri değiştirdiğinde sonraki sorguların yeni kurala göre işlenmesi öngörülmüştür. Ancaq tədqiqatda real xəstəların razılıq arayüzünü kullanma biçimi, razılıq metinlerini anlayıp anlamadığı və ya karar değiştirme davranışı test edilmemiştir.

Standart Klinik Sorgu Türleri niyə istifadə edilmişdir?

Etmenlerin serbest biçimli və sınırsız sorular göndermesi, gereğinden fazla vəri istemesine və denetimin zorlaşmasına yol açabilir. MedAgentNet bu niyəle Klinik Sorgu Türü olaraq adlandırılan önceden tanımlı amaç sınıfları kullanmaktadır.

Bu sınıflandırma sorguları amaçla sınırlandırmakta, kayda alınmasını kolaylaştırmakta və bir bölümün xəstənin bütün geçmişini belirsiz gerekçelerle istemesini önlemeyi hedeflemektedir.

FHIR uyumlu mesaj struktursında hansı bilgilər bulunmaktadır?

Altıncı sayfadaki Şekil 3, şöbələrarası sorgunun JSON biçimindeki örneğini göstərir. Örnekte şu alanlar yer almaktadır:

• Sorgunun benzersiz kimliyi
• Kaynak və hedef etmen
• Takma və ya xülasəlenmiş xəstə kimliyi
• MED_CONFLICT gibi sorgu türü
• Planlanan işləmə və ilgili dərman kategoriləri
• Talep edilən açıqlama qatmanı
• Hasta razılıq belirteci
• Zaman damgası

Bu struktur, ilətişimin izlenebilir və makine tarafından işlenebilir olmasını amaçlamaktadır. Ancaq tədqiqat real bir xəstəne FHIR sunucusuyla entegrasyon testi yapmamış; şema, önerilən arxitektura və simülasyon üçünde dəyərlendirilmiştir.

Üç açıqlama qatmanı arasındaki fark nədir?

Tədqiqatda Tier 2 varsayılan denge noktası olaraq belirlenmiştir. İlaç adı və temel laboratoriya dəyərləri paylaşılmadan şöbələrarası örüntü aşkarlamai realleştiriləmemiş; buna karşılık tam klinik anlatının paylaşıldığı Tier 3, seçilən senaryolarda Tier 2’ye göre ek aşkarlama kazancı sşəbəkəlamamıştır.

Arxitekturanin məxfilik iddiası hansı mekanizmalara dayanmaktadır?

Tədqiqatçılar beş temel xüsusilik tanımlamaktadır:

• Veri yerelliği: Ham qeydlərin mənbə bölümde kalması
• Amaç sınırlaması: Her sorgunun belirli bir klinik sorğu türüyle sınırlandırılması
• Gerekli en az açıqlama: Varsayılan olaraq yalnızca karar üçün gereken xülasəin paylaşılması
• Denetlenebilirlik: Sorgu, razılıq və yanıtların qeyd altına alınması
• Hasta kontrolü: Bölümler arası izinlerin görüntülenebilmesi və geri alınabilmesi

Bunlar əhəmiyyətli arxitektura korumalardır; ancaq tek başlarına matematiksel və ya kriptoqrafik gizlilik garantisi oluşturmaz. Tədqiqat diferensial məxfilik, homomorfik şifrələmə və təhlükəsiz çox tərəfli hesablama gibi üsullarin sonradan eklenebiləceğini belirtmektedir. Mevcut təcrübəlerde bu üsullarin uygulanması, saldırı dayanıklılığı və ya məlumat sızmasının nicel ölçməü gösterilmemiştir.

Önerilən texnologiya yığını hansı qatlardan oluşmaktadır?

Dokuzuncu sayfadaki Şekil 6, sistemi beş qatda göstərir:

1. Veri qatı: Bölümlere ait elektronik səhiyyə qeydləri, laboratoriya sistemleri və dərman vəri tabanları
2. Servis qatı: Hasta razılıqı, audit qeydi və dərman qarşılıqlı təsiri vərilənlər bazası
3. Protokol qatı: FHIR R4 API, klinik sorğu protokolü və karşılıklı TLS
4. Etmen qatı: Dil modeli tabanlı bölüm etmenleri və orkestrator
5. Sunum qatı: Klinisyen paneli, xəstə portalı və mobil uygulama

Tədqiqatçılar bölüm etmenlerinin yerel qeydlardan bilgi getiren bir erişim destekli üretim hattıyla tədqiqatsını təklifktedir. İlaç qarşılıqlı təsirleri üçün doğrulanmış dərman vəri tabanlarının kullanılması, ilətişimin karşılıklı TLS ilə şifrelenmesi və yüksək sorgu hacminde mesaj kuyruğundan yararlanılması öngörülmüştür. Bunlar arxitektura önerilərdir; təcrübəde bütün üretim biləşenleri real xəstəne ortamında kurulmamıştır.

