Nature Biomedical Engineering dergisinde 13 Ekim 2026'da yayımlanan, 20 ülke ve bölgedeki 30 hastaneyi kapsayan araştırmada, solunum tüpünün konumunu değerlendirmede kullanılan anatomik noktaların belirlenmesindeki ortalama hata 4,30 santimetreden 0,67 santimetreye geriledi. Bulgular, hasta görüntülerinin merkezi bir havuzda toplanmasını gerektirmeyen ortak öğrenme yöntemlerinin tıbbi yapay zekâ geliştirmede kullanılabileceğini gösterirken klinik yararın henüz doğrulanmadığı belirtildi.
Yenidoğan yoğun bakım ünitelerinde solunum desteği alan bebeklerin akciğer grafilerini değerlendirmek amacıyla yürütülen uluslararası araştırmada, yapay zekânın anatomik konum belirleme doğruluğunda belirgin bir iyileşme sağlandı. Harvard Tıp Fakültesinden bilim insanlarının da yer aldığı araştırma ekibinin 20 ülke ve bölgedeki 30 hastanenin katılımıyla gerçekleştirdiği çalışma, 13 Ekim 2026'da Nature Biomedical Engineering dergisinde yayımlandı.
Araştırmacılar, yetişkin hastaların akciğer görüntüleriyle eğitilmiş bir yapay zekâ modelinin yenidoğanlarda kullanılabilecek şekilde geliştirilmesini hedefledi. Çalışmada, solunum cihazına bağlanan bebeklerde nefes borusuna yerleştirilen tüpün konumunun akciğer grafileri üzerinden değerlendirilmesine odaklanıldı.
Toplam 2.960 bebeğe ait 2.965 akciğer grafisinin incelendiği araştırmada, farklı hastanelerin sınırlı miktarda veri kullanarak ortak bir yapay zekâ sisteminin geliştirilmesine katkıda bulunmasını sağlayan yöntem değerlendirildi.
Sonuçlar, farklı hastanelerden elde edilen bilgilerle geliştirilen modelin, yalnızca yetişkin verileriyle eğitilmiş sisteme ve tek hastaneye ait verilerle uyarlanan modellere kıyasla daha doğru anatomik konum tahminleri yaptığını gösterdi.
Yapay zekânın konum belirleme hatası 0,67 santimetreye geriledi
Araştırmada üç farklı yapay zekâ yaklaşımının performansı karşılaştırıldı.
İlk yöntemde, yetişkin hastaların akciğer grafileriyle eğitilmiş model herhangi bir uyarlama yapılmadan yenidoğan görüntülerine uygulandı.
İkinci yöntemde aynı model, değerlendirildiği hastaneye ait 50 yenidoğan akciğer grafisiyle yeniden eğitildi.
Üçüncü yöntemde ise hastanelerin sırayla eğitim sürecine katıldığı ve sistemin her merkezden yeni bilgiler öğrenmesini sağlayan sürekli öğrenme yaklaşımı kullanıldı.
Sonuçlara göre, solunum tüpünün ucu ile soluk borusunun iki ana bronşa ayrıldığı anatomik noktanın birlikte değerlendirilmesinde ortalama konum belirleme hatası şu şekilde gerçekleşti:
- Yalnızca yetişkin verileriyle eğitilmiş modelde 4,30 santimetre.
- Tek hastanenin verileriyle yeniden eğitilen modelde 1,29 santimetre.
- Hastanelerin ortak öğrenme yöntemiyle geliştirilen modelde 0,67 santimetre.
Bu ölçümler, yapay zekânın görüntü üzerinde tahmin ettiği anatomik konumlarla uzmanlar tarafından işaretlenen konumlar arasındaki mesafeyi ifade ediyor.
Dolayısıyla sonuçlar, bebeğe solunum tüpü yerleştirilirken oluşan hatanın aynı ölçüde azaldığını değil, yapay zekânın akciğer grafisi üzerindeki anatomik noktaları daha doğru belirlediğini gösteriyor.
30 hastanenin 29'unda daha doğru sonuç elde edildi
Ortak öğrenme yöntemiyle geliştirilen yapay zekâ modeli, 30 hastanenin 29'unda yalnızca yerel verilerle eğitilen modele kıyasla anatomik konumları daha doğru belirledi.
Bu merkezlerin 27'sinde iyileşme istatistiksel olarak anlamlı bulundu.
Araştırmacılar, görüntüler üzerindeki büyük konum belirleme hatalarının görülme sıklığını da değerlendirdi.
Beş santimetreden fazla olan birleşik anatomik konum belirleme hatalarının oranı, yalnızca yetişkin verileriyle çalışan modelde yüzde 37,4 olarak hesaplandı.
