Бул изилдөө, bir бейтаптын ар башка sтармакlık bölümlerine dтармакılmış дары, tanı, лаборатория жана muayene bilgмененrinden yararlanırken бардык саламаттык жазууларыnı tek bir борбордук маалымат базасыnda toplamamayı amaçlayan MedAgentNet adlı федеративдүү көп-агенттүү жасалма интеллект архитектурасыni теоремаktedir. Sistemde кардиология, дарыкана, лаборатория, стоматология, эндокринология жана diğer bölümlerin her biri yalnızca kendi yerel жазууларыna erişen uzmanlaşmış bir жасалма интеллект etmeni çalıştırmaktadır. Bölümler birbirlerine чийки бейтап файлдары göndermek yerine, belirli bir клиникалык максатla sınırlandırılmış структураланган сурамдар жана gereken en az klinik bilgiyi içeren yanıtlar мененtmektedir.

Mimarinin merkezinde бейтап маалыматыni түздөн-түз görmeyen bir Оркестратор Агент bulunmaktadır. Bu etmen, örneğin diş çekimi planlanan bir бейтапda кардиология жана дарыкана bilgмененrinin gerekli болгонуnu belirlemekte; бейтап макулдугуnı kontrol ettirmekte; ilgili bölüm etmenlerine sorgu göndermekte жана gelen yanıtları tek bir klinik баалооde birleştirmektedir. Bilgi paylaşımı üç ачыктоо катмарыna өзүнчөlmıştır: Tier 1 yalnızca ilgili bir riskin bulunduğunu bildiren işaret деңгээлidir; Tier 2 дары adı, doz, tanı kodu же лаборатория баалуулукi gibi karar үчүн gerekli klinik кыскачаi paylaşır; Tier 3 болсо өзүнчөntılı tedavi geçmişi жана klinik баяндоо gibi daha geniş bтармакlamı içerir.

Изилдөөчүлөр архитектураyi чыныгы бейтап маалыматы yerine синтетикалык бейтап жазуулары üzerinde sınamıştır. Simülasyonda 10 бөлүм агенти, bir оркестратор, бейтап макулдугу yönetim servisi жана аудит жазуусу oluşturulmuş; LLaMA 3.1 8B модельi kullanılarak sekiz дары кагылышы жана üç бөлүмдөр аралык диагностикалык үлгү баалуулукlendirilmiştir. Varsayılan Tier 2 paylaşımında дары çatışmaları жана диагностикалык үлгүler үчүн yüzde 100 аныктоо bildirilmiş, üç bтармакımsız çalıştırmadaki орточо жалган позитив катышı yüzde 1,7 olmuştur. Бирок bu натыйжалар yalnızca изилдөөчүлөрın önceden tanımladığı 11 senaryo үчүн geçerlidir жана чыныгы бейтапnelerde aynı başarımın elde edмененceğini göstermez.

Tier 1 бардык дары çatışmalarını işaretleyebilmiş fakat бөлүмдөр аралык диагностикалык үлгүlerin hiçbirini belirleyememiştir. Tier 2’de örüntü аныктооi yeniden yüzde 100’e çıkmıştır. Bu натыйжа, yalnızca “başka bir bölümde risk болушу мүмкүн” biçimindeki soyut bir uyarının; жүкselen glikoz маанилерi, HbA1c eğilimi, retina değişiklikleri жана periferik nöropati gibi өзүнчөntıları birleştirmek үчүн yeterli olmadığını көрсөтөт. Изилдөөnın asıl bulguсуу, күчтүү bir dil модельinin tek başına değil, doğru bölümlere erişim sтармакlayan жана gerekli klinik өзүнчөntıyı kontrollü biçimde taşıyan koordinasyon катмарının belirleyici болгонуdur.

Hasta макулдукı экспериментinde мененtişim kanallarının yüzde 30’u жана yüzde 60’ı kapatıldığında seçмененn simülasyonlarda аныктоо көрсөткүчү korunmuştur. Tüm бөлүмдөр аралык paylaşım kapatıldığında болсо дары кагылышы аныктооi yüzde 35,3’e, диагностикалык үлгү аныктооi yüzde 0’a düşmüştür. Bu durum, купуялык tercihleri менен бөлүмдөр аралык klinik yarar arasında чыныгы bir değiş tokuş bulunduğunu көрсөтөт. Buna karşılık изилдөөнүн натыйжалары бейтапların geniş маалымат paylaşımına zorlanmasını desteklemez; изилдөөчүлөр tercihlerin ачык, geri alınabilir жана bасмаn uzak biçimde yönetilmesi gerektiğini belirtmektedir.

Түркия жагынан: MedAgentNet yaklaşımı; ар башка poliklinikler, лабораторияlar, дарыкана системаleri жана бейтапneler arasında tam бейтап dosyasını aktarmadan дары өз ара таасири kontrolü, иштетүү öncesi risk баалооsi жана uzun dмаанилүү bulgu örüntüsü araştırılması үчүн incelenebilir. Түркияда uygulanmadan önce түркчө klinik notlar, yerel дары adları жана doz biçimleri, tanı жана лаборатория kodları, бейтапne bilgi yönetim системаleri, бейтап макулдук процессleri жана sтармакlık маалыматsi koruma жүкümlülükleriyle өзүнчө teknik жана hukuki валидация түзүмlmalıdır. Gerçek hekimler tarafından этикаetlenmiş geçmiş жазууlarla geriye dönük изилдөө, ardından insan denetimli мененriye dönük klinik pilot gereklidir. Бул изилдөөdan Түркияда дары hatalarının önleneceği, tanı gecikmelerinin azalacтармакı, системанын mevzuata kendiliğinden uyacтармакı же бейтап коопсузği açısından klinik колдонууa hazır болгону sonucu çıkarılamaz.

Изилдөөнүн çözmeye çalıştığı sorun эмне?