Önerilən kademeli kurulum planı nədir?

Tədqiqat üç mərhələlı bir uygulama yolu təklifktedir:

• Pilot: Kardiyoloji, aptek və acil servis gibi iki və ya üç bölümde dərman ziddiyyəti kontrolü
• Genişləmə: Ailə hekimliyi, laboratoriya və endokrinologiya gibi bölümlerin eklenmesi və uzun dəhəmiyyətli örüntü sorguları
• Federasyon: Farklı xəstəne və sşəbəkəlık sistemlerindeki etmenlerin kontrollü biçimde bşəbəkəlanması

Bu yaklaşım, qurumun bütün bilgi sistemini aynı anda değiştirmeden sınırlı bir istifadə alanıyla başlamayı amaçlamaktadır.

Tədqiqatçıların belirlediği performans hedefleri nelerdir?

Bu dəyərlər sistem gereksinimi olaraq sunulmuştur. Simülasyonda Tier 1, Tier 2 və Tier 3 orta yanıt süreleri sırasıyla 8,4, 11,7 və 13,5 saniye olduğu üçün rutin və acil hedefler karşılanmamıştır. Erişiləbilirlik, razılıq servisi gecikmesi və audit qeydi süresi üçün real altstruktur ölçməü raporlanmamıştır.

Simülasyon ortamı necə kurulmuştur?

Tam yığın simülasyonda şu bölüm etmenleri yer almıştır:

• Kardiyoloji
• Genel hekimlik
• Eczane
• Laboratuvar
• Endokrinoloji
• Göz xəstəlıkları
• Diş hekimliyi
• Nöroloji
• Nefroloji
• Göğüs xəstəlıkları

Bunlara ek olaraq bir Orkestrator Agent, Hasta Onayı Yönetim Servisi və değiştiriləmez olduğu belirtilən audit qeydi istifadə edilmişdir.

Hasta qeydləri klinik şablonlara göre sintetika olaraq üretilmiş; her xəstə iki ilə beş bölümle ilişkiləndirilmiştir. Varsayılan vəri üretiminde dərman ziddiyyəti ekleme mümkünlığı yüzde 35, diaqnostik örüntü ekleme mümkünlığı yüzde 25 olaraq belirlenmiştir. Doğru nəticə etikaetleri xəstə qeydlərina üretim sırasında yerleştirilmiş və sistem yanıtları bu etikaetlerle otomatik olaraq müqayisə edilmişdir.

LLaMA 3.1 necə istifadə edilmişdir?

Ana təcrübəlerde 8 milyar parametreli LLaMA 3.1 modeli Ollama üzerinden yerel olaraq çalıştırılmış və sıcaklık dəyəri 0,3 seçilmiştir. Her şöbə agentine:

• Yalnızca o bölüme ait sintetika xəstə qeydləri
• Klinik sorgu
• Uygulanacak açıqlama qatmanı
• Beklenen JSON yanıt struktursı

vərilmiştir.

Dil modelinin her zaman geçerli JSON üretmemesi ihtimaline karşı dört mərhələlı yanıt ayrıştırma üsulu istifadə edilmişdir: birbaşa JSON ayrıştırma, Markdown kod bloğunu çıkarma, süslü parantezler arasındaki strukturyı bulma və son olaraq serbest metinde anahtar sözcük arama.

Bu geri dönüş üsullari sistemin tədqiqatsını sürdürse de serbest metinden anahtar sözcük çıkarımı, hatalı və ya belirsiz bir model yanıtının olumlu aşkarlama gibi yorumlanması riskini taşıyabilir. Tədqiqatda her geri dönüş üsulunin kaç kez kullanıldığı ayrı olaraq raporlanmamıştır.

Hangi dərman çatışmaları dəyərlendirilmiştir?

Hangi diaqnostik örüntüler istifadə edilmişdir?

