Aort anevrizması, aort damarının belirli bir bölümünde kalıcı ve lokal genişleme oluşmasıdır. Hastalık çoğu zaman uzun süre belirti vermeden ilerleyebilir ve rüptür veya diseksiyon geliştiğinde yaşamı tehdit eden sonuçlara yol açabilir. Güncel klinik yönetimde aort çapı hâlâ temel değerlendirme ölçütlerinden biridir; ancak yalnızca maksimum çap, damar duvarının biyolojik, mekanik ve genetik karmaşıklığını bütünüyle temsil etmez.

Carmela Rita Balistreri ve çalışma arkadaşlarının narrative review çalışması, yapay zekânın aort anevrizması yönetiminde bu eksikliği nasıl tamamlayabileceğini değerlendiriyor. Derleme; görüntüleme ve otomatik segmentasyon, üç boyutlu aort modelleme, biyomekanik hesaplama, büyüme ve rüptür tahmini, biyobelirteç ve multi-omics analizi, cerrahi karar desteği ve postoperatif risk tahmini gibi birçok alanı tek bir translasyonel çerçevede ele alıyor.

AI ve özellikle makine öğrenmesi, klinik veriler, CT/MRI görüntüleri, biyomekanik parametreler, genetik değişkenler, proteomik ve transkriptomik bilgiler gibi yüksek boyutlu verileri birlikte işleyebilir. Böylece yalnızca “anevrizma kaç milimetre?” sorusundan daha geniş bir risk profili oluşturulabilir.

Ancak mevcut kanıtlar henüz AI'nin rutin klinikte bağımsız karar verici olarak kullanılmasını destekleyecek düzeyde değildir. Küçük ve tek merkezli veri setleri, dış doğrulama eksikliği, model genellenebilirliği, açıklanabilirlik, maliyet, veri mahremiyeti ve düzenleyici gereksinimler önemli sınırlılıklar olarak devam etmektedir.

Aort anevrizması nedir ve neden yalnız çap ölçümü yeterli olmayabilir?

Aort anevrizması, insan aortasında damar duvarının tüm katmanlarını içeren ve normal damar çapının yaklaşık 1,5 katından fazla lokal genişleme ile karakterize edilen bir aortopatidir.

Anevrizmalar anatomik olarak başlıca iki gruba ayrılır:

• TAA — Thoracic Aortic Aneurysm: Torasik aort anevrizması,
• AAA — Abdominal Aortic Aneurysm: Abdominal aort anevrizması.

AAA özellikle infrarenal abdominal aortada sık görülürken, TAA torasik segmentlerde gelişir ve uzun süre asemptomatik kalabilir.

Anevrizma riski yaş, cinsiyet, aile öyküsü, sigara, hipertansiyon, hiperkolesterolemi, genetik yatkınlık ve bağ dokusu hastalıkları gibi çok sayıda faktörden etkilenmektedir.

Geleneksel klinik izlemde maksimum çap temel göstergelerden biridir ve belirli eşiklerde cerrahi değerlendirme yapılır. Ancak damar çapı, aort duvarının biyolojik yapısını, bölgesel mekanik gerilimi, inflamasyonu, genetik yatkınlığı veya bireye özgü hemodinamik kuvvetleri doğrudan ölçmez.

Bu nedenle aynı çapa sahip iki hastanın gerçek rüptür veya büyüme riski birbirinden farklı olabilir.

55 mm eşiği neyi temsil ediyor?

Derleme, klinik yönetimde cerrahi müdahalenin genellikle maksimum çap yaklaşık 55 mm seviyesine ulaştığında önerildiğini aktarmaktadır.

Bununla birlikte kaynak, önemli komplikasyonların bu eşik öncesinde de görülebildiğini ve yalnız çap-temelli yaklaşımın anevrizma riskinin bütün biyolojik ve biyomekanik boyutlarını yansıtmadığını vurgulamaktadır.

Bu nedenle gelecekteki risk modellerinin geometrik ölçümü:

• biyomekanik,
• genetik,
• inflamatuvar,
• moleküler,
• klinik

verilerle tamamlaması hedeflenmektedir.

Yapay zekâ aort görüntülemesini nasıl değiştiriyor?

Aort anevrizmasının değerlendirilmesinde ultrasound, CTA ve MRA temel görüntüleme yöntemleridir. Özellikle CTA yüksek çözünürlüklü üç boyutlu anatomik bilgi sağladığı için cerrahi planlamada kritik öneme sahiptir.

