Bu çalışma, bir hastanın farklı sağlık bölümlerine dağılmış ilaç, tanı, laboratuvar ve muayene bilgilerinden yararlanırken bütün sağlık kayıtlarını tek bir merkezi veri tabanında toplamamayı amaçlayan MedAgentNet adlı federe çok etmenli yapay zekâ mimarisini önermektedir. Sistemde kardiyoloji, eczane, laboratuvar, diş hekimliği, endokrinoloji ve diğer bölümlerin her biri yalnızca kendi yerel kayıtlarına erişen uzmanlaşmış bir yapay zekâ etmeni çalıştırmaktadır. Bölümler birbirlerine ham hasta dosyaları göndermek yerine, belirli bir klinik amaçla sınırlandırılmış yapılandırılmış sorgular ve gereken en az klinik bilgiyi içeren yanıtlar iletmektedir.

Mimarinin merkezinde hasta verisini doğrudan görmeyen bir Orkestratör Etmen bulunmaktadır. Bu etmen, örneğin diş çekimi planlanan bir hastada kardiyoloji ve eczane bilgilerinin gerekli olduğunu belirlemekte; hasta onayını kontrol ettirmekte; ilgili bölüm etmenlerine sorgu göndermekte ve gelen yanıtları tek bir klinik değerlendirmede birleştirmektedir. Bilgi paylaşımı üç açıklama katmanına ayrılmıştır: Tier 1 yalnızca ilgili bir riskin bulunduğunu bildiren işaret düzeyidir; Tier 2 ilaç adı, doz, tanı kodu veya laboratuvar değeri gibi karar için gerekli klinik özeti paylaşır; Tier 3 ise ayrıntılı tedavi geçmişi ve klinik anlatı gibi daha geniş bağlamı içerir.

Araştırmacılar mimariyi gerçek hasta verisi yerine sentetik hasta kayıtları üzerinde sınamıştır. Simülasyonda 10 bölüm etmeni, bir orkestratör, hasta onayı yönetim servisi ve denetim kaydı oluşturulmuş; LLaMA 3.1 8B modeli kullanılarak sekiz ilaç çatışması ve üç bölümler arası tanısal örüntü değerlendirilmiştir. Varsayılan Tier 2 paylaşımında ilaç çatışmaları ve tanısal örüntüler için yüzde 100 tespit bildirilmiş, üç bağımsız çalıştırmadaki ortalama yanlış pozitif oranı yüzde 1,7 olmuştur. Ancak bu sonuçlar yalnızca araştırmacıların önceden tanımladığı 11 senaryo için geçerlidir ve gerçek hastanelerde aynı başarımın elde edileceğini göstermez.

Tier 1 bütün ilaç çatışmalarını işaretleyebilmiş fakat bölümler arası tanısal örüntülerin hiçbirini belirleyememiştir. Tier 2’de örüntü tespiti yeniden yüzde 100’e çıkmıştır. Bu sonuç, yalnızca “başka bir bölümde risk olabilir” biçimindeki soyut bir uyarının; yükselen glikoz değerleri, HbA1c eğilimi, retina değişiklikleri ve periferik nöropati gibi ayrıntıları birleştirmek için yeterli olmadığını göstermektedir. Çalışmanın asıl bulgusu, güçlü bir dil modelinin tek başına değil, doğru bölümlere erişim sağlayan ve gerekli klinik ayrıntıyı kontrollü biçimde taşıyan koordinasyon katmanının belirleyici olduğudur.

Hasta onayı deneyinde iletişim kanallarının yüzde 30’u ve yüzde 60’ı kapatıldığında seçilen simülasyonlarda tespit oranı korunmuştur. Tüm bölümler arası paylaşım kapatıldığında ise ilaç çatışması tespiti yüzde 35,3’e, tanısal örüntü tespiti yüzde 0’a düşmüştür. Bu durum, mahremiyet tercihleri ile bölümler arası klinik yarar arasında gerçek bir değiş tokuş bulunduğunu göstermektedir. Buna karşılık çalışmanın sonuçları hastaların geniş veri paylaşımına zorlanmasını desteklemez; araştırmacılar tercihlerin açık, geri alınabilir ve baskıdan uzak biçimde yönetilmesi gerektiğini belirtmektedir.

Türkiye açısından: MedAgentNet yaklaşımı; farklı poliklinikler, laboratuvarlar, eczane sistemleri ve hastaneler arasında tam hasta dosyasını aktarmadan ilaç etkileşimi kontrolü, işlem öncesi risk değerlendirmesi ve uzun dönemli bulgu örüntüsü araştırılması için incelenebilir. Türkiye’de uygulanmadan önce Türkçe klinik notlar, yerel ilaç adları ve doz biçimleri, tanı ve laboratuvar kodları, hastane bilgi yönetim sistemleri, hasta onay süreçleri ve sağlık verisi koruma yükümlülükleriyle ayrı teknik ve hukuki doğrulama yapılmalıdır. Gerçek hekimler tarafından etiketlenmiş geçmiş kayıtlarla geriye dönük çalışma, ardından insan denetimli ileriye dönük klinik pilot gereklidir. Bu çalışmadan Türkiye’de ilaç hatalarının önleneceği, tanı gecikmelerinin azalacağı, sistemin mevzuata kendiliğinden uyacağı veya hasta güvenliği açısından klinik kullanıma hazır olduğu sonucu çıkarılamaz.