• Kronik böbrek xəstəlığının ilərlemesi
• Tiroid bulguları ilə kardiyak bulgular arasındaki ilişki
• Henüz tanı konmamış diyabet örüntüsü

Bu üç örüntü, tek bir bölümün vərisiyle değil, fərqli bölümlerde bulunan dəyər və muayene nəticələrinın birleştirilmesiyle belirlenebiləcek biçimde tasarlanmıştır.

Tier 1 niyə diaqnostik örüntüleri bulamamıştır?

Tier 1 yanıtı yalnızca başka bir bölümde ilgili bir bulgu olduğunu bildirir. Örneğin sistem, göz xəstəlıkları bölümünde əhəmiyyətli bir bulgu bulunduğunu söyleyebilir; ancaq bunun retina değişikliği olduğunu açıqlamaz. Laboratuvar etmeni HbA1c dəyərini, ümumi hekimlik etmeni yükselen glikoz serisini paylaşmaz.

Böyle bir durumda LLM’nin fərqli işaretleri özgül bir xəstəlık mekanizması altında birleştirecek klinik dayanşəbəkəı yoktur. Bu niyəle dərman çatışmaları yüzde 100 bulunurken üç diaqnostik örüntünün hiçbiri belirlerütubətemiştir.

Tier müqayisəsının nəticələri nelerdir?

Seçilən testlerde Tier 3, Tier 2’ye göre daha yüksək aşkarlama başarısı sşəbəkəlamamış; yalnızca daha fazla bilgi və daha uzun cavab müddəti üretmiştir. Bu niyəle tədqiqatçılar Tier 2’yi rutin istifadə üçün en uygun denge olaraq yorumlamıştır.

Üç bşəbəkəımsız çalıştırmada nəticələr ne kadar kararlıdır?

Rastgele tohumlar 42, 1042 və 2042 olaraq seçilmiş; her çalıştırmada 50 yeni sintetika xəstə oluşturulmuştur.

Sıfır dispersiya, tanımlanan senaryoların model tarafından tutarlı biçimde çözüldüğünü göstərir. Bununla belə senaryolar və istemler tədqiqatçılar tarafından açıq klinik işaretlerle oluşturulmuştur. Gerçek qeydlərin eksik, çelişkili, kısaltmalı və hatalı olabiləceği daha zor bir dış test realleştirilmemiştir.

Kural tabanlı sistem ilə LLaMA müqayisəsı ne göstərmişdir?

Her iki altstrukturnın aynı aşkarlamalere ulaşması, razılıq və yönlendirme qatlarının yalnızca tek bir dil modeline bşəbəkəlı olmadığını göstərir. LLaMA, anahtar sözcük tabanlı Mock sisteminden daha az yanlış alarm üretmiş; ancaq yaklaşık 47 kat daha yavaş çalışmıştır.

“LLM’den bşəbəkəımsız” sonucu yalnızca bir qayda əsaslı motor ilə tek bir LLaMA sürümünün karşılaştırılmasına dayanmaktadır. Farklı dil modelleri, model büyüklükleri, istem biçimleri və ya tıbbi uyarlamalar arasında kapsamlı təcrübə strukturlmamıştır.

Hasta razılıq kısıtlaması hansı nəticələri üretmiştir?

Kısmi kısıtlamada başarı, bazı bilgilərin alternatif bir bölüm üzerinden bulunabilmesiyle açıqlanmıştır. Örneğin kardiologiya ilə stomatologiya arasındaki birbaşa kanal kapalı olsa bilə aptek etmeni aktif antikoagülanı bildirebilir.

Tam paylaşım dışı durumda yalnızca aynı bölümün yerel qeydlərinda birlikdə bulunan dərmanlar aşkarlama ediləbilmiştir. Birden fazla bölümdeki bulguların birleştirilmesini gerektiren diaqnostik örüntüler isə tamamen kaybolmuştur.

Bu nəticə kullanılan sintetika vəri dşəbəkəılımına bşəbəkəlıdır. Gerçek bir qurumda yüzde 30 və ya yüzde 60 kanal kapatılmasının hansı bölümleri etkilədiği, klinik başarımı rastgele bşəbəkəlantı sayısından daha fazla değiştirebilir.

Ölçeklenebilirlik təcrübəi ne göstərmişdir?

Toplam süre xəstə və senaryo sayısıyla yaklaşık doğrusal artmıştır. Tədqiqatçılar karmaşıklığı \(O(n\cdot k)\) olaraq tanımlamaktadır; burada \(n\) xəstə sayısı, \(k\) isə xəstə başına orta sorgu sayısıdır.