AI'nin görüntüleme alanındaki en önemli rollerinden biri otomatik segmentasyondur.

Segmentasyon, görüntü üzerindeki aorta veya anevrizma bölgesini çevre dokulardan ayırarak analiz edilebilir bağımsız bir anatomik yapı oluşturur.

Bu işlem sayesinde:

• aort çapı,
• aort uzunluğu,
• anevrizma hacmi,
• intraluminal trombüs,
• duvar geometrisi,
• stent veya greft konumu

gibi değişkenler daha standart biçimde ölçülebilir.

Hangi yapay zekâ mimarileri kullanılıyor?

Aort görüntü analizinde kullanılan derin öğrenme yaklaşımlarında şu mimariler öne çıkmaktadır:

• U-Net,
• nnU-Net,
• VNet,
• ResNet,
• AlexNet,
• VGG-16,
• GAN tabanlı modeller.

Bu modeller CT ve MRI gibi ham görüntülerden kompleks uzamsal özellikleri otomatik olarak öğrenebilir.

3B segmentasyon neden önemli?

İki boyutlu tek kesit ölçümü, özellikle eğri veya asimetrik aort segmentlerinde gerçek maksimum çapı yanlış değerlendirebilir.

Üç boyutlu rekonstrüksiyon ise aortanın tamamını görmeye, merkez hattını belirlemeye, farklı seviyelerde çap ölçmeye ve morfolojik özellikleri daha tutarlı analiz etmeye olanak sağlar.

Bu nedenle AI destekli otomatik 3B segmentasyon yalnız zaman kazandıran bir görüntü işleme aracı değil; ölçüm standardizasyonunu artırabilecek potansiyel bir klinik altyapıdır.

AI biyomekanik hesaplamaları neden hızlandırabilir?

Anevrizma rüptürü yalnız geometrik büyüklükle ilişkili değildir. Aort duvarındaki lokal mekanik gerilme ve kan akımının damar yüzeyinde oluşturduğu kuvvetler de önemlidir.

Bu amaçla iki temel hesaplama yaklaşımı kullanılmaktadır:

• CFD — Computational Fluid Dynamics,
• FEA — Finite Element Analysis.

CFD ile kan akımı, basınç alanı ve wall shear stress; FEA ile damar duvarındaki mekanik stres ve deformasyon tahmin edilebilir.

Ancak yüksek doğruluklu CFD ve FEA hesaplamaları hesaplama açısından pahalıdır ve klinik akışta her hasta için hızlı biçimde uygulanmaları zor olabilir.

Surrogate AI modelleri ne yapıyor?

Derlemede yer verilen çalışmalar, derin sinir ağlarının önceden hesaplanmış CFD sonuçlarından öğrenerek yeni bir hasta anatomisi için:

• basınç dağılımı,
• kan akım hızı,
• wall shear stress,
• mekanik duvar gerilimi

gibi parametreleri çok daha hızlı tahmin edebildiğini gösteriyor.

Bazı çalışmalarda torasik aorta için basınç ve hız alanlarının bir saniye içinde; başka modellerde ayrıntılı 3B hemodinamiğin milisaniye düzeyinde üretilebildiği bildirilmiştir.

Bu sonuçlar klasik CFD'nin bilimsel değerini ortadan kaldırmaz. AI burada yüksek maliyetli fiziksel simülasyonların yerini tamamen almak yerine, hızlandırılmış bir surrogate model olarak kullanılabilir.

AI anevrizmanın büyüme ve rüptür riskini nasıl tahmin ediyor?

AI'nin en önemli kullanım hedeflerinden biri, mevcut maksimum çap bilgisini başka risk göstergeleriyle birleştirerek “bu anevrizma ne kadar hızlı büyüyecek?” veya “rüptür riski ne kadar yüksek?” gibi sorulara daha kişiselleştirilmiş yanıt üretmektir.

Kullanılabilecek değişkenler arasında:

• maksimum çap,
• aort geometrisi,
• wall shear stress,
• duvar strain'i,
• intraluminal trombüs kalınlığı,
• yaş,
• sigara,
• hipertansiyon,
• ilaç kullanımı,
• genetik değişkenler,
• biyobelirteçler

yer almaktadır.