Araştırmanın çözmeye çalıştığı sorun nedir?

Bir hasta aynı dönem içinde aile hekimi, kardiyolog, diş hekimi, endokrinolog, göz hekimi ve farklı laboratuvarlarla karşılaşabilir. Her bölüm yalnızca kendi kayıtlarını görüyorsa bir bölümde sıradan görünen bulgu, başka bir bölümdeki ilaç veya klinik değişkenle birlikte önemli bir risk oluşturabilir.

Çalışmada iki temel parçalanma problemi ele alınmaktadır:

• Farklı hekimler tarafından verilen ilaçların birbirleriyle veya planlanan bir işlemle çatışması
• Farklı bölümlerde ortaya çıkan küçük bulguların tek bir tanısal örüntü hâlinde birleştirilememesi

Bütün kayıtların tek bir merkezi depoda toplanması bu bilgi eksikliğini azaltabilir. Ancak merkezi yapı; kurumların veri kontrolünü kaybetmesi, büyük bir saldırı hedefi oluşması, hasta onayının yönetilmesi ve farklı bilgi sistemlerinin uyumlaştırılması gibi yeni sorunlar yaratabilir. MedAgentNet, veriyi merkeze taşımak yerine klinik soruyu ilgili verinin bulunduğu bölüme götürmektedir.

“Federe” sözcüğü bu çalışmada ne anlama gelmektedir?

Bu çalışmadaki federe yapı, klasik federe öğrenmeden farklıdır. Klasik federe öğrenmede farklı kurumlar yerel verileriyle ortak bir makine öğrenmesi modelini eğitir ve modele ait ağırlık veya gradyan güncellemelerini paylaşır.

MedAgentNet ise ağırlıklı olarak çıkarım zamanında işbirliği yapmaktadır. Bölüm etmenleri ortak model eğitmek için parametre göndermek yerine, belirli bir hasta ve klinik amaç için birbirlerine sınırlı sorular yöneltmektedir. Örneğin diş hekimliği etmeni, kardiyoloji etmeninden hastanın bütün kalp geçmişini değil, planlanan diş çekimini etkileyen aktif antikoagülan bulunup bulunmadığını sorar.

Şekil 1’deki genel mimari ne göstermektedir?

Çalışmanın üçüncü sayfasındaki Şekil 1’de diş hekimliği, kardiyoloji, endokrinoloji ve acil servis etmenleri merkezi bir Orkestratör Etmen çevresinde gösterilmiştir. Oklar, doğrudan hasta dosyası aktarımını değil; bağlama duyarlı yönlendirme, sorgu oluşturma ve yapılandırılmış yanıt akışını temsil etmektedir.

Şeklin alt katmanında LLaMA 3.1 8B kullanılan simülasyon, Tier 2’de bildirilen tespit başarımı ve HIPAA, GDPR ile HL7 FHIR uyumluluğu iddiaları özetlenmiştir. Bu görsel, araştırmanın bütün sistemini tek çerçevede açıklamaktadır; ancak gösterilen uyumluluk ifadeleri bağımsız sertifikasyon sonucu değildir.

Bölüm etmenleri hangi görevleri üstlenmektedir?

Her Bölüm Etmeni üç temel işleve sahiptir:

1. Yerel veri erişimi: Etmen yalnızca kendi bölümündeki elektronik sağlık kaydı, laboratuvar bilgi sistemi veya ilaç veri tabanına erişir.
2. Klinik akıl yürütme: Gelen sorgunun kendi uzmanlık alanındaki kayıtlarla ilişkisini değerlendirir.
3. Açıklama kontrolü: Yanıtta hangi ayrıntıların paylaşılabileceğini hasta onayı ve açıklama katmanına göre sınırlar.

Çalışmanın biçimsel tanımında bölüm etmenleri kümesi:

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

olarak ifade edilmektedir. Her \(A_i\) etmeni yalnızca kendi \(D_i\) veri deposuna erişir. Bir hasta \(p\), sorgu \(q\) ve açıklama katmanı \(\tau\) için etmenin yanıtı:

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

şeklinde tanımlanmıştır. Burada \(f_i\), etmenin klinik akıl yürütme işlevidir; \(\operatorname{retrieve}(D_i,p)\), hastaya ait yerel kayıtların getirilmesini; \(\tau\in\{1,2,3\}\) ise paylaşım ayrıntısını belirtmektedir.

Orkestratör Etmen hasta verilerini görmekte midir?

Araştırmacıların tasarımına göre Orkestratör Etmen ham hasta kaydına erişmez. İstekte bulunan bölümün verdiği klinik bağlamı ve diğer etmenlerin yeteneklerini kullanarak hangi bölümlerin sorgulanacağına karar verir.

Orkestratörün temel görev sırası şöyledir:

1. Klinik bağlamdan ilgili hedef bölümleri belirlemek
2. Her bölüm için amaca uygun yapılandırılmış sorgu oluşturmak
3. Hasta onayının ilgili sorguya izin verip vermediğini kontrol ettirmek
4. İzin verilen sorguları bölüm etmenlerine yöneltmek
5. Yanıtları birleştirerek isteyen klinisyene anlaşılır bir sonuç sunmak
6. Sorgu, yanıt ve onay işlemlerini denetim kaydına geçirmek

Orkestratörün ham kayda erişmemesi, merkezi veri gölü oluşmasını engellemeyi amaçlamaktadır. Bununla birlikte orkestratörün gördüğü klinik bağlam ve etmenlerden dönen özetlerin de hassas bilgi taşıyabileceği unutulmamalıdır. Çalışmada bu ara verilerin yeniden tanımlama riski veya kötü niyetli sorgu saldırıları deneysel olarak incelenmemiştir.