Bu təcrübə, tekil sintetika vakaların sayısı arttığında yönlendirme mantığının süper doğrusal yük üretmediğini dəstəkləyir. Ancaq real zamanlı eşzamanlı kullanıcı yükü, şəbəkə gecikmesi, vərilənlər bazası kilitlenmesi, kuyruk birikmesi, yüksək erişiləbilirlik və qurumlar arası ilətişim sınanmamıştır.

Diş hekimliyi–kardiologiya senaryosu necə işləməktedir?

İlk örnekte 62 yaşındaki kurgusal bir xəstə, diş çekimi öncesinde kullandığı kardiologiya dərmanlarını diş hekimine bildirmemektedir. Kardiyoloji kaydında Warfarin və Metoprolol bulunmaktadır.

Diş Hekimliyi Etmeni bir MED_CONFLICT sorgusu başlatır. Orkestratör kardiologiya və aptek etmenlerini seçer. Kardiyoloji Etmeni Tier 2 səviyyəinde Warfarin 5 mg və Metoprolol 50 mg bilgisini paylaşır. Eczane Etmeni başka antikoagülan və ya NSAİİ bulunup bulunmadığını kontrol eder. Sonuçta diş hekimine kanama riski uyarısı gönderilir.

Senaryoda tedavinin kardiyologla koordine edildiği və işləməin təhlükəsiz zamana ertelendiği anlatılmaktadır. Bu nəticə real xəstəda gözlenmiş bir klinik çıktı değil, arxitekturanin mümkün istifadəını açıqlayan kurgusal örnektir.

Uzun dəhəmiyyətli diyabet örüntüsü necə kurulmaktadır?

İkinci senaryoda kurgusal xəstənin açlık glikozu üç ziyarette 5,4 mmol/L’den 5,9 mmol/L’ye və ardından 6,4 mmol/L’ye yükselmektedir. Laboratuvar qeydlərinda HbA1c dəyəri 12 ayda yüzde 5,8’den yüzde 6,1’e çıkmaktadır. Göz muayenesinde erken retina değişiklikleri, ayak qiymətləndirməsinde isə azalmış duyu bulunmaktadır.

Bu bulguların her biri kendi bölümünde tek başına kesin bir tanı oluşturmamaktadır. Genel Hekimlik Etmeni LONG_PATTERN sorgusu gönderdiğinde laboratoriya, göz xəstəlıkları və yerel nöropati qeydləri birleştirilir. Sistem, bulguların tip 2 diyabet açısından rəsmi qiymətləndirmə gerektiren ortak bir örüntü oluşturduğunu bildirir.

Tədqiqatçıların “6–12 ay daha erken tanı” biçimindeki sonucu real xəstə grubunda ölçülmemiş, senaryonun varsayımsal sonucu olaraq yazılmıştır.

Acil servis polifarmasi senaryosu nə göstərir?

Üçüncü kurgusal xəstə akut böbrek hasarıyla acil servisə başvurmaktadır. Kardiyoloji tarafından Lisinopril, romatoloji tarafından İbuprofen, ümumi hekim tarafından Hidroklorotiyazid və endokrinologiya tarafından Metformin reçete edilmiştir.

Acil Servis Etmeni Tier 3 acil durum protokolüyle bölümlere eşzamanlı sorgu gönderir. Eczane Etmeni ACE inhibitörü, NSAİİ və diüretika birleşimini “üçlü darbe” örüntüsü olaraq işaretler; Metformin de akut böbrek işlev bozukluğu bşəbəkəlamında ayrıca bildirilir.

Bu örnek, dərmanların fərqli bölümlerde tutulduğu durumda orkestrasyonun potansiyel yararını açıqlamaktadır. Saniyeler üçünde nəticə alındığı ifadesi arxitektura senaryoya aittir; ana LLaMA təcrübəlerindeki yaklaşık 9–13 saniyelik gecikme və 2 saniyenin altındaki acil hedefin karşılanmaması ayrıca dikkate alınmalıdır.

Tədqiqatnın güclü yönleri nelerdir?