Bu oran, tek hastaneye ait verilerle yeniden eğitilen modelde yüzde 8,2'ye, hastanelerin ortak öğrenme yöntemiyle geliştirilen modelde ise yüzde 2,6'ya geriledi.
Söz konusu oranlar hastalarda yaşanan komplikasyonları değil, yapay zekâ sistemlerinin görüntülerde yaptığı büyük konum tahmin hatalarını gösteriyor.
Solunum tüpünün yanlış konumu ciddi komplikasyonlara yol açabiliyor
Yenidoğan yoğun bakımında solunum desteğine ihtiyaç duyan bebeklerde, solunum tüpünün doğru konumda bulunması tedavinin önemli aşamalarından birini oluşturuyor.
Tüpün gereğinden fazla ilerletilmesi, havanın ağırlıklı olarak tek akciğere ulaşmasına neden olabiliyor. Bu durum diğer akciğerin yeterince havalanamamasına ve akciğerin bir bölümünde veya tamamında sönmeye yol açabiliyor.
Özellikle prematüre bebeklerde hava yollarının küçük olması, tüpün doğru konumda tutulmasını daha hassas hâle getiriyor.
Sağlık çalışanları, tüpün yerleşimini klinik değerlendirme ve gerektiğinde akciğer grafileriyle kontrol ediyor. Yapay zekâ sistemlerinin araştırılan kullanım alanlarından biri de şüpheli görüntüleri belirleyerek hekimlerin değerlendirmesine yardımcı olmak.
Çalışmada geliştirilen modelin, solunum tüpünün gereğinden fazla ilerlediği görüntüleri öncelikli inceleme için belirleme performansı da değerlendirildi.
Ortak öğrenme yaklaşımı, 30 hastanenin 27'sinde yalnızca yerel verilerle eğitilen modele kıyasla daha iyi sonuç verdi. Bu merkezlerin 18'inde iyileşme istatistiksel olarak anlamlı bulundu.
Ancak bu sonuçlar, yapay zekânın gerçek klinik ortamda yanlış tüp yerleşimlerini daha erken tespit ettiğini veya komplikasyonları azalttığını henüz kanıtlamıyor.
Her hastane 50 görüntüyle eğitim sürecine katkıda bulundu
Araştırmanın öne çıkan yönlerinden biri, yapay zekâ modelinin geliştirilmesinde kullanılan sürekli öğrenme yöntemi oldu.
Farklı hastanelere ait tıbbi görüntülerin merkezi bir veri havuzunda birleştirilmesi, hasta mahremiyeti ve veri güvenliği açısından çeşitli güçlükler oluşturabiliyor.
Araştırmacıların değerlendirdiği yöntemde, başlangıçta yetişkin hastaların görüntüleriyle eğitilmiş yapay zekâ modeli sırayla farklı hastanelerin verileriyle yeniden eğitildi.
Her hastane, kendi bünyesindeki 50 yenidoğan akciğer grafisini kullanarak modelin öğrenme sürecine katkıda bulundu. Eğitim tamamlandığında hasta görüntüleri yerine modelin güncellenmiş öğrenme parametreleri bir sonraki merkeze aktarıldı.
Böylece yöntemin, eğitim aşamasında hasta görüntülerini ortak bir havuzda toplama zorunluluğu olmadan uygulanabileceği gösterildi.
Modelin performansı değerlendirilirken her hastane ayrı ayrı test merkezi olarak ele alındı. Test edilen hastanenin eğitim verileri ortak öğrenme sürecinin dışında tutuldu.
Hastanelerin eğitim sırasının sonuçları etkileme olasılığını azaltmak amacıyla değerlendirmeler 10 farklı sıralama üzerinden tekrarlandı.
Bu yaklaşım, geniş hasta veri tabanlarına sahip olmayan sağlık merkezlerinin de ortak yapay zekâ geliştirme çalışmalarına katılabilmesi açısından önem taşıyor.
Araştırmadaki bebeklerin önemli bölümü prematüreydi
Çalışmaya dahil edilen bebeklerin görüntüleme sırasındaki ortanca yaşı iki gündü. Ortalama doğum ağırlığı 2.195 gram, ortalama gebelik süresi ise 32,9 hafta olarak bildirildi.
Bu veriler, araştırma grubunda prematüre bebeklerin ağırlıkta olduğunu gösteriyor.
Farklı ülkelerden ve hastanelerden elde edilen görüntülerin kullanılması, yapay zekâ sisteminin değişen hasta özellikleri ve görüntüleme koşullarındaki performansını inceleme olanağı sağladı.
