Hastane insülin yönetiminde yapay zekâya hazır veri altyapısı, glukoz ölçümleri, insülin uygulamaları, zaman bilgileri ve klinik bağlamı güvenilir biçimde birbirine bağlayarak AI tabanlı karar desteğinin güvenli biçimde kullanılabilmesini sağlayan klinik-informatik temeldir. Bu Commentary, yeni bir yapay zekâ modeli veya klinik deney sunmak yerine hastanelerde insülin yönetimine yönelik AI uygulamalarının neden yalnız model doğruluğuna bağlı olmadığını açıklamaktadır. Makalenin temel savı, verilerin parçalı olması, cihaz ekosistemleri ile elektronik sağlık kayıtlarının birbirinden kopuk kalması ve klinik iş akışlarının yeterince bütünleştirilememesinin güvenilir AI kullanımının önündeki başlıca engeller olduğudur.

Kaynak, hastane insülin yönetimini iki ana paradigmaya ayırmaktadır. Cihaz aracılı dozlamada insülin pompaları, otomatik insülin iletim sistemleri ve sürekli glukoz izleme cihazları kendi üretici ekosistemlerinde çalışır; glukoz ve insülin verilerinin önemli bir bölümü özel olarak entegre edilmedikçe elektronik sağlık kaydına ulaşmayabilir. Klinisyen tarafından uygulanan dozlamada ise insülin order'ları, ilaç uygulama kayıtları, point-of-care glukoz ölçümleri ve diğer klinik veriler çoğu zaman EHR içinde bulunur; ancak farklı modüllere, zaman noktalarına ve ekip rollerine dağılmış oldukları için hızlı ve bütüncül değerlendirme güçleşebilir.

Makalenin merkezindeki Integration of Connected Diabetes Device Data into the Electronic Health Record (iCoDE), diabetes cihazlarından gelen verilerin klinik bilgi sistemlerine standart ve yorumlanabilir biçimde aktarılmasını geliştirmeye yönelik çok paydaşlı bir standardizasyon ve informatik girişimidir. iCoDE'nin cihaz-aracılı bakım yoluna doğrudan katkısı, farklı üreticilerden gelen insülin verilerini ortak bir veri modelinde temsil etmek ve FHIR gibi mevcut birlikte çalışabilirlik standartları üzerinden EHR entegrasyonunu desteklemektir. Klinisyen tarafından uygulanan insülin yönetiminde ise aynı ilkeler, hastane içinde zaten mevcut olan verilerin daha tutarlı, izlenebilir ve iş akışına hazır hale getirilmesi için daha geniş bir informatik çerçeve sunmaktadır.

Yazarlar güvenilir hastane insülin AI'sı için yalnız teknik veri entegrasyonunun yeterli olmadığını vurgulamaktadır. Doğruluk, yeniden üretilebilirlik, mahremiyet ve güvenlik, şeffaflık, insan gözetimi ve adalet; devreye almadan önce ve sonrasında ele alınması gereken temel özelliklerdir. Makalenin önerdiği sekiz aşamalı yol haritası bu nedenle AI kullanımına doğrudan atlamak yerine mevcut durumu değerlendirme, veri tabakasını kurma, veri kalitesini güvence altına alma, klinik kullanılabilirliği sağlama, yönetişimi kurma, dar kullanım senaryolarıyla başlama, klinik ölçütlerle değerlendirme ve sistemi sürekli izleyip kontrollü biçimde ölçekleme sırasını izlemektedir.

Hastane İnsülin Yönetiminde AI İçin Asıl Darboğaz Neden Veri Altyapısıdır?

Hastane insülin yönetiminde yapay zekâ için temel darboğaz yalnız modelin öneri üretme kapasitesi değildir; gerekli glukoz, insülin, zamanlama, beslenme ve klinik durum bilgilerinin eksiksiz, birlikte çalışabilir, zamansal olarak uyumlu, kaynağı izlenebilir ve klinik iş akışında kullanılabilir bir bütün haline getirilememesidir.

Yatan hastada insülin ihtiyacı sabit değildir. Akut hastalık, ameliyat, beslenme değişiklikleri, kortikosteroid kullanımı ve bakım düzeyleri arasındaki geçişler insülin duyarlılığını değiştirebilir. Aynı hastanın dozlama kararı bir gün içinde birkaç kez yeniden değerlendirilmek zorunda kalabilir.