• Ham xəstə məlumatıni merkezi depoya taşımadan şöbələrarası sorgu strukturlabilən açıq bir arxitektura sunulmuştur.
• Orkestratörün xəstə məlumatıne birbaşa erişmemesi məlumat yerelliyini gücləndirməktedir.
• Sorgular serbest metin yerine klinik məqsədlarla sınırlandırılmıştır.
• Hasta razılıqı bölüm çiftleri və açıqlama qatları səviyyəinde modellenmiştir.
• Tier 1, Tier 2 və Tier 3 arasındaki məxfilik–yarar farkı nicel olaraq dəyərlendirilmiştir.
• Gerçek bir dil modeli olan LLaMA 3.1 8B istifadə edilmişdir.
• Sekiz dərman ziddiyyəti və üç diaqnostik örüntü birlikdə incelenmiştir.
• Birden fazla rastgele tohumla kararlılık dəyərlendirilmiştir.
• Kural tabanlı və LLM əsaslı motor aynı koordinasyon altstruktursında müqayisə edilmişdir.
• Hasta razılıq kısıtlamasının performansa etkisi ayrıca ölçülmüşdür.
• 50’den 500 xəstəya kadar ölçeklenebilirlik təcrübəi strukturlmıştır.
• FHIR uyumlu sorgu struktursı və kademeli uygulama planı sunulmuştur.

Tədqiqatnın temel məhdudiyyətləri nelerdir?

• Tədqiqat hakem qiymətləndirməsinden geçmemiş bir preprinttir.
• Bütün xəstə qeydləri sintetikatir.
• Gerçek elektronik səhiyyə qeydlərinın eksikliği, yazım hataları, kısaltmaları və çelişkiləri dəyərlendirilmemiştir.
• Serbest klinik notlar, görüntüler və karmaşık zaman seriləri ana təcrübəlere dâhil edilmemiştir.
• Senaryo kütüphanesi sekiz dərman ziddiyyəti və üç diaqnostik örüntüyle sınırlıdır.
• Doğru nəticələr vəri üretimi sırasında senaryolara gömülmüş, bşəbəkəımsız və kör klinisyen kurulu tarafından belirlenmemiştir.
• Yüzde 100 nəticələr real klinik ümumiləme göstəricisi değildir.
• Yalnızca LLaMA 3.1 8B və basit bir qayda əsaslı motor müqayisə edilmişdir.
• Farklı LLM boyutları və sşəbəkəlayıcıları təcrübəsel olaraq sınanmamıştır.
• Model halüsinasyonları üçün real vaka tabanlı təhlükəsizlik testi strukturlmamıştır.
• Bilgi sızıntısı tanımlanan qiymətləndirmə ölçütleri arasında yer alsa da nəticə cədvəlsunda nicel sızıntı dəyəri vərilməmişdir.
• Kriptoqrafik gizlilik, diferensial məxfilik və ya təhlükəsiz çox tərəfli hesablama uygulanmamıştır.
• Kötü niyetli etmen, prompt inyeksiyası, səlahiyyət artırma və yenidən identifikasiya saldırıları sınanmamıştır.
• HIPAA və GDPR uyumu bşəbəkəımsız hukuk denetimiyle doğrulanmamışdır.
• FHIR uyumu real sşəbəkəlık bilgi sistemi entegrasyonunda test edilmemiştir.
• Tier 2 orta gecikmesi tədqiqatçıların rutin sorgu hedefini aşmıştır.
• Acil durum üçün belirlenen 2 saniyelik hedef karşılanmamıştır.
• %99,99 erişiləbilirlik hedefi real sistem ölçməüyle doğrulanmamışdır.
• Onay kontrolü və audit qeydi üçün vərilən gecikme hedeflerinin təcrübəsel nəticələri yoktur.
• Ölçeklenebilirlik təcrübəi eşzamanlı xəstəne trafiğini temsil etmemektedir.
• Hekimlerin uyarıları doğru yorumlama və uygulama davranışı incelenmemiştir.
• Uyarı yorgunluğu real kullanıcılarla ölçülmemiştir.
• Hasta razılıq metinlerinin anlaşılabilirliği və karar kalitesi test edilmemiştir.
• Prospektif klinik tədqiqat strukturlmamıştır.
• Önlenen dərman olayı, azalan tanı gecikmesi və ya xəstə sonucu ölçülmemiştir.
• Kaynak kodu, sintetika vəri üreticisi və təcrübə dosyaları üçün açıq erişim bşəbəkəlantısı vərilməmişdir.
• Finansman və maraqlar toqquşması beyanı ana metinde yer almır.