Hasta Onayı Yönetim Servisi nasıl çalışmaktadır?

Hasta Onayı Yönetim Servisi, her hasta için bölüm çiftlerine göre paylaşım izinleri tutmaktadır. Örneğin bir hasta kardiyolojinin acil servise Tier 2 düzeyinde yanıt vermesine izin verirken başka bir bölüm çifti arasındaki iletişimi kapatabilir.

Onay profilinde şu kuralların bulunabileceği belirtilmiştir:

• Hangi bölümün hangi başka bölümü sorgulayabileceği
• İzin verilen en yüksek açıklama katmanı
• Onayın geçerli olduğu zaman aralığı
• Yalnızca aktif tedavi sırasında geçerli bağlamsal kısıtlar
• Acil durumda uygulanabilecek geçersiz kılma koşulları

Her sorgu yürütülmeden önce bu profil kontrol edilmektedir. Hasta izinleri değiştirdiğinde sonraki sorguların yeni kurala göre işlenmesi öngörülmüştür. Ancak çalışmada gerçek hastaların onay arayüzünü kullanma biçimi, onay metinlerini anlayıp anlamadığı veya karar değiştirme davranışı test edilmemiştir.

Standart Klinik Sorgu Türleri neden kullanılmıştır?

Etmenlerin serbest biçimli ve sınırsız sorular göndermesi, gereğinden fazla veri istemesine ve denetimin zorlaşmasına yol açabilir. MedAgentNet bu nedenle Klinik Sorgu Türü olarak adlandırılan önceden tanımlı amaç sınıfları kullanmaktadır.

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

FHIR uyumlu mesaj yapısında hangi bilgiler bulunmaktadır?

Altıncı sayfadaki Şekil 3, bölümler arası sorgunun JSON biçimindeki örneğini göstermektedir. Örnekte şu alanlar yer almaktadır:

• Sorgunun benzersiz kimliği
• Kaynak ve hedef etmen
• Takma veya özetlenmiş hasta kimliği
• MED_CONFLICT gibi sorgu türü
• Planlanan işlem ve ilgili ilaç kategorileri
• Talep edilen açıklama katmanı
• Hasta onay belirteci
• Zaman damgası

Bu yapı, iletişimin izlenebilir ve makine tarafından işlenebilir olmasını amaçlamaktadır. Ancak çalışma gerçek bir hastane FHIR sunucusuyla entegrasyon testi yapmamış; şema, önerilen mimari ve simülasyon içinde değerlendirilmiştir.

Üç açıklama katmanı arasındaki fark nedir?

Çalışmada Tier 2 varsayılan denge noktası olarak belirlenmiştir. İlaç adı ve temel laboratuvar değerleri paylaşılmadan bölümler arası örüntü tespiti gerçekleştirilememiş; buna karşılık tam klinik anlatının paylaşıldığı Tier 3, seçilen senaryolarda Tier 2’ye göre ek tespit kazancı sağlamamıştır.

Mimarinin mahremiyet iddiası hangi mekanizmalara dayanmaktadır?

Araştırmacılar beş temel özellik tanımlamaktadır:

• Veri yerelliği: Ham kayıtların kaynak bölümde kalması
• Amaç sınırlaması: Her sorgunun belirli bir klinik sorgu türüyle sınırlandırılması
• Gerekli en az açıklama: Varsayılan olarak yalnızca karar için gereken özetin paylaşılması
• Denetlenebilirlik: Sorgu, onay ve yanıtların kayıt altına alınması
• Hasta kontrolü: Bölümler arası izinlerin görüntülenebilmesi ve geri alınabilmesi

Bunlar önemli mimari korumalardır; ancak tek başlarına matematiksel veya kriptografik gizlilik garantisi oluşturmaz. Çalışma diferansiyel gizlilik, homomorfik şifreleme ve güvenli çok taraflı hesaplama gibi yöntemlerin sonradan eklenebileceğini belirtmektedir. Mevcut deneylerde bu yöntemlerin uygulanması, saldırı dayanıklılığı veya bilgi sızıntısının nicel ölçümü gösterilmemiştir.

Önerilen teknoloji yığını hangi katmanlardan oluşmaktadır?

Dokuzuncu sayfadaki Şekil 6, sistemi beş katmanda göstermektedir:

1. Veri katmanı: Bölümlere ait elektronik sağlık kayıtları, laboratuvar sistemleri ve ilaç veri tabanları
2. Servis katmanı: Hasta onayı, denetim kaydı ve ilaç etkileşimi veri tabanı
3. Protokol katmanı: FHIR R4 API, klinik sorgu protokolü ve karşılıklı TLS
4. Etmen katmanı: Dil modeli tabanlı bölüm etmenleri ve orkestratör
5. Sunum katmanı: Klinisyen paneli, hasta portalı ve mobil uygulama

Araştırmacılar bölüm etmenlerinin yerel kayıtlardan bilgi getiren bir erişim destekli üretim hattıyla çalışmasını önermektedir. İlaç etkileşimleri için doğrulanmış ilaç veri tabanlarının kullanılması, iletişimin karşılıklı TLS ile şifrelenmesi ve yüksek sorgu hacminde mesaj kuyruğundan yararlanılması öngörülmüştür. Bunlar mimari önerilerdir; deneyde bütün üretim bileşenleri gerçek hastane ortamında kurulmamıştır.