Örnek: büyüme tahmininde AUC 0,92

Derlemede tartışılan Forneris ve arkadaşlarının çalışmasında:

• time-averaged wall shear stress,
• in vivo principal strain,
• intraluminal thrombus thickness

birlikte değerlendirilmiştir.

Binary Extra Trees classifier ile klinik açıdan önemli anevrizma büyümesi için AUC 0,92 rapor edilmiştir.

Bu sonuç, geometrik çapın ötesindeki fonksiyonel biyomekanik özelliklerin AI ile birlikte değerlendirilebileceğini göstermektedir.

AI biyobelirteç keşfinde ne sağlıyor?

Aort anevrizmasının biyolojisi genetik, inflamatuvar ve metabolik birçok sürecin birlikte etkisi altındadır.

Bu nedenle tek bir kan testi veya tek bir genin hastalığın tamamını açıklaması zordur.

AI'nin burada en güçlü yönlerinden biri; binlerce moleküler değişken arasındaki ilişkileri birlikte analiz ederek klasik tek-değişkenli yaklaşımda görünmeyen örüntüleri belirleyebilmesidir.

Hangi omics katmanları inceleniyor?

• Genomik: gen varyantları,
• Transkriptomik: gen ekspresyon profilleri,
• Proteomik: dolaşımdaki proteinler, sitokinler, MMP'ler,
• Metabolomik: oksidatif stres ve enerji metabolizmasıyla ilişkili metabolitler,
• Single-cell RNA sequencing: hücre tipine özgü transkriptomik değişimler.

Proteomik örneğinde ne bulundu?

Descending thoracic aortic aneurysm ile type B dissection arasındaki farkı araştıran bir çalışmada:

• 1549 peptit,
• 198 protein

analiz edilmiştir.

Klasik istatistik yalnız hemopexin için belirgin ilişki gösterirken, ML tabanlı analiz:

• IGHV6-1,
• LCAT,
• F12,
• HPX,
• IGHV4-4

proteinlerini yüksek önem taşıyan değişkenler arasında belirlemiştir.

Ayrıca complement activation, humoral immune response ve coagulation pathways gibi biyolojik yolların type B dissection grubunda daha belirgin olduğu bildirilmiştir.

T hücreleri ve AAA

Multi-omics ve machine learning çalışmalarında AAA duvarındaki immün hücre infiltrasyonu da incelenmiştir.

Bazı çalışmalarda:

• FOSB,
• JUNB,
• CST7,
• TBC1D4

gibi genler T hücresi fenotipleriyle ilişkili önemli biyobelirteç adayları olarak belirlenmiştir.

FOSB ve JUNB için ROC analizlerinde sırasıyla AUC 0,911 ve 0,917 bildirilmiştir.

CCR7, CBX6, G0S2 ve PIM1

Başka multi-omics + ML araştırmalarında:

• CCR7 ve CBX6 bağışıklık hücre infiltrasyonu ile,
• G0S2 çeşitli inflamatuvar hücre popülasyonlarıyla,
• PIM1 ise cuproptosis ve ferroptosis ile

ilişkili biyobelirteç adayları olarak bildirilmiştir.

Bunlar klinikte onaylanmış tanı testleri değil; araştırma düzeyinde aday biyobelirteçlerdir.

Cuproptosis ve ferroptosis neden anevrizma araştırmasında önemli?

Cuproptosis, hücre içindeki aşırı bakırın mitokondride lipoylated TCA-cycle proteinlerine bağlanmasıyla oluşan, mitokondriyal stres ve hücre ölümüyle sonuçlanan bir mekanizmadır.

Aort duvarında vascular smooth muscle cell kaybı, duvarın mekanik dayanıklılığını azaltabileceği için bu süreç AAA ilerlemesine katkıda bulunabilir.

Ferroptosis ise demir ve lipid peroxidation ile ilişkili başka bir programlı hücre ölümü biçimidir.

Serbest demir reactive oxygen species üretimini artırabilir ve koruyucu mekanizmalar yetersiz olduğunda hücre membranında ölümcül lipid peroxidation gelişebilir.

AAA bağlamında bu süreçlerin VSMC ve endotelyal hücre kaybına katkısı araştırılmaktadır.

AI cerrahi karar desteğinde nasıl kullanılabilir?