Tədqiqat neyi dəstəkləyir?

• Yapılandırılmış etmen ilətişiminin sintetika klinik senaryolarda şöbələrarası bilgi birleştirmeyi sşəbəkəlayabildiğini dəstəkləyir.
• Tier 1 səviyyəindeki soyut işaretlerin karmaşık diaqnostik örüntüler üçün yetersiz kaldığını göstərir.
• Tier 2 klinik xülasəin seçilən senaryolarda Tier 3 ilə aynı aşkarlama başarısını daha az ayrıntıyla sşəbəkəlayabildiğini göstərir.
• Orkestrasyon və vəri akışının, tek başına LLM tutumunden daha əhəmiyyətli olabiləceğini dəstəkləyir.
• Kısmi razılıq kısıtlamalarında alternatif bilgi yollarının bazı aşkarlamaleri koruyabildiğini göstərir.
• Tam paylaşım dışının şöbələrarası diaqnostik örüntüleri ortadan kaldırdığını göstərir.
• Aynı koordinasyon qatının qayda əsaslı və LLM əsaslı motorlarla çalışabildiğini dəstəkləyir.
• Hasta sayısı arttıkça simülasyon süresinin yaklaşık doğrusal büyüdüğünü göstərir.

Tədqiqat neyi sübut etmir?

• MedAgentNet’in real xəstənelerde yüzde 100 doğrulukla çalışacşəbəkəını sübut etmir.
• İlaç hatalarını və ya istenmeyen dərman olaylarını realten azalttığını göstermemektedir.
• Tanı gecikmesini 6–12 ay azalttığını klinik vərilərle sübut etmir.
• Tier 2’nin bütün klinik sorular üçün yeterli olacşəbəkəını göstermemektedir.
• Ham məlumat yerelliyinin bütün məxfilik və siber təhlükəsizlik risklerini ortadan kaldırdığını sübut etmir.
• Sistemin HIPAA, GDPR və ya başka bir ölkənin mevzuatına otomatik olaraq uygun olduğunu göstermemektedir.
• Hasta razılıqı olmadan vəri paylaşımının etika və ya hukuki olduğunu desteklememektedir.
• Acil durumda razılıq geçersiz kılma kararının hansı koşullarda təhlükəsiz olacşəbəkəını validasiyamaktadır.
• Dil modelinin klinisyenin yerini alabiləceğini göstermemektedir.
• Klinik uyarıların insan yoxlamasi olmadan uygulanabiləceğini sübut etmir.
• Farklı dil, xəstəne, xəstə grubu və tıbbi uygulamalarda ümumilənebilirliği göstermemektedir.

Tədqiqatnın Yöntemi və Bulguları

Tədqiqat tasarımı

Tədqiqat; arxitektura tasarım, strukturlandırılmış ilətişim protokolü, xəstə razılığı modeli, sintetika xəstə üretimi, LLM əsaslı çox-agentli simülasyon, açıqlama qatmanı ablation təcrübəi, rastgele tohum kararlılık analizi, sşəbəkəlayıcı müqayisəsı, razılıq kısıtlaması və ölçeklenebilirlik analizinden oluşmaktadır.

Simülasyonun ana biləşenleri

Değerlendirme ölçütleri

• İlaç çatışması aşkarlama nisbəti
• Tanısal bşəbəkəlantı və ya örüntü aşkarlama nisbəti
• Yanlış pozitif nisbətı
• Gerekenin üzerinde bilgi açıqlanması
• Uçtan uca yanıt gecikmesi
• Farklı rastgele tohumlar arasındaki dəyişənlik
• Hasta sayısıyla toplam işləmə süresinin değişimi

Bilgi sızıntısı üsul bölümünde ölçüt olaraq tanımlanmış olsa da nəticələrda bu ölçüt üçün ayrı sayısal cədvəl təqdim edilməmişdir.

Ana nicel nəticələr

İstatistiksel qiymətləndirmə

Üç rastgele tohumla strukturlan çalıştırmalarda aşkarlama nisbəti üçün yüzde 0 standart yayınma, yanlış pozitiv nisbətı üçün yüzde 2,9 standart yayınma raporlanmıştır. Bununla belə yalnızca üç çalıştırma strukturlmış və güvən aralıkları vərilməmişdir.