Önerilen kademeli kurulum planı nedir?

Çalışma üç aşamalı bir uygulama yolu önermektedir:

• Pilot: Kardiyoloji, eczane ve acil servis gibi iki veya üç bölümde ilaç çatışması kontrolü
• Genişleme: Aile hekimliği, laboratuvar ve endokrinoloji gibi bölümlerin eklenmesi ve uzun dönemli örüntü sorguları
• Federasyon: Farklı hastane ve sağlık sistemlerindeki etmenlerin kontrollü biçimde bağlanması

Bu yaklaşım, kurumun bütün bilgi sistemini aynı anda değiştirmeden sınırlı bir kullanım alanıyla başlamayı amaçlamaktadır.

Araştırmacıların belirlediği performans hedefleri nelerdir?

Bu değerler sistem gereksinimi olarak sunulmuştur. Simülasyonda Tier 1, Tier 2 ve Tier 3 ortalama yanıt süreleri sırasıyla 8,4, 11,7 ve 13,5 saniye olduğu için rutin ve acil hedefler karşılanmamıştır. Erişilebilirlik, onay servisi gecikmesi ve denetim kaydı süresi için gerçek altyapı ölçümü raporlanmamıştır.

Simülasyon ortamı nasıl kurulmuştur?

Tam yığın simülasyonda şu bölüm etmenleri yer almıştır:

• Kardiyoloji
• Genel hekimlik
• Eczane
• Laboratuvar
• Endokrinoloji
• Göz hastalıkları
• Diş hekimliği
• Nöroloji
• Nefroloji
• Göğüs hastalıkları

Bunlara ek olarak bir Orkestratör Etmen, Hasta Onayı Yönetim Servisi ve değiştirilemez olduğu belirtilen denetim kaydı kullanılmıştır.

Hasta kayıtları klinik şablonlara göre sentetik olarak üretilmiş; her hasta iki ile beş bölümle ilişkilendirilmiştir. Varsayılan veri üretiminde ilaç çatışması ekleme olasılığı yüzde 35, tanısal örüntü ekleme olasılığı yüzde 25 olarak belirlenmiştir. Doğru sonuç etiketleri hasta kayıtlarına üretim sırasında yerleştirilmiş ve sistem yanıtları bu etiketlerle otomatik olarak karşılaştırılmıştır.

LLaMA 3.1 nasıl kullanılmıştır?

Ana deneylerde 8 milyar parametreli LLaMA 3.1 modeli Ollama üzerinden yerel olarak çalıştırılmış ve sıcaklık değeri 0,3 seçilmiştir. Her bölüm etmenine:

• Yalnızca o bölüme ait sentetik hasta kayıtları
• Klinik sorgu
• Uygulanacak açıklama katmanı
• Beklenen JSON yanıt yapısı

verilmiştir.

Dil modelinin her zaman geçerli JSON üretmemesi ihtimaline karşı dört aşamalı yanıt ayrıştırma yöntemi kullanılmıştır: doğrudan JSON ayrıştırma, Markdown kod bloğunu çıkarma, süslü parantezler arasındaki yapıyı bulma ve son olarak serbest metinde anahtar sözcük arama.

Bu geri dönüş yöntemleri sistemin çalışmasını sürdürse de serbest metinden anahtar sözcük çıkarımı, hatalı veya belirsiz bir model yanıtının olumlu tespit gibi yorumlanması riskini taşıyabilir. Çalışmada her geri dönüş yönteminin kaç kez kullanıldığı ayrı olarak raporlanmamıştır.

Hangi ilaç çatışmaları değerlendirilmiştir?

Hangi tanısal örüntüler kullanılmıştır?

• Kronik böbrek hastalığının ilerlemesi
• Tiroid bulguları ile kardiyak bulgular arasındaki ilişki
• Henüz tanı konmamış diyabet örüntüsü

Bu üç örüntü, tek bir bölümün verisiyle değil, farklı bölümlerde bulunan değer ve muayene sonuçlarının birleştirilmesiyle belirlenebilecek biçimde tasarlanmıştır.

Tier 1 neden tanısal örüntüleri bulamamıştır?

Tier 1 yanıtı yalnızca başka bir bölümde ilgili bir bulgu olduğunu bildirir. Örneğin sistem, göz hastalıkları bölümünde önemli bir bulgu bulunduğunu söyleyebilir; ancak bunun retina değişikliği olduğunu açıklamaz. Laboratuvar etmeni HbA1c değerini, genel hekimlik etmeni yükselen glikoz serisini paylaşmaz.

Böyle bir durumda LLM’nin farklı işaretleri özgül bir hastalık mekanizması altında birleştirecek klinik dayanağı yoktur. Bu nedenle ilaç çatışmaları yüzde 100 bulunurken üç tanısal örüntünün hiçbiri belirlenememiştir.

Tier karşılaştırmasının sonuçları nelerdir?

