Sonuçlar, ilaç güvenliği kontrollerinde yapay zekânın kullanılabileceğine ilişkin yeni bulgular sunarken hasta zararlarını azaltıcı etkisi henüz kanıtlanmadı.
Hastanelerde ilaç istemlerinin güvenliğini değerlendirmek amacıyla geliştirilen ClinicalGPT adlı yapay zekâ sistemi, geniş kapsamlı bir araştırmada geleneksel uyarı sistemlerinden daha iyi sonuç verdi. ABD'nin Princeton kentindeki Hill Research araştırmacıları tarafından yürütülen ve 8 Ekim 2026'da npj Digital Medicine dergisinde yayımlanan çalışmada, yedi sağlık sisteminden elde edilen 847 bin yüksek riskli ilaç istemi incelendi. Araştırma, ilaç yazıldığı sırada ortaya çıkabilecek güvenlik risklerinin gözden kaçırılmasını azaltmayı hedefledi.
Bin İstemde Kaçırılan Uyarılar 9,4'ten 3,2'ye Düştü
Araştırmacılar, ClinicalGPT'nin performansını geleneksel kurallarla çalışan ilaç uyarı sistemleri ve farklı yapay zekâ modelleriyle karşılaştırdı.
Önceden belirlenmiş kurallara dayanan sistemlerde her bin ilaç istemi başına 9,4 risk uyarısı kaçırılırken ClinicalGPT'nin güvenlik kurallarıyla desteklenen sürümünde bu sayı 3,2 olarak hesaplandı.
Bu sonuç, araştırmada kullanılan referans ölçütüne göre kaçırılan uyarı sayısında yaklaşık yüzde 66'lık azalmaya karşılık geliyor.
Karşılaştırmada kullanılan genel amaçlı yapay zekâ modelinde bin istem başına kaçırılan uyarı sayısı 6,1 olarak belirlendi. Ek bilgi tarama ve kural denetimiyle desteklenen en güçlü alternatif modelde ise bu sayı 4,8 oldu.
ClinicalGPT, değerlendirilen sistemler arasında en düşük kaçırılan uyarı oranına ulaştı.
Ancak araştırmadaki yüzde 66'lık fark, hastalarda meydana gelen gerçek ilaç hatalarının aynı oranda azaldığı anlamına gelmiyor. Ölçülen sonuç, önceden belirlenmiş güvenlik ölçütlerine göre uyarı verilmesi gereken durumların ne sıklıkla gözden kaçırıldığıyla ilgili.
Hastanın Eski Tahlilleri de Değerlendirmeye Alındı
Hastanelerde kullanılan elektronik ilaç istem sistemleri, hekimler tarafından yazılan ilaçları çeşitli güvenlik kurallarına göre kontrol ediyor.
İlaçlar arasındaki etkileşimler, hastanın mevcut hastalıkları, daha önce kullandığı tedaviler ve laboratuvar sonuçları bu kontrollerde önem taşıyor.
Ancak hasta kayıtları her zaman eksiksiz veya güncel olmayabiliyor. Örneğin daha önce yapılmış bir kan tahlili, hastanın bugünkü sağlık durumunu tam olarak yansıtmayabiliyor.
ClinicalGPT, bu tür bilgileri değerlendirirken yalnızca kayıtların içeriğini değil, ne zaman oluşturulduğunu da dikkate alacak şekilde geliştirildi.
Sistem; ilaç kullanım geçmişini, laboratuvar sonuçlarını, ölçüm birimlerini ve bilgilerin hangi kayıtlardan geldiğini birlikte değerlendiriyor.
Modelin özelliklerinden biri de hasta kaydında bulunmayan bir bilginin mevcutmuş gibi kabul edilmesini önlemeye yönelik tasarımı.
Böylece eksik veya güncelliğini kaybetmiş verilerin neden olabileceği hatalı değerlendirmelerin azaltılması amaçlanıyor.
Gereksiz Uyarılar da İncelendi
İlaç güvenliği sistemlerinin karşılaştığı sorunlardan biri de gerçekte önemli bir risk bulunmadığında gereksiz uyarı oluşturulması.
Sağlık çalışanlarının sürekli benzer bildirimlerle karşılaşması, zamanla bu uyarılara daha az dikkat göstermelerine neden olabiliyor. Tıpta bu durum, uyarı yorgunluğu olarak tanımlanıyor.
Araştırmacılar, ClinicalGPT'nin yanlış uyarı performansını da değerlendirdi.
Çalışmada yapay zekâ destekli modelin yanlış uyarı göstergesi 33,9 olarak raporlandı. Geleneksel kural tabanlı sistemde ise aynı gösterge 38,7 düzeyindeydi.
Bu sonuç, araştırmada kullanılan değerlendirme ölçütünde ClinicalGPT'nin gereksiz uyarılar bakımından da daha düşük bir değer elde ettiğini gösterdi.
Ancak söz konusu farkın gerçek hastane ortamında sağlık çalışanlarının iş yükünü ne kadar azaltabileceği henüz bilinmiyor.
847 Bin İlaç İstemi Nasıl İncelendi?
Araştırmanın ana bölümünde, yedi sağlık sisteminden elde edilen elektronik hasta kayıtları geriye dönük olarak analiz edildi.