Araştırmada, ortak öğrenme sürecine daha fazla hastane katıldıkça modelin anatomik konum belirleme performansındaki kazanımların da arttığı tespit edildi.
Bu sonuç, sınırlı sayıda görüntü sağlayabilen hastanelerin ortak eğitim sürecine katkıda bulunmasının modelin başarısını artırabileceğini gösteriyor.
Görüntü kalitesi yapay zekânın performansını etkiledi
Araştırmacılar, farklı hastanelerden elde edilen görüntülerin kalitesinin sonuçlar üzerindeki etkisini de inceledi.
Ana değerlendirmeye dahil edilmeyen 31'inci bir merkeze ait düşük çözünürlüklü akciğer grafilerinin eğitim sürecine katılmasıyla modelin ortalama anatomik konum belirleme hatası 0,67 santimetreden 0,75 santimetreye yükseldi.
Bu bulgu, yapay zekâ sistemlerinin geliştirilmesinde yalnızca veri miktarının değil, kullanılan görüntülerin kalitesinin de belirleyici olabileceğini ortaya koydu.
Araştırmada ayrıca akciğer grafilerindeki mesafelerin santimetreye dönüştürülmesi için solunum tüpünün genişliğine dayalı hesaplamalardan yararlanıldı. Bazı hasta bilgilerinin eksik olması nedeniyle yapılan tahminler, ölçümlerde belirsizlik oluşturabilecek etkenler arasında değerlendirildi.
Klinik kullanım için ileriye dönük araştırmalar gerekiyor
Uluslararası araştırma, yenidoğan yoğun bakımında yapay zekâ kullanımına ilişkin önemli teknik bulgular sağlasa da yöntemin hasta bakımındaki doğrudan yararını henüz ortaya koymuyor.
Çalışma, daha önce çekilmiş akciğer grafilerinin geriye dönük değerlendirilmesine dayanıyor. Yapay zekâ sisteminin gerçek zamanlı hasta bakımında kullanılması durumunda hekimlerin kararlarını nasıl etkileyeceği bilinmiyor.
Araştırmada incelenen 2.965 görüntünün yalnızca 31'inde solunum tüpünün ana bronşlardan birine ilerlediği yerleşim saptandı. Bu durum, söz konusu ciddi yerleşim hatasının belirlenmesine ilişkin sonuçların değerlendirilmesinde dikkate alınması gereken sınırlılıklardan birini oluşturuyor.
Ayrıca araştırma için oluşturulan görüntü gruplarında normal ve anormal tüp yerleşimlerinin dengeli biçimde temsil edilmesi hedeflendi. Bu nedenle modelin gerçek klinik ortamdaki performansı, yanlış yerleşimlerin görülme sıklığına bağlı olarak değişebilir.
İleri derecede prematüre bebeklerde solunum tüpünün uygun konum aralığının daha dar olması da görüntü üzerindeki ölçüm hatalarının klinik açıdan ayrıca değerlendirilmesini gerektiriyor.
Geliştirilen yöntemin yanlış tüp yerleşimlerini daha erken fark ettirip ettirmediği, hekimlerin müdahale süresini kısaltıp kısaltmadığı ve bebeklerde solunum komplikasyonlarını azaltıp azaltmadığı ileriye dönük klinik araştırmalarda incelenmek zorunda.
Çalışma, yenidoğan yoğun bakımında kullanılmak üzere geliştirilen bu yapay zekâ yaklaşımına herhangi bir düzenleyici kurum tarafından rutin klinik kullanım onayı verildiğini bildirmiyor.
Araştırmanın temel bulgusu, yetişkinler için geliştirilmiş tıbbi yapay zekâ modellerinin sınırlı miktarda yenidoğan verisiyle ve hasta görüntülerinin merkezi olarak birleştirilmesini gerektirmeyen bir eğitim yöntemiyle daha doğru hâle getirilebileceğinin gösterilmesi oldu.
Yöntemin günlük hasta bakımında güvenilir biçimde kullanılabilmesi için farklı hastanelerde ileriye dönük doğrulama çalışmalarının yapılması ve hasta sonuçları üzerindeki etkisinin değerlendirilmesi gerekiyor.
Kaynaklar
- Nature Biomedical Engineering – Repurposing adult AI radiograph models for neonatal care through continual learning: an international multicentre study, 13 Ekim 2026.
- Vishwanatha M. Rao, Emma Chen, Agustina Saenz, Pranav Rajpurkar ve çalışma arkadaşları – Yetişkinlere yönelik yapay zekâ modellerinin yenidoğan bakımına sürekli öğrenme yoluyla uyarlanmasına ilişkin uluslararası çok merkezli araştırma.