Seçilen testlerde Tier 3, Tier 2’ye göre daha yüksek tespit başarısı sağlamamış; yalnızca daha fazla bilgi ve daha uzun yanıt süresi üretmiştir. Bu nedenle araştırmacılar Tier 2’yi rutin kullanım için en uygun denge olarak yorumlamıştır.

Üç bağımsız çalıştırmada sonuçlar ne kadar kararlıdır?

Rastgele tohumlar 42, 1042 ve 2042 olarak seçilmiş; her çalıştırmada 50 yeni sentetik hasta oluşturulmuştur.

Sıfır varyans, tanımlanan senaryoların model tarafından tutarlı biçimde çözüldüğünü göstermektedir. Bununla birlikte senaryolar ve istemler araştırmacılar tarafından açık klinik işaretlerle oluşturulmuştur. Gerçek kayıtların eksik, çelişkili, kısaltmalı ve hatalı olabileceği daha zor bir dış test gerçekleştirilmemiştir.

Kural tabanlı sistem ile LLaMA karşılaştırması ne göstermiştir?

Her iki altyapının aynı tespitlere ulaşması, onay ve yönlendirme katmanlarının yalnızca tek bir dil modeline bağlı olmadığını göstermektedir. LLaMA, anahtar sözcük tabanlı Mock sisteminden daha az yanlış alarm üretmiş; ancak yaklaşık 47 kat daha yavaş çalışmıştır.

“LLM’den bağımsız” sonucu yalnızca bir kural tabanlı motor ile tek bir LLaMA sürümünün karşılaştırılmasına dayanmaktadır. Farklı dil modelleri, model büyüklükleri, istem biçimleri veya tıbbi uyarlamalar arasında kapsamlı deney yapılmamıştır.

Hasta onay kısıtlaması hangi sonuçları üretmiştir?

Kısmi kısıtlamada başarı, bazı bilgilerin alternatif bir bölüm üzerinden bulunabilmesiyle açıklanmıştır. Örneğin kardiyoloji ile diş hekimliği arasındaki doğrudan kanal kapalı olsa bile eczane etmeni aktif antikoagülanı bildirebilir.

Tam paylaşım dışı durumda yalnızca aynı bölümün yerel kayıtlarında birlikte bulunan ilaçlar tespit edilebilmiştir. Birden fazla bölümdeki bulguların birleştirilmesini gerektiren tanısal örüntüler ise tamamen kaybolmuştur.

Bu sonuç kullanılan sentetik veri dağılımına bağlıdır. Gerçek bir kurumda yüzde 30 veya yüzde 60 kanal kapatılmasının hangi bölümleri etkilediği, klinik başarımı rastgele bağlantı sayısından daha fazla değiştirebilir.

Ölçeklenebilirlik deneyi ne göstermiştir?

Toplam süre hasta ve senaryo sayısıyla yaklaşık doğrusal artmıştır. Araştırmacılar karmaşıklığı \(O(n\cdot k)\) olarak tanımlamaktadır; burada \(n\) hasta sayısı, \(k\) ise hasta başına ortalama sorgu sayısıdır.

Bu deney, tekil sentetik vakaların sayısı arttığında yönlendirme mantığının süper doğrusal yük üretmediğini desteklemektedir. Ancak gerçek zamanlı eşzamanlı kullanıcı yükü, ağ gecikmesi, veri tabanı kilitlenmesi, kuyruk birikmesi, yüksek erişilebilirlik ve kurumlar arası iletişim sınanmamıştır.

Diş hekimliği–kardiyoloji senaryosu nasıl işlemektedir?

İlk örnekte 62 yaşındaki kurgusal bir hasta, diş çekimi öncesinde kullandığı kardiyoloji ilaçlarını diş hekimine bildirmemektedir. Kardiyoloji kaydında Warfarin ve Metoprolol bulunmaktadır.

Diş Hekimliği Etmeni bir MED_CONFLICT sorgusu başlatır. Orkestratör kardiyoloji ve eczane etmenlerini seçer. Kardiyoloji Etmeni Tier 2 düzeyinde Warfarin 5 mg ve Metoprolol 50 mg bilgisini paylaşır. Eczane Etmeni başka antikoagülan veya NSAİİ bulunup bulunmadığını kontrol eder. Sonuçta diş hekimine kanama riski uyarısı gönderilir.

Senaryoda tedavinin kardiyologla koordine edildiği ve işlemin güvenli zamana ertelendiği anlatılmaktadır. Bu sonuç gerçek hastada gözlenmiş bir klinik çıktı değil, mimarinin olası kullanımını açıklayan kurgusal örnektir.

Uzun dönemli diyabet örüntüsü nasıl kurulmaktadır?

İkinci senaryoda kurgusal hastanın açlık glikozu üç ziyarette 5,4 mmol/L’den 5,9 mmol/L’ye ve ardından 6,4 mmol/L’ye yükselmektedir. Laboratuvar kayıtlarında HbA1c değeri 12 ayda yüzde 5,8’den yüzde 6,1’e çıkmaktadır. Göz muayenesinde erken retina değişiklikleri, ayak değerlendirmesinde ise azalmış duyu bulunmaktadır.

Bu bulguların her biri kendi bölümünde tek başına kesin bir tanı oluşturmamaktadır. Genel Hekimlik Etmeni LONG_PATTERN sorgusu gönderdiğinde laboratuvar, göz hastalıkları ve yerel nöropati kayıtları birleştirilir. Sistem, bulguların tip 2 diyabet açısından resmî değerlendirme gerektiren ortak bir örüntü oluşturduğunu bildirir.