Bir бейтап aynı döным үчүнde aменен hekimi, kardiyolog, diş hekimi, endokrinolog, göz hekimi жана ар башка лабораторияlarla karşılaşabilir. Her bölüm yalnızca kendi жазууларыnı görüyorsa bir bölümde sıradan görünen bulgu, başka bir bölümdeki дары же klinik өзгөрмөle бирге маанилүү bir risk oluşturabilir.

Изилдөөda iki temel parçalanma problemi ele alınmaktadır:

• Farklı hekimler tarafından маалыматlen дарыların birbirleriyle же planlanan bir иштетүүle çatışması
• Farklı bölümlerde ortaya çıkan küçük bulguların tek bir диагностикалык үлгү hâlinde birleştirмененmemesi

Bütün жазууларыn tek bir merkezi depoda toplanması bu bilgi eksikliğini azaltabilir. Бирок merkezi түзүм; мекемеların маалымат kontrolünü kaybetmesi, büжүк bir saldırı hedefi oluşması, бейтап макулдугуnın yönetilmesi жана ар башка bilgi системаlerinin uyumlaştırılması gibi yeni sorunlar yaratabilir. MedAgentNet, маалыматyi merkeze taşımak yerine klinik soruyu ilgili маалыматnin bulunduğu bölüme götürmektedir.

“Федеративдүү” sözcüğü bu изилдөөдө эмне маанини билдирет?

Бул изилдөөdaki федеративдүү түзүм, klasik федеративдүү öğrenmeden ар башкаdır. Klasik федеративдүү öğrenmede ар башка мекемеlar yerel маалыматleriyle ortak bir makine öğrenmesi модельini eğitir жана модельe ait салмак же gradyan güncellemelerini paylaşır.

MedAgentNet болсо салмакlı катары çıkarım zamanında işbirliği yapmaktadır. Bölüm etmenleri ortak модель eğтүртүүk үчүн parametre göndermek yerine, belirli bir бейтап жана клиникалык максат үчүн birbirlerine sınırlı sorular yöneltmektedir. Örneğin стоматология etmeni, кардиология etmeninden бейтаптын бардык kalp geçmişini değil, planlanan diş çekimini etkмененyen aktif antikoagülan bulunup bulunmadığını sorar.

Şekil 1’deki жалпы архитектура эмнени көрсөтөт?

Изилдөөnın üçüncü sayfasındaki Şekil 1’de стоматология, кардиология, эндокринология жана acil servis etmenleri merkezi bir Оркестратор Агент çevresinde gösterilmiştir. Oklar, түздөн-түз бейтап dosyası aktarımını değil; bтармакlama duyarlı yönlendirme, sorgu oluşturma жана түзүмlandırılmış yanıt akışını temsil etmektedir.

Şeklin alt катмарında LLaMA 3.1 8B kullanılan simülasyon, Tier 2’de bildirмененn аныктоо başarımı жана HIPAA, GDPR менен HL7 FHIR uyumluluğu iddiaları кыскачаlenmiştir. Bu görsel, изилдөөnın бардык системанынi tek çerçeжанаde ачыкlamaktadır; бирок gösterмененn uyumluluk ifadeleri bтармакımsız сертификация sonucu değildir.

Bölüm etmenleri кайсы görevleri üstlenmektedir?

Her Бөлүм Агенти üç temel işleжана sahiptir:

1. Yerel маалыматка жетүү: Etmen yalnızca kendi bölümündeki электрондук саламаттык жазуусу, лаборатория bilgi системаi же дары маалымат базасыna erişir.
2. Klinik akıl yürütme: Gelen sorgunun kendi uzmanlık alanındaki жазууlarla ilişkisini баалуулукlendirir.
3. Açıklama kontrolü: Yanıtta кайсы өзүнчөntıların paylaşılabмененceğini бейтап макулдугу жана ачыктоо катмарыna göre sınırlar.

Изилдөөnın biçimsel tanımında bölüm etmenleri kümesi:

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

катары ifade edilmektedir. Her \(A_i\) etmeni yalnızca kendi \(D_i\) маалымат depoсууna erişir. Bir бейтап \(p\), sorgu \(q\) жана ачыктоо катмары \(\tau\) үчүн etmenin yanıtı:

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

şeklinde аныкталган. Burada \(f_i\), etmenin klinik akıl yürütme işlevidir; \(\operatorname{retrieжана}(D_i,p)\), бейтапya ait yerel жазууларыn кайтарымlmesini; \(\tau\in\{1,2,3\}\) болсо paylaşım өзүнчөntısını belirtmektedir.

Оркестратор Агент бейтап маалыматlerini görmekte midir?

Изилдөөчүлөрın tasarımına göre Оркестратор Агент ham бейтап kaydına erişmez. İstekte bulunan bölümün жанаrdiği klinik bтармакlamı жана diğer etmenlerin yeteneklerini kullanarak кайсы bölümlerin sorgulanacтармакına karar маалыматr.

Orkestratörün temel görev sırası şöyledir:

1. Klinik bтармакlamdan ilgili hedef bölümleri belirlemek
2. Her bölüm үчүн amaca uygun түзүмlandırılmış sorgu oluşturmak
3. Hasta макулдукının ilgili sorguya izin маалыматp жанаrmediğini kontrol ettirmek
4. İzin маалыматlen sorguları bölüm etmenlerine yöneltmek
5. Yanıtları birleştirerek isteyen klinisyene anlaşılır bir натыйжа сууnmak
6. Sorgu, yanıt жана макулдук иштетүүlerini аудит жазуусуna geçirmek

Orkestratörün ham kayda erişmemesi, merkezi маалымат gölü oluşmasını тоскоолдукlemeyi amaçlamaktadır. Муну менен бирге оркестраторün gördüğü klinik bтармакlam жана etmenlerden dönen кыскачаlerin de hassas bilgi taşıyabмененceği unutulmamalıdır. Изилдөөda bu ara маалыматlerin кайра идентификация riski же kötü niyetli sorgu saldırıları экспериментsel катары incelenmemiştir.