Senaryoların nəticə etikaetleri sintetika vəri üretiminde önceden bilindiğinden bu qiymətləndirmə, real klinik tanı doğruluğu tədqiqatsı değildir. Duyarlılık, özgüllük, pozitif öngörü dəyəri və yanlış pozitiv nisbətı yalnızca üretilən senaryo dşəbəkəılımı üçünde yorumlanmalıdır.

Tədqiqatnın önerdiği klinik validasiya

Tədqiqatçılar gelecekte standart bakım ilə MedAgentNet destekli bakımın karşılaştırıldığı iləriye dönük və kontrollü bir tədqiqat təklifktedir. Önerilən ana nəticələr şunlardır:

• Önlenen istenmeyen dərman olayları
• Tanı gecikmesindeki değişim
• Klinisyen memnuniyeti
• Hasta güvəni
• Onay vərme nisbətı
• Sistemin real istifadə sıklığı

Bu nəticələrin hiçbiri mevcut preprintte ölçülmemiştir.

Türkiyədə validasiya üçün gerekli adımlar

• türkcə klinik notlar və tıbbi kısaltmalar üzerinde dil modeli qiymətləndirməsi
• Yerel dərman adları, etken maddeler, dozlar və reçete qeydlərinın eşleştirilmesi
• Farklı xəstəne bilgi sistemleri arasında FHIR uyumluluğunun real entegrasyonla sınanması
• Hasta kimlik eşleştirme və yanlış xəstəya ait qeyd riskinin dəyərlendirilmesi
• Onay metinlerinin xəstəlar tarafından anlaşılabilirliğinin ölçülmesi
• Acil durumda razılıq geçersiz kılma koşullarının etika və hukuki yoxlamasi
• Geçmiş real qeydlarla geriye dönük, kör klinisyen qiymətləndirməli test
• Yanlış alarm və kaçırılmış risklerin xəstə təhlükəsizği kurulunca incelenmesi
• İstem enjeksionu, kötü niyetli sorgu və səlahiyyət artırma saldırı testleri
• Bilgi sızıntısı və yenidən identifikasiya riskinin nicel ölçməü
• Klinik uyarıların zorunlu insan razılıqıyla sunulması
• Sınırlı bölümlerde iləriye dönük pilot uygulama
• Yanıt gecikmesinin rutin və acil istifadə hedeflerine indirilmesi
• Kurumlar arası denetim və sorumluluk paylaşımının tanımlanması

Kaynak və Yöntem Notu

Tədqiqatnın özgün adı: MedAgentNet: Federated Multi-Agent AI for Privacy-Preserving Cross-Departmental Clinical Intelligence

Yazarlar: Mohamed Mabrok; Yalda Zafari; Yang Cao; Naoto Yanai; Essam A. Rashed.

Yazar sıralaması: Yukarıdaki sıra tədqiqatdaki özgün müəllif sırasını korumaktadır.

Eş katkı bilgisi: Tədqiqatda eş birinci müəllif və ya eş katkı beyanı yer almır.

Sorumlu müəllif: Belgede “Corresponding author” dipnotu bulunmaktadır; ancaq yıldız işareti müəllif satırında tek bir isimle açıq biçimde eşleştirilmemiştir. Dipnotta beş müəllifın e-posta adresi birlikdə vərildiği üçün sorumlu müəllifın kimliyi bu sürümden kesin olaraq belirlerütubətemektedir.

Yazar e-postaları:

• Mohamed Mabrok: m.a.mabrok@qu.edu.qa
• Yalda Zafari: yaldazafari5@gmail.com
• Yang Cao: cao@c.titech.ac.jp
• Naoto Yanai: yanai.naoto@jp.panasonic.com
• Essam A. Rashed: rashed@gsis.u-hyogo.ac.jp

ORCID bilgiləri:

• Mohamed Mabrok: 0000-0003-3638-4424
• Yalda Zafari: 0009-0004-9737-7134
• Yang Cao: 0000-0002-6424-8633
• Naoto Yanai: 0000-0002-0817-6188
• Essam A. Rashed: 0000-0001-6571-9807

Kurumlar:

• Department of Mathematics and Statistics, Qatar Univərsity, Doha, Katar.
• Department of Computer Science, Institute of Science Tokyo, Tokyo, Japonya.
• Graduate School of Information Science and Technology, Osaka Univərsity, “Suite, Japan”. “Suite” ifadesi belgede bu şəkilde yazılmıştır və metin üçünde düzeltilmemiştir.
• Graduate School of Information Science, Univərsity of Hyogo, Kobe 650-0047, Japonya.
• Advanced Medical Engineering Research Institute, Univərsity of Hyogo, Himeji 670-0836, Japonya.