Araştırmacıların “6–12 ay daha erken tanı” biçimindeki sonucu gerçek hasta grubunda ölçülmemiş, senaryonun varsayımsal sonucu olarak yazılmıştır.

Acil servis polifarmasi senaryosu ne göstermektedir?

Üçüncü kurgusal hasta akut böbrek hasarıyla acil servise başvurmaktadır. Kardiyoloji tarafından Lisinopril, romatoloji tarafından İbuprofen, genel hekim tarafından Hidroklorotiyazid ve endokrinoloji tarafından Metformin reçete edilmiştir.

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

Bu örnek, ilaçların farklı bölümlerde tutulduğu durumda orkestrasyonun potansiyel yararını açıklamaktadır. Saniyeler içinde sonuç alındığı ifadesi mimari senaryoya aittir; ana LLaMA deneylerindeki yaklaşık 9–13 saniyelik gecikme ve 2 saniyenin altındaki acil hedefin karşılanmaması ayrıca dikkate alınmalıdır.

Çalışmanın güçlü yönleri nelerdir?

• Ham hasta verisini merkezi depoya taşımadan bölümler arası sorgu yapılabilen açık bir mimari sunulmuştur.
• Orkestratörün hasta verisine doğrudan erişmemesi veri yerelliğini güçlendirmektedir.
• Sorgular serbest metin yerine klinik amaçlarla sınırlandırılmıştır.
• Hasta onayı bölüm çiftleri ve açıklama katmanları düzeyinde modellenmiştir.
• Tier 1, Tier 2 ve Tier 3 arasındaki mahremiyet–yarar farkı nicel olarak değerlendirilmiştir.
• Gerçek bir dil modeli olan LLaMA 3.1 8B kullanılmıştır.
• Sekiz ilaç çatışması ve üç tanısal örüntü birlikte incelenmiştir.
• Birden fazla rastgele tohumla kararlılık değerlendirilmiştir.
• Kural tabanlı ve LLM tabanlı motor aynı koordinasyon altyapısında karşılaştırılmıştır.
• Hasta onay kısıtlamasının performansa etkisi ayrıca ölçülmüştür.
• 50’den 500 hastaya kadar ölçeklenebilirlik deneyi yapılmıştır.
• FHIR uyumlu sorgu yapısı ve kademeli uygulama planı sunulmuştur.

Çalışmanın temel sınırlılıkları nelerdir?

• Çalışma hakem değerlendirmesinden geçmemiş bir preprinttir.
• Bütün hasta kayıtları sentetiktir.
• Gerçek elektronik sağlık kayıtlarının eksikliği, yazım hataları, kısaltmaları ve çelişkileri değerlendirilmemiştir.
• Serbest klinik notlar, görüntüler ve karmaşık zaman serileri ana deneylere dâhil edilmemiştir.
• Senaryo kütüphanesi sekiz ilaç çatışması ve üç tanısal örüntüyle sınırlıdır.
• Doğru sonuçlar veri üretimi sırasında senaryolara gömülmüş, bağımsız ve kör klinisyen kurulu tarafından belirlenmemiştir.
• Yüzde 100 sonuçlar gerçek klinik genelleme göstergesi değildir.
• Yalnızca LLaMA 3.1 8B ve basit bir kural tabanlı motor karşılaştırılmıştır.
• Farklı LLM boyutları ve sağlayıcıları deneysel olarak sınanmamıştır.
• Model halüsinasyonları için gerçek vaka tabanlı güvenlik testi yapılmamıştır.
• Bilgi sızıntısı tanımlanan değerlendirme ölçütleri arasında yer alsa da sonuç tablosunda nicel sızıntı değeri verilmemiştir.
• Kriptografik gizlilik, diferansiyel gizlilik veya güvenli çok taraflı hesaplama uygulanmamıştır.
• Kötü niyetli etmen, istem enjeksiyonu, yetki yükseltme ve yeniden tanımlama saldırıları sınanmamıştır.
• HIPAA ve GDPR uyumu bağımsız hukuk denetimiyle doğrulanmamıştır.
• FHIR uyumu gerçek sağlık bilgi sistemi entegrasyonunda test edilmemiştir.
• Tier 2 ortalama gecikmesi araştırmacıların rutin sorgu hedefini aşmıştır.
• Acil durum için belirlenen 2 saniyelik hedef karşılanmamıştır.
• %99,99 erişilebilirlik hedefi gerçek sistem ölçümüyle doğrulanmamıştır.
• Onay kontrolü ve denetim kaydı için verilen gecikme hedeflerinin deneysel sonuçları yoktur.
• Ölçeklenebilirlik deneyi eşzamanlı hastane trafiğini temsil etmemektedir.
• Hekimlerin uyarıları doğru yorumlama ve uygulama davranışı incelenmemiştir.
• Uyarı yorgunluğu gerçek kullanıcılarla ölçülmemiştir.
• Hasta onay metinlerinin anlaşılabilirliği ve karar kalitesi test edilmemiştir.
• Prospektif klinik çalışma yapılmamıştır.
• Önlenen ilaç olayı, azalan tanı gecikmesi veya hasta sonucu ölçülmemiştir.
• Kaynak kodu, sentetik veri üreticisi ve deney dosyaları için açık erişim bağlantısı verilmemiştir.
• Finansman ve çıkar çatışması beyanı ana metinde yer almamaktadır.