Hasta Onayı Yönetim Servisi кантип изилдөөktadır?

Hasta Onayı Yönetim Servisi, her бейтап үчүн bölüm çiftlerine göre paylaşım izinleri tutmaktadır. Örneğin bir бейтап кардиологияnin acil servболсо Tier 2 деңгээлinde yanıt жанаrmesine izin маалыматrken başka bir bölüm çifti arasındaki мененtişimi kapatabilir.

Onay profilinde şu kuralların bulunabмененceği белгиленген:

• Hangi bölümün кайсы başka bölümü sorgulayabмененceği
• İzin маалыматlen en жогорку ачыктоо катмары
• Onayın geçerli болгону zaman aralığı
• Yalnızca aktif tedavi sırasında geçerli bтармакlamsal kısıtlar
• Acil durumda uygulanabмененcek geçersiz kılma koşulları

Her sorgu yürütülmeden önce bu profil kontrol edilmektedir. Hasta izinleri değiştirdiğinde sonraki sorguların yeni kurala göre işlenmesi алдын ала билүүlmüştür. Бирок изилдөөдө чыныгы бейтапların макулдук arayüzünü kullanma biçimi, макулдук metinlerini anlayıp anlamadığı же karar değiştirme davranışı тест edilmemiştir.

Standart Klinik Sorgu Türleri эмне үчүн колдонулган?

Etmenlerin serbest biçimli жана sınırsız sorular göndermesi, gereğinden fazla маалымат istemesine жана denetimin zorlaşmasına yol açabilir. MedAgentNet bu эмне үчүнle Klinik Sorgu Türü катары adlandırılan önceden tanımlı amaç sınıfları kullanmaktadır.

Bu sınıflandırma sorguları amaçla sınırlandırmakta, kayda alınmasını kolaylaştırmakta жана bir bölümün бейтаптын бардык geçmişini belirsiz gerekçelerle istemesini önlemeyi hedeflemektedir.

FHIR uyumlu mesaj түзүмsında кайсы bilgмененr bulunmaktadır?

Altıncı sayfadaki Şekil 3, бөлүмдөр аралык sorgunun JSON biçimindeki örneğini көрсөтөт. Örnekte şu alanlar yer almaktadır:

• Sorgunun benzersiz идентификациясы
• Kaynak жана hedef etmen
• Takma же кыскачаlenmiş бейтап идентификациясы
• MED_CONFLICT gibi sorgu türü
• Planlanan иштетүү жана ilgili дары kategorмененri
• Talep edмененn ачыктоо катмары
• Hasta макулдук belirteci
• Zaman damgası

Bu түзүм, мененtişimin izlenebilir жана makine tarafından işlenebilir olmasını amaçlamaktadır. Бирок изилдөө чыныгы bir бейтапne FHIR сууnucuсууyla entegrasyon тестi yapmamış; şema, önerмененn архитектура жана simülasyon үчүнde баалуулукlendirilmiştir.

Üç ачыктоо катмары arasındaki fark эмне?

Изилдөөda Tier 2 varsayılan denge noktası катары belirlenmiştir. İlaç adı жана temel лаборатория маанилерi paylaşılmadan бөлүмдөр аралык örüntü аныктооi чыныгыleştirмененmemiş; buna karşılık tam klinik баяндооnın paylaşıldığı Tier 3, seçмененn senaryolarda Tier 2’ye göre ek аныктоо kazancı sтармакlamamıştır.

Mimarinin купуялык iddiası кайсы mekanizmalara dayanmaktadır?

Изилдөөчүлөр beş temel өзгөчөlik tanımlamaktadır:

• Veri yerelliği: Ham жазууларыn булак bölümde kalması
• Amaç sınırlaması: Her sorgunun belirli bir клиникалык сурам türüyle sınırlandırılması
• Gerekli en az ачыкlama: Varsayılan катары yalnızca karar үчүн gereken кыскачаin paylaşılması
• Denetlenebilirlik: Sorgu, макулдук жана yanıtların жазуу altına alınması
• Hasta kontrolü: Bölümler arası izinlerin сүрөтlenebilmesi жана geri alınabilmesi

Bunlar маанилүү архитектура korumalardır; бирок tek başlarına matematiksel же криптографиялык gizlilik garantisi oluşturmaz. Изилдөө дифференциалдык купуялык, гомоморфтук шифрлөө жана коопсуз көп тараптуу эсептөө gibi ыкмаларin sonradan eklenebмененceğini belirtmektedir. Mevcut экспериментlerde bu ыкмаларin uygulanması, saldırı dayanıklılığı же маалымат агып чыгышыnın nicel өлчөөü gösterilmemiştir.

Önerмененn технология yığını кайсы катмарlardan oluşmaktadır?

Dokuzuncu sayfadaki Şekil 6, системаi beş катмарda көрсөтөт:

1. Veri катмарı: Bölümlere ait электронik саламаттык жазуулары, лаборатория системаleri жана дары маалымат tabanları
2. Servis катмарı: Hasta макулдукı, аудит жазуусу жана дары өз ара таасири маалымат базасы
3. Protokol катмарı: FHIR R4 API, клиникалык сурам protokolü жана karşılıklı TLS
4. Etmen катмарı: Dil модельi tabanlı bölüm etmenleri жана оркестратор
5. Sunum катмарı: Klinisyen paneli, бейтап portalı жана mobil uygulama

Изилдөөчүлөр bölüm etmenlerinin yerel жазууlardan bilgi getiren bir erişim destekli üretim hattıyla изилдөөsını теоремаktedir. İlaç өз ара аракеттенүүleri үчүн doğrulanmış дары маалымат tabanlarının kullanılması, мененtişimin karşılıklı TLS менен şifrelenmesi жана жогорку sorgu hacminde mesaj kuyruğundan yararlanılması алдын ала билүүlmüştür. Bunlar архитектура önerмененrdir; экспериментde бардык üretim bмененşenleri чыныгы бейтапne ortamında kurulmamıştır.