Aort anevrizmalarında en zor klinik sorulardan biri cerrahinin ne zaman yapılacağıdır.

Çok erken cerrahi gereksiz işlem riskine, çok geç cerrahi ise rüptür veya diseksiyon riskine yol açabilir.

AI'nin amacı cerrahın yerine karar vermek değil; çok sayıda klinik ve anatomik değişkeni birlikte işleyerek karar desteği sağlamaktır.

SHAP-FIRE yaklaşımı

Derlemede açıklanan bir çalışmada 637 kişilik bir AAA popülasyonu değerlendirilmiş ve 68 özellikten 20 ana risk faktörü seçilmiştir.

Bu özellikler arasında:

• maksimum transversal çap,
• luminal alan,
• iliak bifurkasyon geometrisi,
• aort duvar kalınlığı,
• yaş,
• sigara,
• pulse pressure,
• hipertansiyon,
• BSA,
• statin kullanımı,
• platelet inhibitörü kullanımı,
• mural thrombus özellikleri

yer almıştır.

Model, yalnız aort çapına dayalı değerlendirmeden daha yüksek AUC ve Youden index göstermiştir.

Aneurysm Prognosis Classifier

University of Pittsburgh tarafından geliştirilen APC modeli, 381 AAA hastasındaki:

• klinik,
• biyomekanik,
• morfolojik

değişkenleri birlikte kullanarak repair veya rupture gibi klinik sonuçlara yönelik sınıflandırma gerçekleştirmiştir.

Bu tür modeller, gelecekte cerrahi zamanlamasının yalnız çap eşiğine değil daha kişiselleştirilmiş risk profilinin tamamına dayanmasını amaçlamaktadır.

TEVAR ve EVAR sonrası sonuçlar tahmin edilebilir mi?

Derlemede yer alan büyük çalışmalardan biri, 10.738 hastadan oluşan VQI veri tabanında TEVAR ve kompleks EVAR sonrası bir yıllık olumsuz sonuçları tahmin etmek için:

• XGBoost,
• Random Forest,
• SVM,
• ANN,
• Naïve Bayes

algoritmalarını değerlendirmiştir.

Çalışmada AUC 0,96–0,98 ve yaklaşık %89 doğruluk rapor edilmiştir.

En güçlü değişkenler arasında işlem türü, fonksiyonel durum ve komorbiditeler yer almıştır.

Akut Tip A Aort Diseksiyonunda AI

ATAAD hastalarında AI modelleri aşağıdaki sonuçları öngörmek için kullanılmıştır:

• 30 günlük mortalite,
• CRRT gereksinimi,
• major adverse outcome,
• uzun dönem sağkalım,
• postoperatif hepatik disfonksiyon.

Örneğin bir PSO-ELM-FLXGBoost modeli 640 hastada 30 günlük mortalite için AUC 0,8687 bildirirken; XGBoost tabanlı başka bir model 588 hastada postoperatif CRRT gereksinimi için AUC 0,96 elde etmiştir.

Derin öğrenme görüntülemede ne kadar başarılı?

Derlemede incelenen büyük görüntüleme çalışmalarında CNN, U-Net, ResNet ve GAN tabanlı modeller:

• anevrizma tespiti,
• segmentasyon,
• stent konum değerlendirmesi,
• cerrahi planlama,
• prognoz tahmini

gibi görevlerde kullanılmıştır.

Bazı kaynak çalışmalarında 18.000'den fazla CT/MRI görüntüsünü içeren veri setlerinde AUC 0,97'ye ve Dice >0,95 değerlerine kadar performans bildirilmiştir.

Ancak bu rakamlar tek bir standartlaştırılmış benchmark'tan değil, farklı çalışmaların sonuçlarından gelmektedir.

Sentetik veri ve in silico trial neden önemli?

Aort anevrizması araştırmalarındaki temel sorunlardan biri yüksek kaliteli ve etiketli hasta verisinin sınırlı olmasıdır.

Statistical shape modeling ve generative AI teknikleri kullanılarak anatomik olarak gerçekçi sentetik aorta modelleri üretilebilir.

Bunlar:

• ML model eğitiminde,
• nadir anatomilerin modellenmesinde,
• cihaz testlerinde,
• stent-graft değerlendirmesinde,
• virtual patient cohort oluşturulmasında,
• in silico clinical trial tasarımında

kullanılabilir.