Bu karar için kullanılabilecek bilgiler farklı sistemlere dağılmış olabilir:

• point-of-care glukoz değerleri,
• sürekli glukoz izleme verileri,
• insülin order'ları,
• ilaç uygulama kayıtları,
• beslenme bilgileri,
• yakın zamanda verilen insülin miktarı ve zamanı,
• hastanın daha geniş klinik durumu.

Bir AI sisteminin bütün bu parçaları anlamlı biçimde kullanabilmesi için yalnız yapılandırılmış alanların bulunması yeterli değildir. Verilerin hangi kaynaktan geldiğinin bilinmesi, zaman damgalarının uyumlu olması, eksik veya gecikmiş verilerin fark edilebilmesi ve klinisyenin bunları karar sırasında görebilmesi gerekir.

Bu gereksinim insülin için ayrıca önemlidir; kaynak insülini hastanede kullanılan en yüksek riskli ilaçlardan biri olarak ele almakta ve doz, zamanlama veya klinik bağlam yorumundaki hataların hızlı biçimde klinik sonuç doğurabileceğini vurgulamaktadır.

Cihaz Aracılı ve Klinisyen Tarafından Uygulanan İnsülin Dozlaması Arasındaki Veri Farkı Nedir?

Cihaz aracılı dozlamada kritik sorun verinin önemli bölümünün pompa veya otomatik insülin iletim sisteminin üretici ekosisteminde EHR dışında kalabilmesi iken, klinisyen tarafından uygulanan dozlamada gerekli veriler çoğunlukla EHR içinde mevcuttur fakat farklı kayıt modülleri ve iş akışlarına dağıldığı için zaman açısından uyumlu ve klinik olarak bütüncül kullanımı zorlaşabilir.

Bu ayrım, tek bir “hastane insülin AI entegrasyonu” çözümünün bütün uygulama ortamlarına aynı şekilde uymayacağını gösterir. Cihaz tabanlı sistemlerde dış verinin hastane sistemine getirilmesi öncelikli olabilirken, klinisyen tabanlı sistemlerde mevcut hastane verisinin anlamlı bir zamansal öyküye dönüştürülmesi daha büyük sorun olabilir.

iCoDE Hastane İnsülin Yapay Zekâsına Nasıl Temel Sağlar?

iCoDE, cihaz kaynaklı diabetes verilerini ortak biçimde temsil etmeye, mevcut birlikte çalışabilirlik standartları üzerinden EHR'ye aktarmaya ve insülin ile glukoz bilgisini klinik olarak yorumlanabilir hale getirmeye odaklanarak AI tabanlı karar desteğinin ihtiyaç duyduğu güvenilir veri tabakasının kurulmasına katkı sağlar.

iCoDE, Diabetes Technology Society tarafından düzenlenen çok paydaşlı bir girişimdir. Kaynağa göre klinisyenler, araştırmacılar, cihaz üreticileri, EHR sağlayıcıları, kamu kurumları ve hasta temsilcileri aynı veri entegrasyonu sorununu ele almak üzere bu yapı içinde bir araya gelmektedir.

Canonical insulin data model

Farklı insülin cihazları aynı klinik olayı farklı biçimde kaydedebilir veya dışa aktarabilir. iCoDE'nin canonical insulin data model yaklaşımı, üreticiye özgü farklılıkları uzlaştırarak cihazlar arasında daha tutarlı bir temsil sağlamayı amaçlar.

Bu yaklaşım AI açısından önemlidir; çünkü model aynı klinik kavramın her cihazda tamamen farklı veri yapısıyla karşılaşması durumunda yeniden kullanılabilir ve güvenilir bir veri hattı oluşturmak güçleşir.

FHIR tabanlı birlikte çalışabilirlik

Kaynak, iCoDE'nin mevcut Fast Healthcare Interoperability Resources (FHIR) standardına dayanan entegrasyon yollarını geliştirdiğini belirtmektedir. Buradaki amaç yalnız cihazdan dosya almak değil; veriyi klinik sistemlerin anlayabileceği ve ilişkilendirebileceği standart bir sağlık verisi yapısına dönüştürmektir.

Insulin Dosing Profile

iCoDE'nin tanımladığı Insulin Dosing Profile, insülin uygulama bilgileri ile CGM verilerini tek sayfalık klinik görünümde birlikte sunmayı amaçlayan bir özetleme yaklaşımıdır.