Önerмененn kademeli kurulum planı эмне?

Изилдөө üç баскычlı bir uygulama yolu теоремаktedir:

• Pilot: Kardiyoloji, дарыкана жана acil servis gibi iki же üç bölümde дары кагылышы kontrolü
• Genиштетүү: Aменен heидентификациясы, лаборатория жана эндокринология gibi bölümlerin eklenmesi жана uzun dмаанилүү örüntü sorguları
• Federasyon: Farklı бейтапne жана sтармакlık системаlerindeki etmenlerin kontrollü biçimde bтармакlanması

Bu yaklaşım, мекемеun бардык bilgi системанынi aynı anda değiştirmeden sınırlı bir колдонуу alanıyla başlamayı amaçlamaktadır.

Изилдөөчүлөрın belirlediği performans hedefleri nelerdir?

Bu маанилер система gereksinimi катары сууnulmuştur. Simülasyonda Tier 1, Tier 2 жана Tier 3 орточо yanıt süreleri sırasıyla 8,4, 11,7 жана 13,5 saniye болгону үчүн rutin жана acil hedefler karşılanmamıştır. Erişмененbilirlik, макулдук servisi gecikmesi жана аудит жазуусу süresi үчүн чыныгы altтүзүм өлчөөü raporlanmamıştır.

Simülasyon ortamı кантип kurulmuştur?

Tam yığın simülasyonda şu bölüm etmenleri yer almıştır:

• Kardiyoloji
• Genel heидентификация
• Eczane
• Laboratuvar
• Endokrinoloji
• Göz бейтапlıkları
• Diş heидентификациясы
• Nöroloji
• Nefroloji
• Göğüs бейтапlıkları

Bunlara ek катары bir Оркестратор Агент, Hasta Onayı Yönetim Servisi жана değiştirмененmez болгону belirtмененn аудит жазуусу колдонулган.

Hasta жазуулары klinik шаблонlara göre синтетикалык катары üretilmiş; her бейтап iki менен beş bölümle ilişkмененndirilmiştir. Varsayılan маалымат üretiminde дары кагылышы ekleme мүмкүнlığı yüzde 35, диагностикалык үлгү ekleme мүмкүнlığı yüzde 25 катары belirlenmiştir. Doğru натыйжа этикаetleri бейтап жазууларыna üretim sırasında yerleştirilmiş жана система yanıtları bu этикаetlerle otomatik катары салыштырылган.

LLaMA 3.1 кантип колдонулган?

Ana экспериментlerde 8 milyar parametreli LLaMA 3.1 модельi Ollama üzerinden yerel катары çalıştırılmış жана sıcaklık баалуулукi 0,3 seçilmiştir. Her бөлүм агентиne:

• Yalnızca o bölüme ait синтетикалык бейтап жазуулары
• Klinik sorgu
• Uygulanacak ачыктоо катмары
• Beklenen JSON yanıt түзүмsı

маалыматlmiştir.

Dil модельinin her zaman geçerli JSON üretmemesi ihtimaline karşı dört баскычlı yanıt өзүнчөştırma ыкмасы колдонулган: түздөн-түз JSON өзүнчөştırma, Markdown kod bloğunu çıkarma, süslü parantezler arasındaki түзүмyı bulma жана son катары serbest metinde anahtar sözcük arama.

Bu geri dönüş ыкмаларi системанын изилдөөsını sürdürse de serbest metinden anahtar sözcük çıkarımı, hatalı же belirsiz bir модель yanıtının olumlu аныктоо gibi yorumlanması riskini taşıyabilir. Изилдөөda her geri dönüş ыкмасыnin kaç kez kullanıldığı өзүнчө катары raporlanmamıştır.

Hangi дары çatışmaları баалуулукlendirilmiştir?

Hangi диагностикалык үлгүler колдонулган?

• Kronik böbrek бейтапlığının мененrlemesi
• Tiroid bulguları менен kardiyak bulgular arasındaki ilişki
• Henüz tanı konmamış diyabet örüntüsü

Bu üç örüntü, tek bir bölümün маалыматsiyle değil, ар башка bölümlerde bulunan баалуулук жана muayene натыйжаларыnın birleştirilmesiyle belirlenebмененcek biçimde tasarlanmıştır.

Tier 1 эмне үчүн диагностикалык үлгүleri bulamamıştır?

Tier 1 yanıtı yalnızca başka bir bölümde ilgili bir bulgu болгонуnu bildirir. Örneğin система, göz бейтапlıkları bölümünde маанилүү bir bulgu bulunduğunu söyleyebilir; бирок bunun retina değişikliği болгонуnu ачыкlamaz. Laboratuvar etmeni HbA1c баалуулукini, жалпы heидентификация etmeni жүкselen glikoz serisini paylaşmaz.

Böyle bir durumda LLM’nin ар башка işaretleri özgül bir бейтапlık mekanizması altında birleştirecek klinik dayanтармакı yoktur. Bu эмне үчүнle дары çatışmaları yüzde 100 bulunurken üç диагностикалык үлгүnün hiçbiri belirleнымemiştir.

Tier салыштырууsının натыйжалары nelerdir?

Seçмененn тестlerde Tier 3, Tier 2’ye göre daha жогорку аныктоо başarısı sтармакlamamış; yalnızca daha fazla bilgi жана daha uzun жооп убактысы üretmiştir. Bu эмне үчүнle изилдөөчүлөр Tier 2’yi rutin колдонуу үчүн en uygun denge катары yorumlamıştır.

Üç bтармакımsız çalıştırmada натыйжалар ne kadar kararlıdır?

Rastgele tohumlar 42, 1042 жана 2042 катары seçilmiş; her çalıştırmada 50 yeni синтетикалык бейтап oluşturulmuştur.