Bununla birlikte sentetik verinin gerçek klinik dağılımı ne ölçüde temsil ettiği ayrıca doğrulanmalıdır.

AI neden henüz rutin aort anevrizması yönetiminin merkezinde değil?

Derlemenin sonuç bölümü AI'nin potansiyeline rağmen klinik kullanımın hâlâ sınırlı olduğunu özellikle vurgulamaktadır.

1. ML her zaman klasik istatistikten daha iyi değil

Daha karmaşık model otomatik olarak daha iyi klinik tahmin anlamına gelmez.

Bazı karşılaştırmalı literatür, machine learning modellerinin logistic regression gibi klasik modelleri tutarlı biçimde aşmadığını göstermektedir.

2. Veri setleri küçük ve tek merkezli olabilir

Birçok model:

• sınırlı hasta sayısıyla,
• tek merkez verisiyle,
• homojen hasta popülasyonunda

geliştirilmiştir.

Bu durum overfitting ve farklı merkezlere zayıf genelleme riskini artırır.

3. Dış doğrulama eksikliği

Bir modelin geliştirilmiş olduğu hastanede iyi sonuç vermesi, başka ülkelerde veya farklı cihazlarla aynı performansı göstereceğini garanti etmez.

Bu nedenle multicenter external validation kritik önemdedir.

4. Açıklanabilirlik

Klinisyen yalnız bir “yüksek risk” sonucu değil, bu sonucun hangi klinik veya görüntüleme değişkenlerinden üretildiğini de anlamak ister.

SHAP, LASSO, permutation importance ve benzeri yöntemlerin kullanılmasının nedeni budur.

5. Maliyet

Gelişmiş:

• 3B görüntüleme,
• multi-omics,
• GPU altyapısı,
• DL eğitimi

önemli maliyet oluşturabilir.

6. Düzenleyici durum

Makale AI araçlarını üç farklı seviyede ayırmanın önemini vurgular:

• Araştırma düzeyi AI aracı: bilimsel araştırma ve geliştirme için kullanılır.
• Clinical Decision Support: klinisyene öneri sunar ancak tedavi kararını otonom olarak vermez.
• Düzenleyici onaylı tıbbi cihaz: tanı, izlem veya tedavi amacıyla klinik kullanıma girmiş düzenlenmiş sistemdir.

Bu üç kategori birbirine karıştırılmamalıdır.

Çalışmanın Yöntemi ve Bulguları

Derleme nasıl hazırlanmış?

Araştırmacılar:

• PubMed,
• Scopus,
• Web of Science

üzerinde Ocak 2010–Mart 2026 dönemindeki literatürü incelemiştir.

Arama terimleri:

• artificial intelligence,
• machine learning,
• deep learning,
• aortic aneurysm,
• risk prediction,
• imaging analysis,
• biomarkers,
• clinical decision support

kombinasyonlarını içermiştir.

Hakemli özgün çalışmalar, sistematik derlemeler ve önemli metodolojik çalışmalar önceliklendirilmiştir.

Çalışma narrative review olduğu için PRISMA uygulanmamıştır.

Derlemenin ana AI uygulama alanları

Seçilmiş literatür sonuçları

Bu sonuçlar farklı çalışmalardan gelmektedir ve birbirleriyle doğrudan kıyaslanabilir ortak benchmark sonuçları değildir.

Çalışmanın desteklediği sonuçlar

• AI, aort görüntülerinin otomatik segmentasyonunda ve nicel analizinde güçlü bir yardımcı olabilir.
• ML, çapın ötesindeki klinik, biyomekanik ve moleküler değişkenleri birlikte kullanarak kişiselleştirilmiş risk tahminine katkı sağlayabilir.
• AI tabanlı surrogate modeller yüksek maliyetli CFD/FEA hesaplamalarını önemli ölçüde hızlandırabilir.
• Multi-omics + ML, yeni biyobelirteç adayları ve patolojik mekanizmalar belirleyebilir.
• AI cerrahi risk, postoperatif komplikasyon ve uzun dönem sonuç tahmininde karar desteği sağlayabilir.
• Sentetik veri ve in silico modeller, nadir durumların araştırılmasını ve model eğitimini destekleyebilir.