Bu tasarımın informatik önemi, veri entegrasyonunu yalnız arka planda gerçekleşen teknik bir işlem olarak bırakmamasıdır. Verinin klinisyen tarafından yorumlanabilir ve karar sürecine yerleştirilebilir olması da entegrasyonun bir parçasıdır.

iCoDE'nin iki farklı rolü

Cihaz aracılı insülin yönetiminde iCoDE'nin rolü daha doğrudandır: harici cihaz verisinin standartlaştırılması ve EHR'ye entegrasyonu.

Klinisyen tarafından uygulanan insülin yönetiminde ise iCoDE, yeni veri kaynağını hastaneye getirmekten çok, zaten mevcut olan verinin nasıl organize edileceğine ilişkin daha geniş bir informatik modeli temsil eder.

Bu nedenle kaynak, iCoDE'yi hastane insülin AI'sını tek başına çözen bir sistem olarak sunmaz. iCoDE'nin değeri, güvenilir AI'nın çalışabileceği veri ve iş akışı koşullarını oluşturmaya katkı sağlamasıdır.

Güvenilir Hastane İnsülin Yapay Zekâsı Hangi Koşulları Gerektirir?

Kaynağa göre güvenilir hastane insülin yapay zekâsı; doğruluk ve yeniden üretilebilirliğin yanı sıra mahremiyet ve güvenlik, şeffaflık, insan gözetimi ve adaleti kapsayan bir yönetişim yapısına, ayrıca devreye alma sonrasında drift ve güvenlik performansının sürekli izlenmesine ihtiyaç duyar.

Model drift neden önemlidir?

Bir model devreye alındığı gün iyi çalışsa bile hastane iş akışları, veri kaynakları, cihazlar veya hasta dağılımı zamanla değişebilir. Kaynak bu nedenle model performansının yalnız ilk doğrulamada değil kullanım boyunca izlenmesini önermektedir.

Erken devreye alma döneminde haftalık kontrol; performans kararlı hale geldikten sonra aylık veya üç aylık planlı inceleme örneklenmektedir. Ancak kaynak bu aralıkları evrensel zorunluluk olarak sunmaz. Gerçek kontrol sıklığının kullanım amacı, otomasyon seviyesi ve kurumun risk değerlendirmesine göre yerel olarak belirlenmesi gerektiğini vurgular.

Bunun yanında olay-tetiklemeli inceleme gerekir. İnsülin yönetimine girdi sağlayan sistemlerde önemli değişiklik, veri kalitesinde sorun, klinisyen geri bildirimi, güvenlik sinyali veya model önerileriyle klinik yargı arasındaki uyumda bozulma görülürse planlı kontrol tarihini beklemeden yeniden değerlendirme yapılmalıdır.

Adalet neden yalnız algoritma problemi değildir?

Bir model, eğitim veya kullanım verisinde bulunan eşitsizlikleri devralabilir. Kaynak insülin gereksinimlerinin ve veri erişiminin hasta grupları arasında insülin duyarlılığı, glisemik örüntüler, beslenme, eşlik eden hastalıklar, bakım erişimi, belgeleme uygulamaları ve diabetes teknolojisi kullanımı gibi faktörlerle farklılaşabileceğini belirtmektedir.

Bu nedenle güvenli dağıtım yalnız “modelde ayrımcılık var mı?” sorusuyla sınırlı değildir. Alt grup doğrulaması, farklı güvenlik sonuçlarının izlenmesi, missingness ve data latency'nin takip edilmesi ve performansın hasta grupları arasında karşılaştırılması gerekir.

Çalışmanın Yöntemi ve Bulguları

Bu çalışma deneysel bir araştırma veya yeni veri analizi değildir. Commentary türündeki makale; mevcut hastane insülin yönetimi uygulamalarını, daha önce yayımlanmış diabetes-device-data entegrasyonu çalışmalarını, güvenilir tıbbi AI literatürünü ve iCoDE/iCoDE-2 yaklaşımını bir araya getirerek kavramsal ve uygulamaya dönük bir çerçeve oluşturmaktadır.