Çalışma neyi desteklemektedir?

• Yapılandırılmış etmen iletişiminin sentetik klinik senaryolarda bölümler arası bilgi birleştirmeyi sağlayabildiğini desteklemektedir.
• Tier 1 düzeyindeki soyut işaretlerin karmaşık tanısal örüntüler için yetersiz kaldığını göstermektedir.
• Tier 2 klinik özetin seçilen senaryolarda Tier 3 ile aynı tespit başarısını daha az ayrıntıyla sağlayabildiğini göstermektedir.
• Orkestrasyon ve veri akışının, tek başına LLM kapasitesinden daha önemli olabileceğini desteklemektedir.
• Kısmi onay kısıtlamalarında alternatif bilgi yollarının bazı tespitleri koruyabildiğini göstermektedir.
• Tam paylaşım dışının bölümler arası tanısal örüntüleri ortadan kaldırdığını göstermektedir.
• Aynı koordinasyon katmanının kural tabanlı ve LLM tabanlı motorlarla çalışabildiğini desteklemektedir.
• Hasta sayısı arttıkça simülasyon süresinin yaklaşık doğrusal büyüdüğünü göstermektedir.

Çalışma neyi kanıtlamamaktadır?

• MedAgentNet’in gerçek hastanelerde yüzde 100 doğrulukla çalışacağını kanıtlamamaktadır.
• İlaç hatalarını veya istenmeyen ilaç olaylarını gerçekten azalttığını göstermemektedir.
• Tanı gecikmesini 6–12 ay azalttığını klinik verilerle kanıtlamamaktadır.
• Tier 2’nin bütün klinik sorular için yeterli olacağını göstermemektedir.
• Ham veri yerelliğinin bütün mahremiyet ve siber güvenlik risklerini ortadan kaldırdığını kanıtlamamaktadır.
• Sistemin HIPAA, GDPR veya başka bir ülkenin mevzuatına otomatik olarak uygun olduğunu göstermemektedir.
• Hasta onayı olmadan veri paylaşımının etik veya hukuki olduğunu desteklememektedir.
• Acil durumda onay geçersiz kılma kararının hangi koşullarda güvenli olacağını doğrulamamaktadır.
• Dil modelinin klinisyenin yerini alabileceğini göstermemektedir.
• Klinik uyarıların insan incelemesi olmadan uygulanabileceğini kanıtlamamaktadır.
• Farklı dil, hastane, hasta grubu ve tıbbi uygulamalarda genellenebilirliği göstermemektedir.

Çalışmanın Yöntemi ve Bulguları

Araştırma tasarımı

Araştırma; mimari tasarım, yapılandırılmış iletişim protokolü, hasta onayı modeli, sentetik hasta üretimi, LLM tabanlı çok etmenli simülasyon, açıklama katmanı ablation deneyi, rastgele tohum kararlılık analizi, sağlayıcı karşılaştırması, onay kısıtlaması ve ölçeklenebilirlik analizinden oluşmaktadır.

Simülasyonun ana bileşenleri

Değerlendirme ölçütleri

• İlaç çatışması tespit oranı
• Tanısal bağlantı veya örüntü tespit oranı
• Yanlış pozitif oranı
• Gerekenin üzerinde bilgi açıklanması
• Uçtan uca yanıt gecikmesi
• Farklı rastgele tohumlar arasındaki değişkenlik
• Hasta sayısıyla toplam işlem süresinin değişimi

Bilgi sızıntısı yöntem bölümünde ölçüt olarak tanımlanmış olsa da sonuçlarda bu ölçüt için ayrı sayısal tablo sunulmamıştır.

Ana nicel sonuçlar

İstatistiksel değerlendirme

Üç rastgele tohumla yapılan çalıştırmalarda tespit oranı için yüzde 0 standart sapma, yanlış pozitif oranı için yüzde 2,9 standart sapma raporlanmıştır. Bununla birlikte yalnızca üç çalıştırma yapılmış ve güven aralıkları verilmemiştir.

Senaryoların sonuç etiketleri sentetik veri üretiminde önceden bilindiğinden bu değerlendirme, gerçek klinik tanı doğruluğu çalışması değildir. Duyarlılık, özgüllük, pozitif öngörü değeri ve yanlış pozitif oranı yalnızca üretilen senaryo dağılımı içinde yorumlanmalıdır.

Çalışmanın önerdiği klinik doğrulama

Araştırmacılar gelecekte standart bakım ile MedAgentNet destekli bakımın karşılaştırıldığı ileriye dönük ve kontrollü bir çalışma önermektedir. Önerilen ana sonuçlar şunlardır:

• Önlenen istenmeyen ilaç olayları
• Tanı gecikmesindeki değişim
• Klinisyen memnuniyeti
• Hasta güveni
• Onay verme oranı
• Sistemin gerçek kullanım sıklığı

Bu sonuçların hiçbiri mevcut preprintte ölçülmemiştir.