Çalışmanın desteklemediği sonuçlar

• AI'nin maksimum aort çapının yerine tamamen geçebileceği gösterilmemiştir.
• AI'nin bağımsız olarak cerrahi zamanlamasına karar vermeye hazır olduğu gösterilmemiştir.
• Tüm ML modellerinin klasik istatistikten daha başarılı olduğu söylenemez.
• Tek merkezde yüksek AUC elde eden modellerin başka merkezlerde aynı performansı göstereceği garanti değildir.
• Biyobelirteç adaylarının tümü klinik olarak doğrulanmış testler değildir.
• Yüksek segmentasyon başarısı otomatik olarak daha iyi klinik sonuç anlamına gelmez.
• AI'nin gerçek dünya maliyet-etkinliği henüz birçok kullanım alanında yeterince gösterilmemiştir.

Temel sınırlılıklar

Bu çalışma systematic review veya meta-analysis değildir. Literatür seçimi narrative review tasarımına dayandığı için tüm çalışmaların standart risk-of-bias çerçevesiyle değerlendirilmesi yapılmamıştır.

Ayrıca incelenen AI literatürünün önemli bölümü:

• küçük örneklemli,
• tek merkezli,
• retrospektif,
• harici doğrulaması sınırlı

çalışmalardan oluşmaktadır.

Bu nedenle yüksek AUC veya Dice değerleri, doğrudan rutin klinik performans olarak yorumlanmamalıdır.

Gelecek araştırma alanları

1. çok merkezli ve prospektif dış doğrulamalar,
2. farklı anevrizma tiplerini aynı anda işleyebilen multi-task AI,
3. residual CNN, active learning, one-shot learning ve GAN tabanlı yöntemler,
4. omics + görüntüleme + biyomekanik + klinik veri bütünleştirmesi,
5. açıklanabilir ve güvenilir AI,
6. cost-effectiveness analizi,
7. araştırma aracı, CDS ve düzenleyici onaylı tıbbi cihaz ayrımının netleştirilmesi,
8. kurumlar arası geniş ölçekli veri paylaşımı ve iş birliği.

Kaynak ve Yöntem Notu

Özgün başlık:Artificial Intelligence in Aorta Aneurysm Management: Translational Applications and Limits

Yazarlar: Carmela Rita Balistreri, Laura Asta, Sabrina Nocerino, Dario Tarantino, Calogera Pisano, Diego Gallo ve Salvatore Pasta.

Dergi:AI, 2026, 7, Article 209.

DOI:10.3390/ai7060209

Gönderim: 10 Mart 2026. Revizyon: 27 Mayıs 2026. Kabul: 4 Haziran 2026. Yayın: 8 Haziran 2026.

Çalışma türü: Narrative review.

Literatür kapsamı: Ocak 2010–Mart 2026; PubMed, Scopus ve Web of Science.

PRISMA: Uygulanmamıştır; çalışma sistematik derleme olarak tasarlanmamıştır.

Finansman: ASSOCIATE — Artificial Intelligence-Powered Support System for Ascending Aorta Aneurysms; PRIN 2022 kapsamında desteklenmiştir.

Etik: Institutional Review Board ve informed consent uygulanabilir değildir.

Veri erişimi: Yeni veri üretilmemiş veya analiz edilmemiştir.

Çıkar çatışması: Yazarlar çıkar çatışması bildirmemiştir.

Lisans: Creative Commons Attribution (CC BY).

Yöntemsel sınır: Derleme farklı çalışmaların sonuçlarını birlikte tartışmakta ancak bunları tek bir meta-analitik etki büyüklüğüne dönüştürmemektedir. Performans değerleri farklı popülasyon, görev ve veri setlerinden geldiği için doğrudan yöntem sıralaması olarak yorumlanmamalıdır.

Klinik sınır: Makale AI'yi klinisyen kararının yerine geçen otonom karar verici olarak önermemektedir. Rutin klinik kullanım için dış doğrulama, prospektif değerlendirme, açıklanabilirlik, düzenleyici uygunluk ve gerçek dünya genellenebilirliği gereklidir.

Verianla yöntem notu: Bu Türkçe içerik, kaynak narrative review'ün görüntüleme, biyomekanik, biyobelirteç, multi-omics, risk tahmini, cerrahi karar desteği ve klinik translasyon sınırlılıklarını kaynak anlamına sadık biçimde bağımsız bir öğretim yapısında yeniden düzenlemektedir. Kaynak görselleri veya tabloları birebir kopyalanmamıştır.