Sıfır вариация, tanımlanan senaryoların модель tarafından tutarlı biçimde çözüldüğünü көрсөтөт. Муну менен бирге senaryolar жана istemler изилдөөчүлөр tarafından ачык klinik işaretlerle oluşturulmuştur. Gerçek жазууларыn eksik, çelişkili, kısaltmalı жана hatalı olabмененceği daha zor bir dış тест чыныгыleştirilmemiştir.

Kural tabanlı система менен LLaMA салыштырууsı ne көрсөткөн?

Her iki altтүзүмnın aynı аныктооlere ulaşması, макулдук жана yönlendirme катмарларыnın yalnızca tek bir dil модельine bтармакlı olmadığını көрсөтөт. LLaMA, anahtar sözcük tabanlı Mock системанынden daha az yanlış alarm üretmiş; бирок yaklaşık 47 kat daha жай çalışmıştır.

“LLM’den bтармакımsız” sonucu yalnızca bir эреже негиздүү motor менен tek bir LLaMA sürümünün karşılaştırılmasına dayanmaktadır. Farklı dil модельleri, модель büжүкlükleri, istem biçimleri же tıbbi uyarlamalar arasında kapsamlı эксперимент түзүмlmamıştır.

Hasta макулдук kısıtlaması кайсы натыйжалары üretmiştir?

Kısmi kısıtlamada başarı, bazı bilgмененrin alternatif bir bölüm üzerinden bulunabilmesiyle ачыкlanmıştır. Örneğin кардиология менен стоматология arasındaki түздөн-түз kanal kapalı olsa bменен дарыкана etmeni aktif antikoagülanı bildirebilir.

Tam paylaşım dışı durumda yalnızca aynı bölümün yerel жазууларыnda бирге bulunan дарыlar аныктоо edмененbilmiştir. Birden fazla bölümdeki bulguların birleştirilmesini gerektiren диагностикалык үлгүler болсо tamamen kaybolmuştur.

Bu натыйжа kullanılan синтетикалык маалымат dтармакılımına bтармакlıdır. Gerçek bir мекемеda yüzde 30 же yüzde 60 kanal kapatılmasının кайсы bölümleri etkмененdiği, klinik başarımı rastgele байланыш sayısından daha fazla değiştirebilir.

Ölçeklenebilirlik экспериментi ne көрсөткөн?

Toplam süre бейтап жана senaryo sayısıyla yaklaşık doğrusal artmıştır. Изилдөөчүлөр karmaşıklığı \(O(n\cdot k)\) катары tanımlamaktadır; burada \(n\) бейтап sayısı, \(k\) болсо бейтап başına орточо sorgu sayısıdır.

Bu эксперимент, tekil синтетикалык vakaların sayısı arttığında yönlendirme mantığının süper doğrusal жүк üretmediğini колдойт. Бирок чыныгы zamanlı eşzamanlı kullanıcı жүкü, тармак gecikmesi, маалымат базасы kilitlenmesi, kuyruk birikmesi, жогорку erişмененbilirlik жана мекемеlar arası мененtişim sınanmamıştır.

Diş heидентификациясы–кардиология senaryoсуу кантип иштетүүktedir?

İlk örnekte 62 yaşındaki kurgusal bir бейтап, diş çekimi öncesinde kullandığı кардиология дарыlarını diş hekimine bildirmemektedir. Kardiyoloji kaydında Warfarin жана Metoprolol bulunmaktadır.

Diş Heидентификациясы Etmeni bir MED_CONFLICT sorguсуу başlatır. Orkestratör кардиология жана дарыкана etmenlerini seçer. Kardiyoloji Etmeni Tier 2 деңгээлinde Warfarin 5 mg жана Metoprolol 50 mg bilgisini paylaşır. Eczane Etmeni başka antikoagülan же NSAİİ bulunup bulunmadığını kontrol eder. Sonuçta diş hekimine kanama riski uyarısı gönderilir.

Senaryoda tedavinin kardiyologla koordine edildiği жана иштетүүin коопсуз zamana ertelendiği баяндооlmaktadır. Bu натыйжа чыныгы бейтапda gözlenmiş bir klinik çıktı değil, архитектураnin мүмкүн колдонууını ачыкlayan kurgusal örnektir.

Uzun dмаанилүү diyabet örüntüsü кантип kurulmaktadır?

İkinci senaryoda kurgusal бейтаптын açlık glikozu üç ziyarette 5,4 mmol/L’den 5,9 mmol/L’ye жана ardından 6,4 mmol/L’ye жүкselmektedir. Laboratuvar жазууларыnda HbA1c баалуулукi 12 ayda yüzde 5,8’den yüzde 6,1’e çıkmaktadır. Göz muayenesinde erken retina değişiklikleri, ayak баалооsinde болсо azalmış duyu bulunmaktadır.

Bu bulguların her biri kendi bölümünde tek başına kesin bir tanı oluşturmamaktadır. Genel Heидентификация Etmeni LONG_PATTERN sorguсуу gönderdiğinde лаборатория, göz бейтапlıkları жана yerel nöropati жазуулары birleştirilir. Sistem, bulguların tip 2 diyabet açısından расмий баалоо gerektiren ortak bir örüntü oluşturduğunu bildirir.

Изилдөөчүлөрın “6–12 ay daha erken tanı” biçimindeki sonucu чыныгы бейтап grubunda ölçülmemiş, senaryonun varsayımsal sonucu катары yazılmıştır.

Acil servis poбулаarmasi senaryoсуу эмнени көрсөтөт?

Üçüncü kurgusal бейтап akut böbrek hasarıyla acil servболсо başvurmaktadır. Kardiyoloji tarafından Lisinopril, romatoloji tarafından İbuprofen, жалпы hekim tarafından Hidroklorotiyazid жана эндокринология tarafından Metformin reçete edilmiştir.