Kurum–ilətişim notu: Naoto Yanai üçün Osaka Univərsity qurumu yazılmasına rşəbəkəmen ilətişim adresi Panasonic alan adındadır. Bu fərqlilığın niyəi preprintte açıqlanmamışdır.

DOI:10.2139/ssrn.7181662

Resmî nəşr platforması: SSRN.

Resmî tədqiqat bşəbəkəlantısı:SSRN tədqiqat sayfası

Yayın yılı: 2026.

Dergi: Bu sürüm üçün belirli bir hakemli dergi adı və ya kabul kararı yer almır.

Yayın durumu: Belgenin her sayfasında tədqiqatın hakem qiymətləndirməsinden geçmediği belirtilmektedir. “Preprint submitted to Elsevier” ifadesi bir Elsevier dergisine kabul edildiği anlamına gelmemektedir.

Kaynak türü: Federativ çox-agentli klinik süni intellekt arxitekturası, sintetika xəstə vərisi, LLM əsaslı simülasyon, açıqlama qatmanı müqayisəsı, razılıq kısıtlaması və ölçeklenebilirlik analizi içeren preprint tədqiqat makalesi.

Gerçek xəstə məlumatı: Kullanılmamıştır. Hasta qeydləri klinik şablonlarla sintetika olaraq üretilmiştir.

Etik kurul: Gerçek insan katılımcı və ya xəstə məlumatı kullanılmadığı belirtilmekte; ayrıca bir etika komitə razılıqı sunulmamaktadır.

Finansman: Ana metinde maliyyələşdirmə beyanı yer almır.

Çıkar çatışması: Ana metinde maraqlar toqquşması beyanı yer almır.

Yazar katkıları: Ayrı bir CRediT müəllif katkı beyanı yoxdur.

Veri və kod çıxışı: Sentetika xəstə üretim kodu, çox-agentli simülasyon, istem şablonları, doğru nəticə etikaetleri və təcrübə çıktılarına ait açıq erişim bşəbəkəlantısı vərilməmişdir.

Uyumluluk iddiası: Tədqiqatçılar arxitekturanin HIPAA, GDPR və HL7 FHIR ilkeleriyle uyumlu olacak biçimde tasarlandığını belirtmektedir. Tədqiqat bşəbəkəımsız hukuk yoxlamasi, sertifikasiya, təhlükəsizlik denetimi və ya real FHIR entegrasyonu sunmamaktadır.

Mahremiyet yaklaşımı: Mevcut tasarımın temel koruması vərinin yerel tutulması, amaçla sınırlandırılmış sorgular, açıqlama qatları, xəstə razılığı və audit qeydidır. Diferansiyel gizlilik, homomorfik şifrələmə və ya təhlükəsiz çox tərəfli hesablama təcrübəsel sisteme uygulanmamıştır.

Bu türkcə açıqlama, yüklenen 21 sayfalık tədqiqatın başlık və kimlik bilgiləri, arxitektura şemaları, matematiksel tanımı, FHIR uyumlu JSON örneği, yönlendirme algoritması, açıqlama qatları, texnologiya yığını, klinik senaryoları, performans cədvəlları, xəstə razılığı təcrübəi, sşəbəkəlayıcı müqayisəsı və ölçeklenebilirlik nəticələri incelenerek hazırlanmıştır. Tədqiqatda bulunmayan klinik nəticələr eklenmemiş; kurgusal senaryolardaki nəticələr real xəstə bulgusu gibi təqdim edilməmişdir.

Tədqiqatnın temel dəyəri, fərqli sşəbəkəlık bölümlerindeki bilgilərin tamamını mərkəzləşdirmədən klinik olaraq anlamlı xülasəler üzerinden birleştiriləbiləceğini gösteren açıq və test ediləbilir bir arxitektura sunmasıdır. Temel sınırı isə yüzde 100 olaraq bildirilən başarıların sintetika, açıq biçimde tanımlanmış və sınırlı sayıdaki senaryolardan gelmesidir. Gerçek klinik yarar, məxfilik, hukuki uyum, siber təhlükəsizlik və xəstə nəticələri bşəbəkəımsız klinik tədqiqatlarla doğrulanmadan sistem karar desteği dışında istifadəa hazır kabul edilmemelidir.