Türkiye’de doğrulama için gerekli adımlar

• Türkçe klinik notlar ve tıbbi kısaltmalar üzerinde dil modeli değerlendirmesi
• Yerel ilaç adları, etken maddeler, dozlar ve reçete kayıtlarının eşleştirilmesi
• Farklı hastane bilgi sistemleri arasında FHIR uyumluluğunun gerçek entegrasyonla sınanması
• Hasta kimlik eşleştirme ve yanlış hastaya ait kayıt riskinin değerlendirilmesi
• Onay metinlerinin hastalar tarafından anlaşılabilirliğinin ölçülmesi
• Acil durumda onay geçersiz kılma koşullarının etik ve hukuki incelemesi
• Geçmiş gerçek kayıtlarla geriye dönük, kör klinisyen değerlendirmeli test
• Yanlış alarm ve kaçırılmış risklerin hasta güvenliği kurulunca incelenmesi
• İstem enjeksiyonu, kötü niyetli sorgu ve yetki yükseltme saldırı testleri
• Bilgi sızıntısı ve yeniden tanımlama riskinin nicel ölçümü
• Klinik uyarıların zorunlu insan onayıyla sunulması
• Sınırlı bölümlerde ileriye dönük pilot uygulama
• Yanıt gecikmesinin rutin ve acil kullanım hedeflerine indirilmesi
• Kurumlar arası denetim ve sorumluluk paylaşımının tanımlanması

Kaynak ve Yöntem Notu

Çalışmanın 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 çalışmadaki özgün yazar sırasını korumaktadır.

Eş katkı bilgisi: Çalışmada eş birinci yazar veya eş katkı beyanı yer almamaktadır.

Sorumlu yazar: Belgede “Corresponding author” dipnotu bulunmaktadır; ancak yıldız işareti yazar satırında tek bir isimle açık biçimde eşleştirilmemiştir. Dipnotta beş yazarın e-posta adresi birlikte verildiği için sorumlu yazarın kimliği bu sürümden kesin olarak belirlenememektedir.

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 bilgileri:

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

Kurum–iletişim notu: Naoto Yanai için Osaka University kurumu yazılmasına rağmen iletişim adresi Panasonic alan adındadır. Bu farklılığın nedeni preprintte açıklanmamıştır.

DOI:10.2139/ssrn.7181662

Resmî yayın platformu: SSRN.

Resmî çalışma bağlantısı:SSRN çalışma sayfası

Yayın yılı: 2026.

Dergi: Bu sürüm için belirli bir hakemli dergi adı veya kabul kararı yer almamaktadır.

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

Kaynak türü: Federe çok etmenli klinik yapay zekâ mimarisi, sentetik hasta verisi, LLM tabanlı simülasyon, açıklama katmanı karşılaştırması, onay kısıtlaması ve ölçeklenebilirlik analizi içeren preprint araştırma makalesi.

Gerçek hasta verisi: Kullanılmamıştır. Hasta kayıtları klinik şablonlarla sentetik olarak üretilmiştir.

Etik kurul: Gerçek insan katılımcı veya hasta verisi kullanılmadığı belirtilmekte; ayrıca bir etik kurul onayı sunulmamaktadır.

Finansman: Ana metinde finansman beyanı yer almamaktadır.

Çıkar çatışması: Ana metinde çıkar çatışması beyanı yer almamaktadır.

Yazar katkıları: Ayrı bir CRediT yazar katkı beyanı bulunmamaktadır.

Veri ve kod erişimi: Sentetik hasta üretim kodu, çok etmenli simülasyon, istem şablonları, doğru sonuç etiketleri ve deney çıktılarına ait açık erişim bağlantısı verilmemiştir.

Uyumluluk iddiası: Araştırmacılar mimarinin HIPAA, GDPR ve HL7 FHIR ilkeleriyle uyumlu olacak biçimde tasarlandığını belirtmektedir. Çalışma bağımsız hukuk incelemesi, sertifikasyon, güvenlik denetimi veya gerçek FHIR entegrasyonu sunmamaktadır.

Mahremiyet yaklaşımı: Mevcut tasarımın temel koruması verinin yerel tutulması, amaçla sınırlandırılmış sorgular, açıklama katmanları, hasta onayı ve denetim kaydıdır. Diferansiyel gizlilik, homomorfik şifreleme veya güvenli çok taraflı hesaplama deneysel sisteme uygulanmamıştır.

Bu Türkçe açıklama, yüklenen 21 sayfalık çalışmanın başlık ve kimlik bilgileri, mimari şemaları, matematiksel tanımı, FHIR uyumlu JSON örneği, yönlendirme algoritması, açıklama katmanları, teknoloji yığını, klinik senaryoları, performans tabloları, hasta onayı deneyi, sağlayıcı karşılaştırması ve ölçeklenebilirlik sonuçları incelenerek hazırlanmıştır. Çalışmada bulunmayan klinik sonuçlar eklenmemiş; kurgusal senaryolardaki sonuçlar gerçek hasta bulgusu gibi sunulmamıştır.

Çalışmanın temel değeri, farklı sağlık bölümlerindeki bilgilerin tamamını merkezileştirmeden klinik olarak anlamlı özetler üzerinden birleştirilebileceğini gösteren açık ve test edilebilir bir mimari sunmasıdır. Temel sınırı ise yüzde 100 olarak bildirilen başarıların sentetik, açık biçimde tanımlanmış ve sınırlı sayıdaki senaryolardan gelmesidir. Gerçek klinik yarar, mahremiyet, hukuki uyum, siber güvenlik ve hasta sonuçları bağımsız klinik çalışmalarla doğrulanmadan sistem karar desteği dışında kullanıma hazır kabul edilmemelidir.