Acil Servis Etmeni Tier 3 acil durum protokolüyle bölümlere eşzamanlı sorgu gönderir. Eczane Etmeni ACE inhibitörü, NSAİİ жана diürэтика birleşimini “üçlü darbe” örüntüsü катары işaretler; Metformin de akut böbrek işlev bozukluğu bтармакlamında өзүнчөca bildirilir.

Bu örnek, дарыların ар башка bölümlerde tutulduğu durumda orkestrasyonun potansiyel yararını ачыкlamaktadır. Saniyeler үчүнde натыйжа alındığı ifadesi архитектура senaryoya aittir; ana LLaMA экспериментlerindeki yaklaşık 9–13 saniyelik gecikme жана 2 saniyenin altındaki acil hedefin karşılanmaması өзүнчөca dikkate alınmalıdır.

Изилдөөnın күчтүү yönleri nelerdir?

• Ham бейтап маалыматыni merkezi depoya taşımadan бөлүмдөр аралык sorgu түзүмlabмененn ачык bir архитектура сууnulmuştur.
• Orkestratörün бейтап маалыматыne түздөн-түз erişmemesi маалымат жергиликтүүлүгүni бекемдөөktedir.
• Sorgular serbest metin yerine клиникалык максатlarla sınırlandırılmıştır.
• Hasta макулдукı bölüm çiftleri жана ачыкlama катмарлары деңгээлinde модельlenmiştir.
• Tier 1, Tier 2 жана Tier 3 arasındaki купуялык–yarar farkı nicel катары баалуулукlendirilmiştir.
• Gerçek bir dil модельi olan LLaMA 3.1 8B колдонулган.
• Sekiz дары кагылышы жана üç диагностикалык үлгү бирге incelenmiştir.
• Birden fazla rastgele tohumla kararlılık баалуулукlendirilmiştir.
• Kural tabanlı жана LLM негиздүү motor aynı koordinasyon altтүзүмsında салыштырылган.
• Hasta макулдук kısıtlamasının performansa etkisi өзүнчөca өлчөнгөн.
• 50’den 500 бейтапya kadar ölçeklenebilirlik экспериментi түзүмlmıştır.
• FHIR uyumlu sorgu түзүмsı жана kademeli uygulama planı сууnulmuştur.

Изилдөөnın temel чектөөлөрү nelerdir?

• Изилдөө hakem баалооsinden geçmemiş bir preprinttir.
• Bütün бейтап жазуулары синтетикалыкtir.
• Gerçek электронik саламаттык жазууларыnın eksikliği, yazım hataları, kısaltmaları жана çelişkмененri баалуулукlendirilmemiştir.
• Serbest klinik notlar, сүрөтler жана karmaşık zaman serмененri ana экспериментlere dâhil edilmemiştir.
• Senaryo kütüphanesi sekiz дары кагылышы жана üç диагностикалык үлгүyle sınırlıdır.
• Doğru натыйжалар маалымат üretimi sırasında senaryolara gömülmüş, bтармакımsız жана kör klinisyen kurulu tarafından belirlenmemiştir.
• Yüzde 100 натыйжалар чыныгы klinik жалпыleme көрсөткүчsi değildir.
• Yalnızca LLaMA 3.1 8B жана basit bir эреже негиздүү motor салыштырылган.
• Farklı LLM boyutları жана sтармакlayıcıları экспериментsel катары sınanmamıştır.
• Модель halüsinasyonları үчүн чыныгы vaka tabanlı коопсуздук тестi түзүмlmamıştır.
• Bilgi sızıntısı tanımlanan баалоо ölçütleri arasında yer alsa da натыйжа таблицасууnda nicel sızıntı баалуулукi берилген эмес.
• Kriptoграфик gizlilik, дифференциалдык купуялык же коопсуз көп тараптуу эсептөө uygulanmamıştır.
• Kötü niyetli etmen, prompt инъекциясы, укук жогорулатуу жана кайра идентификация saldırıları sınanmamıştır.
• HIPAA жана GDPR uyumu bтармакımsız hukuk denetimiyle тастыкталган эмес.
• FHIR uyumu чыныгы sтармакlık bilgi системаi entegrasyonunda тест edilmemiştir.
• Tier 2 орточо gecikmesi изилдөөчүлөрın rutin sorgu hedefini aşmıştır.
• Acil durum үчүн belirlenen 2 saniyelik hedef karşılanmamıştır.
• %99,99 erişмененbilirlik hedefi чыныгы система өлчөөüyle тастыкталган эмес.
• Onay kontrolü жана аудит жазуусу үчүн маалыматlen gecikme hedeflerinin экспериментsel натыйжалары yoktur.
• Ölçeklenebilirlik экспериментi eşzamanlı бейтапne trafiğini temsil etmemektedir.
• Hekimlerin uyarıları doğru yorumlama жана uygulama davranışı incelenmemiştir.
• Uyarı yorgunluğu чыныгы kullanıcılarla ölçülmemiştir.
• Hasta макулдук metinlerinin anlaşılabilirliği жана karar kalitesi тест edilmemiştir.
• Prospektif klinik изилдөө түзүмlmamıştır.
• Önlenen дары olayı, azalan tanı gecikmesi же бейтап sonucu ölçülmemiştir.
• Kaynak kodu, синтетикалык маалымат üreticisi жана эксперимент dosyaları үчүн ачык erişim байланышsı берилген эмес.
• Finansman жана кызыкчылыктар кагылышы beyanı ana metinde орун алган эмес.

Изилдөө neyi колдойт?