Bu nedenle çalışmada hasta sayısı, eğitim/doğrulama/test veri bölümü, model hiperparametreleri, p değerleri, güven aralıkları veya yeni performans metriği bulunmamaktadır. Kaynağın ana bilimsel çıktıları nicel model karşılaştırmasından çok:

• iki farklı hastane insülin dozlama paradigmasının informatik ayrımı,
• iCoDE'nin bu iki paradigma içindeki farklı rolü,
• güvenilir AI için gerekli yönetişim koşulları,
• hastanelerin AI hazır hale gelmesi için önerilen sekiz aşamalı yol haritasıdır.

Sekiz aşamalı AI-ready hastane yol haritası

Dijital olgunluk düzeyine göre başlangıç noktası

Kaynak bütün hastanelerin aynı aşamadan başlaması gerektiğini söylememektedir. Kağıt protokoller kullanan bir kurum önce temel insülin, glukoz, beslenme ve klinik bağlam alanlarını yapılandırabilir.

EHR tabanlı order ve medication administration altyapısı olan bir hastane için sonraki öncelik zaman damgası hizalama, provenance, veri kalite kontrolleri ve insülin eylemleriyle glukoz yanıtlarını birlikte gösteren klinik özetler olabilir.

CGM, pompa, AID veya özel glisemik yönetim platformlarını zaten kullanan daha olgun bir kurum ise cihaz verisi entegrasyonu ve doğrulaması sonrasında örüntü algılama, risk sınıflaması, protokol desteği veya vizit öncesi özetleme gibi dar AI kullanım alanlarına geçebilir.

Çalışmanın desteklediği sonuçlar

Makale, hastane insülin yapay zekâsının başarısının yalnız model mimarisine indirgenemeyeceğini güçlü biçimde savunmaktadır. Güvenilir veri temsili, zaman uyumu, birlikte çalışabilirlik, klinik kullanılabilirlik ve yönetişim AI dağıtımının temel bileşenleridir.

Kaynak, cihaz aracılı ve klinisyen tarafından uygulanan insülin yönetiminde veri problemlerinin farklı olduğunu göstermektedir. Birincisinde dış cihaz verisinin EHR'ye entegrasyonu, ikincisinde mevcut EHR verisinin birleştirilmesi ve klinik bağlamda kullanılabilir hale getirilmesi ön plandadır.

iCoDE'nin en doğrudan katkısı, cihaz kaynaklı diabetes verisinin standardizasyonu ve EHR entegrasyonudur. Aynı ilkeler klinisyen tarafından uygulanan insülin yönetiminde de veri organizasyonu için daha geniş bir informatik çerçeve sağlayabilir.

Yazarların önerdiği sekiz aşamalı yol haritası, AI-ready olgunluğun tek adımlı değil birikimli ve kademeli bir süreç olduğunu açık biçimde ortaya koymaktadır.

Çalışmanın desteklemediği sonuçlar

Makale herhangi bir AI insülin dozlama modelinin hastalarda hipoglisemiyi, hiperglisemiyi, mortaliteyi veya hastanede kalış süresini azalttığını doğrudan göstermemektedir.

iCoDE'nin kullanıldığı hastanelerde klinik sonuçların otomatik olarak iyileştiği veya bütün AI sistemlerinin güvenilir hale geldiği gösterilmemiştir.

Kaynak belirli bir makine öğrenmesi mimarisini diğerlerinden üstün ilan etmemektedir. Çalışmanın odağı model seçimi değil, modellerin güvenli biçimde çalışabileceği veri ve yönetişim ortamıdır.

Sekiz aşamalı yol haritası randomize klinik çalışmayla karşılaştırılmış bir müdahale protokolü değildir; yazarların literatür ve informatik deneyimlerinden geliştirdiği uygulama çerçevesidir.

Haftalık, aylık veya üç aylık izleme örnekleri de bütün kurumlar için sabit düzenleyici zorunluluk olarak sunulmamıştır. Kontrol sıklığının yerel risk, kullanım amacı ve otomasyon düzeyine göre belirlenmesi gerektiği özellikle belirtilmektedir.

Kaynak ve Yöntem Notu

Özgün çalışma: From Device Data to Trusted Decision Support: Building the Foundation for AI in Hospital Insulin Management

Yazarlar: Mandy M. Shao; Agatha F. Scheideman; Casey Rand; David C. Klonoff; Juan Espinoza.

Sorumlu yazar: David C. Klonoff.