Toplam 847 bin yüksek riskli ilaç istemi, araştırmanın nihai değerlendirmesinden önce belirlenmiş güvenlik ölçütleriyle karşılaştırıldı.
Sistemlerin başarısı, uyarı verilmesi gereken durumları ne sıklıkla kaçırdıkları üzerinden değerlendirildi.
İncelenen 847 bin kayıt, 847 bin ayrı hastayı değil, ilaç istemlerinin toplam sayısını ifade ediyor.
Araştırmacılar ayrıca tek bir sağlık kuruluşunda ileriye dönük, müdahalesiz bir değerlendirme gerçekleştirdi.
Bu aşamada yapay zekâ sisteminin işleyişe ilişkin performansı izlendi ancak sistemden elde edilen sonuçlar hasta bakımını değiştirmek amacıyla kullanılmadı.
Dolayısıyla araştırmanın ana bulguları, gerçek hastalarda sağlanan tedavi yararından çok, sistemlerin ilaç güvenliği kontrollerindeki karşılaştırmalı başarısını gösteriyor.
Hastalar Açısından Ne Anlama Geliyor?
Bir hastaya ilaç yazılırken yalnızca ilacın adı ve dozu değil, hastanın mevcut sağlık durumu da önem taşıyor.
Örneğin böbrek fonksiyonlarını gösteren laboratuvar sonuçları, bazı ilaçların güvenli kullanımı açısından belirleyici olabiliyor. Hastanın başka bir ilaç kullanmaya başlaması da yeni tedaviyle ilgili risklerin yeniden değerlendirilmesini gerektirebiliyor.
Bu bilgilerin farklı tarihlerde kaydedilmiş olması, ilaç güvenliği kontrolünü zorlaştırabiliyor.
ClinicalGPT gibi sistemlerle amaçlanan, hastanın mevcut ve geçmiş sağlık bilgilerinin birlikte değerlendirilmesini kolaylaştırarak gözden kaçabilecek olası riskleri belirlemek.
Araştırma sonuçları, özellikle yoğun ilaç istemi yapılan sağlık kuruluşlarında yapay zekâ destekli denetim sistemlerinin klinik karar desteğine katkı sağlayabileceğini düşündürüyor.
Ancak çalışma, yapay zekânın hekimlerin veya eczacıların klinik değerlendirmesinin yerine geçebileceğini göstermiyor.
İlaç Hatalarının Azaldığı Henüz Kanıtlanmadı
Araştırmanın en önemli sınırlılığı, elde edilen performans sonuçlarının doğrudan hasta sağlığı üzerindeki etkileri göstermemesi.
Çalışmada kaçırılan risk uyarıları değerlendirildi ancak yapay zekâ kullanımının hastalarda daha az ilaç yan etkisine, daha az önlenebilir ilaç hatasına veya daha az hastaneye yatışa yol açtığı gösterilmedi.
Ayrıca araştırmada kullanılan referans güvenlik ölçütleri, gerçek klinik uygulamalarda karşılaşılan bütün durumları yansıtmayabilir.
Araştırmacıların gerçekleştirdiği ek bağımsız değerlendirmede ClinicalGPT'nin riskli durumları belirleme açısından üstünlük sıralaması korundu. Ancak en güçlü alternatif yapay zekâ modeliyle arasındaki fark daraldı.
Bu bulgu, sistemlerin performansının kullanılan değerlendirme yöntemine göre değişebileceğini gösteriyor.
Dolayısıyla araştırma, yapay zekânın hastanelerde gerçek ilaç hatalarını yüzde 66 azalttığını değil, incelenen veri kümesinde kaçırılan referans güvenlik uyarılarını yaklaşık bu oranda azalttığını ortaya koyuyor.
Klinik Kullanım İçin Yeni Araştırmalar Gerekiyor
ClinicalGPT'nin rutin hastane uygulamalarında ne kadar yarar sağlayabileceğinin belirlenmesi için gerçek klinik sonuçları inceleyen çalışmalara ihtiyaç bulunuyor.
Özellikle sağlık çalışanlarının sistemin oluşturduğu uyarıları nasıl kullandığı, gereksiz bildirimlerin iş yüküne etkisi ve yapay zekâ desteğinin ilaç kaynaklı hasta zararlarını azaltıp azaltmadığı araştırılması gereken konular arasında.
Hasta kayıtlarının kalitesi, bilgilerin güncelliği ve hastanelerde kullanılan elektronik sistemlerin farklılığı da teknolojinin performansını etkileyebilecek unsurlar olarak değerlendiriliyor.
8 Ekim 2026'da yayımlanan araştırma, yapay zekânın ilaç istemlerindeki güvenlik risklerini belirleme konusunda geleneksel yazılımlardan daha iyi sonuç verebildiğine ilişkin karşılaştırmalı veriler sunuyor.
Bu performansın hastalar için daha güvenli tedavilere dönüşüp dönüşmeyeceği ise gerçek klinik uygulamalarda yapılacak araştırmalarla anlaşılabilecek.
KAYNAKLAR
- npj Digital Medicine – An audit-ready EHR foundation model for order-time medication-safety auditing across health systems, 8 Ekim 2026.