• Yapılandırılmış etmen мененtişiminin синтетикалык klinik senaryolarda бөлүмдөр аралык bilgi birleştirmeyi sтармакlayabildiğini колдойт.
• Tier 1 деңгээлindeki soyut işaretlerin karmaşık диагностикалык үлгүler үчүн yetersiz kaldığını көрсөтөт.
• Tier 2 klinik кыскачаin seçмененn senaryolarda Tier 3 менен aynı аныктоо başarısını daha az өзүнчөntıyla sтармакlayabildiğini көрсөтөт.
• Orkestrasyon жана маалымат akışının, tek başına LLM кубаттуулугуnden daha маанилүү olabмененceğini колдойт.
• Kısmi макулдук kısıtlamalarında alternatif bilgi yollarının bazı аныктооleri koruyabildiğini көрсөтөт.
• Tam paylaşım dışının бөлүмдөр аралык диагностикалык үлгүleri ortadan kaldırdığını көрсөтөт.
• Aynı koordinasyon катмарının эреже негиздүү жана LLM негиздүү motorlarla çalışabildiğini колдойт.
• Hasta sayısı arttıkça simülasyon süresinin yaklaşık doğrusal büyüdüğünü көрсөтөт.

Изилдөө neyi далилдебейт?

• MedAgentNet’in чыныгы бейтапnelerde yüzde 100 doğrulukla çalışacтармакını далилдебейт.
• İlaç hatalarını же istenmeyen дары olaylarını чыныгыten azalttığını göstermemektedir.
• Tanı gecikmesini 6–12 ay azalttığını klinik маалыматlerle далилдебейт.
• Tier 2’nin бардык klinik sorular үчүн yeterli olacтармакını göstermemektedir.
• Ham маалымат жергиликтүүлүгүnin бардык купуялык жана siber коопсуздук risklerini ortadan kaldırdığını далилдебейт.
• Sistemin HIPAA, GDPR же başka bir өлкөnin mevzuatına otomatik катары uygun болгонуnu göstermemektedir.
• Hasta макулдукı olmadan маалымат paylaşımının этика же hukuki болгонуnu desteklememektedir.
• Acil durumda макулдук geçersiz kılma kararının кайсы koşullarda коопсуз olacтармакını валидацияmaktadır.
• Dil модельinin klinisyenin yerini alabмененceğini göstermemektedir.
• Klinik uyarıların insan текшерүүsi olmadan uygulanabмененceğini далилдебейт.
• Farklı dil, бейтапne, бейтап grubu жана tıbbi uygulamalarda жалпыlenebilirliği göstermemektedir.

Изилдөөnın Yöntemi жана Bulguları

Изилдөө tasarımı

Изилдөө; архитектура tasarım, түзүмlandırılmış мененtişim protokolü, бейтап макулдугу модельi, синтетикалык бейтап üretimi, LLM негиздүү көп-агенттүү simülasyon, ачыктоо катмары ablation экспериментi, rastgele tohum kararlılık талдоосу, sтармакlayıcı салыштырууsı, макулдук kısıtlaması жана ölçeklenebilirlik талдоосуnden oluşmaktadır.

Simülasyonun ana bмененşenleri

Değerlendirme ölçütleri

• İlaç çatışması аныктоо көрсөткүчү
• Tanısal байланыш же örüntü аныктоо көрсөткүчү
• Yanlış pozitif катышı
• Gerekenin üzerinde bilgi ачыкlanması
• Uçtan uca yanıt gecikmesi
• Farklı rastgele tohumlar arasındaki өзгөрмөlik
• Hasta sayısıyla toplam иштетүү süresinin değişimi

Bilgi sızıntısı ыкма bölümünde ölçüt катары tanımlanmış olsa da натыйжаларda bu ölçüt үчүн өзүнчө сандык таблица берилген эмес.

Ana nicel натыйжалар

İstatistiksel баалоо

Üç rastgele tohumla түзүмlan çalıştırmalarda аныктоо көрсөткүчү үчүн yüzde 0 стандарттык четтөө, жалган позитив катышı үчүн yüzde 2,9 стандарттык четтөө raporlanmıştır. Муну менен бирге yalnızca üç çalıştırma түзүмlmış жана güжанаn aralıkları берилген эмес.

Senaryoların натыйжа этикаetleri синтетикалык маалымат üretiminde önceden bilindiğinden bu баалоо, чыныгы klinik tanı doğruluğu изилдөөsı değildir. Duyarlılık, özgüllük, pozitif алдын ала билүү баалуулукi жана жалган позитив катышı yalnızca üretмененn senaryo dтармакılımı үчүнde yorumlanmalıdır.

Изилдөөnın önerdiği klinik валидация

Изилдөөчүлөр gelecekte standart bakım менен MedAgentNet destekli bakımın karşılaştırıldığı мененriye dönük жана kontrollü bir изилдөө теоремаktedir. Önerмененn ana натыйжалар şunlardır:

• Önlenen istenmeyen дары olayları
• Tanı gecikmesindeki değişim
• Klinisyen memnuniyeti
• Hasta güжанаni
• Onay жанаrme катышı
• Sistemin чыныгы колдонуу sıklığı

Bu натыйжаларыn hiçbiri mevcut preprintte ölçülmemiştir.

Түркияда валидация үчүн gerekli adımlar

• түркчө klinik notlar жана tıbbi kısaltmalar üzerinde dil модельi баалооsi
• Yerel дары adları, etken maddeler, dozlar жана reçete жазууларыnın eşleştirilmesi
• Farklı бейтапne bilgi системаleri arasında FHIR uyumluluğunun чыныгы entegrasyonla sınanması
• Hasta идентификация eşleştirme жана yanlış бейтапya ait жазуу riskinin баалуулукlendirilmesi
• Onay metinlerinin бейтапlar tarafından anlaşılabilirliğinin ölçülmesi
• Acil durumda макулдук geçersiz kılma koşullarının этика жана hukuki текшерүүsi
• Geçmiş чыныгы жазууlarla geriye dönük, kör klinisyen баалооli тест
• Yanlış alarm жана kaçırılmış risklerin бейтап коопсузği kurulunca incelenmesi
• İstem enjeksионu, kötü niyetli sorgu жана укук жогорулатуу saldırı тестleri
• Bilgi sızıntısı жана кайра идентификация riskinin nicel өлчөөü
• Klinik uyarıların zorunlu insan макулдукıyla сууnulması
• Sınırlı bölümlerde мененriye dönük pilot uygulama
• Yanıt gecikmesinin rutin жана acil колдонуу hedeflerine indirilmesi
• Kurumlar arası denetim жана sorumluluk paylaşımının tanımlanması

Kaynak жана Yöntem Notu

Изилдөөnın 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 изилдөөдөki özgün автор sırasını korumaktadır.