Kurumlar: Diabetes Technology Society, Burlingame, California, ABD; Stanley Manne Children’s Research Institute, Ann & Robert H. Lurie Children’s Hospital of Chicago, Illinois, ABD; Sutter Health Research Institute, Emeryville, California, ABD; Department of Diabetes & Endocrinology, Mills-Peninsula Medical Center, San Mateo, California, ABD.

Dergi: Diabetology.

Yayınevi: MDPI.

Kaynak türü: Commentary; hastane insülin yönetiminde AI veri altyapısı, birlikte çalışabilirlik ve yönetişimini değerlendiren akademik yorum/çerçeve makalesi.

Yayın bilgisi: Diabetology 2026, cilt 7, makale 99.

DOI: 10.3390/diabetology7050099

Gönderim: 3 Nisan 2026.

Revizyon: 14 Mayıs 2026.

Kabul: 18 Mayıs 2026.

Yayın: 20 Mayıs 2026.

Lisans: Creative Commons Attribution (CC BY), açık erişim.

Yeni veri/örneklem: Yok. Makale yeni veri üretmediğini veya analiz etmediğini açıkça belirtmektedir.

Yeni AI modeli: Yok. Kaynak, hastane insülin AI'sı için veri ve yönetişim altyapısını tartışmaktadır; yeni bir model eğitimi veya karşılaştırmalı algoritma deneyi sunmamaktadır.

Kurumsal etik kurul: Uygulanabilir değil.

Bilgilendirilmiş onam: Uygulanabilir değil.

Finansman: Çalışma için dış finansman bildirilmemiştir.

Veri erişilebilirliği: Yeni veri oluşturulmadığı veya analiz edilmediği için veri paylaşımı uygulanabilir değildir.

Çıkar çatışması: David C. Klonoff; Afon, Atropos Health, Embecta, Glooko, Glucotrack, Lifecare, Sanofi, Synchneuro ve Thirdwayv için danışmanlık yaptığını bildirmiştir. Juan Espinoza, Helmsley Charitable Trust'tan fon aldığını ve Sanofi, Glooko ve Dexcom için danışman olduğunu bildirmiştir. Agatha F. Scheideman, Casey Rand ve Mandy M. Shao açıklanacak çıkarları olmadığını belirtmiştir.

Yazar katkıları: Kavramsallaştırma David C. Klonoff ve Juan Espinoza tarafından yürütülmüştür. İlk taslağın hazırlanmasına Agatha F. Scheideman, Casey Rand, David C. Klonoff, Juan Espinoza ve Mandy M. Shao katkı vermiştir. Gözden geçirme ve düzenlemeye beş yazarın tamamı katılmıştır.

Merkezi uygulama çerçevesi: iCoDE/iCoDE-2; diabetes cihaz verisinin standardizasyonu, canonical insulin data model, FHIR tabanlı birlikte çalışabilirlik ve Insulin Dosing Profile.

Temel bilimsel sınır: Bu makale klinik etkinlik deneyi değildir. Önerilen yönetişim ve altyapı ilkeleri güvenilir AI dağıtımı için bir çerçeve sunmaktadır; hasta sonuçlarında ölçülmüş iyileşme veya belirli bir AI algoritmasının üstünlüğü bu çalışmada sınanmamıştır.

Terminoloji notu: Kaynağın abstract bölümü iCoDE'yi bir standard olarak tanımlarken ana metin iCoDE'yi çok paydaşlı project/initiative ve informatik framework olarak açıklar. Verianla metninde iCoDE, bu iki kullanımın ortak bilimsel çekirdeğini koruyacak biçimde standardizasyon ve entegrasyon girişimi/çerçevesi olarak tanımlanmıştır.

Verianla yöntem notu: Bu içerik kaynak makalenin cümle cümle veya paragraf paragraf çevirisi değildir. Çalışmanın iki insülin yönetim paradigması, iCoDE veri entegrasyonu yaklaşımı, güvenilir AI'nın altı yönetişim özelliği, post-deployment izleme gereksinimleri, adalet tartışması ve sekiz aşamalı hastane yol haritası bilimsel olgu ve ilişki düzeyinde çıkarılmış; bağımsız Türkçe öğretim yapısı içinde yeniden düzenlenmiştir.

Tıbbi kullanım sınırı: Bu içerik bireysel hasta için insülin dozu veya tedavi önerisi değildir. Makalenin konusu hastane düzeyinde veri altyapısı, klinik karar desteği ve yapay zekâ yönetişimidir.