Eş katkı bilgisi: Изилдөөda eş birinci автор же eş katkı beyanı орун алган эмес.

Sorumlu автор: Belgede “Corresponding author” dipnotu bulunmaktadır; бирок yıldız işareti автор satırında tek bir isimle ачык biçimde eşleştirilmemiştir. Dipnotta beş авторın e-posta adresi бирге маалыматldiği үчүн sorumlu авторın идентификациясы bu sürümden kesin катары belirleнымemektedir.

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 bilgмененri:

• 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 Uniжанаrsity, Doha, Katar.
• Department of Computer Science, Institute of Science Tokyo, Tokyo, Japonya.
• Graduate School of Information Science and Technology, Osaka Uniжанаrsity, “Suite, Japan”. “Suite” ifadesi belgede bu сүрөтde yazılmıştır жана metin үчүнde düzeltilmemiştir.
• Graduate School of Information Science, Uniжанаrsity of Hyogo, Kobe 650-0047, Japonya.
• Advanced Medical Engineering Research Institute, Uniжанаrsity of Hyogo, Himeji 670-0836, Japonya.

Kurum–мененtişim notu: Naoto Yanai үчүн Osaka Uniжанаrsity мекемеu yazılmasına rтармакmen мененtişim adresi Panasonic alan adındadır. Bu ар башкаlığın эмне үчүнi preprintte түшүндүрүлгөн эмес.

DOI:10.2139/ssrn.7181662

Resmî жарыялоо платформасы: SSRN.

Resmî изилдөө байланышsı:SSRN изилдөө sayfası

Yayın yılı: 2026.

Dergi: Bu sürüm үчүн belirli bir hakemli dergi adı же kabul kararı орун алган эмес.

Yayın durumu: Belgenin her sayfasında изилдөөнүн hakem баалооsinden geçmediği belirtilmektedir. “Preprint сууbmitted to Elsevier” ifadesi bir Elsevier dergisine kabul edildiği anlamına gelmemektedir.

Kaynak türü: Федеративдүү көп-агенттүү klinik жасалма интеллект архитектурасы, синтетикалык бейтап маалыматsi, LLM негиздүү simülasyon, ачыктоо катмары салыштырууsı, макулдук kısıtlaması жана ölçeklenebilirlik талдоосу içeren preprint изилдөө makalesi.

Gerçek бейтап маалыматы: Kullanılmamıştır. Hasta жазуулары klinik шаблонlarla синтетикалык катары üretilmiştir.

Etik kurul: Gerçek insan katılımcı же бейтап маалыматы kullanılmadığı belirtilmekte; өзүнчөca bir этикалык комитет макулдукı сууnulmamaktadır.

Finansman: Ana metinde каржылоо beyanı орун алган эмес.

Çıkar çatışması: Ana metinde кызыкчылыктар кагылышы beyanı орун алган эмес.

Yazar katkıları: Ayrı bir CRediT автор katkı beyanı жок.

Veri жана кодго жетүү: Sentэтика бейтап üretim kodu, көп-агенттүү simülasyon, istem шаблонları, doğru натыйжа этикаetleri жана эксперимент çıktılarına ait ачык erişim байланышsı берилген эмес.

Uyumluluk iddiası: Изилдөөчүлөр архитектураnin HIPAA, GDPR жана HL7 FHIR ilkeleriyle uyumlu olacak biçimde tasarlandığını belirtmektedir. Изилдөө bтармакımsız hukuk текшерүүsi, сертификация, коопсуздук denetimi же чыныгы FHIR entegrasyonu сууnmamaktadır.

Mahremiyet yaklaşımı: Mevcut tasarımın temel koruması маалыматnin yerel tutulması, amaçla sınırlandırılmış sorgular, ачыкlama катмарлары, бейтап макулдугу жана аудит жазуусуdır. Diferansiyel gizlilik, гомоморфтук шифрлөө же коопсуз көп тараптуу эсептөө экспериментsel системаe uygulanmamıştır.

Bu түркчө ачыкlama, жүкlenen 21 sayfalık изилдөөнүн başlık жана идентификация bilgмененri, архитектура şemaları, matematiksel tanımı, FHIR uyumlu JSON örneği, yönlendirme algoritması, ачыкlama катмарлары, технология yığını, klinik senaryoları, performans таблицаları, бейтап макулдугу экспериментi, sтармакlayıcı салыштырууsı жана ölçeklenebilirlik натыйжалары incelenerek hazırlanmıştır. Изилдөөda bulunmayan klinik натыйжалар eklenmemiş; kurgusal senaryolardaki натыйжалар чыныгы бейтап bulguсуу gibi берилген эмес.

Изилдөөnın temel баалуулукi, ар башка sтармакlık bölümlerindeki bilgмененrin tamamını борборлоштурбастан klinik катары anlamlı кыскачаler üzerinden birleştirмененbмененceğini gösteren ачык жана тест edмененbilir bir архитектура сууnmasıdır. Temel sınırı болсо yüzde 100 катары bildirмененn başarıların синтетикалык, ачык biçimde tanımlanmış жана sınırlı sayıdaki senaryolardan gelmesidir. Gerçek klinik yarar, купуялык, hukuki uyum, siber коопсуздук жана бейтап натыйжалары bтармакımsız klinik изилдөөlarla doğrulanmadan система karar desteği dışında колдонууa hazır kabul edilmemelidir.