Sağlık Sektöründe Karar Destek Araçları: İş Zekâsı, Makine Öğrenmesi, Derin Öğrenme ve Yapay Zeka Uygulamaları
Notice bibliographique
Résumé
Bilgi ve iletişim teknolojileri tüm sektörleri olduğu gibi sağlık sektörünü de dönüştürmekte ve şekillendirmektedir. Bu muazzam dönüşüm içinde her geçen gün sağlık sektörü yönetim süreçlerinden günlük operasyonel süreçlerine kadar bilgi ve iletişim teknolojilerinden faydalanmakta ve karar süreçlerinde teknolojinin imkanlarından faydalanmaktadır. Çalışmamız kapsamında son yıllarda sağlık sektöründe önemi gittikçe artan iki farklı teknolojik gelişmeyi karar destek aracı olarak kapsamlı bir şekilde değerlendirmekteyiz. Yapay zeka ve iş zekası teknolojileri merkeze alınarak bu iki önemli kavramın kavramsal boyutları, sağlık sektörü için oluşturduğu değer kapsamlı bir şekilde değerlendirilmektedir. Yapay zeka içerisinde, makine öğrenmesi ve derin öğrenme gibi iki kritik kavram da değerlendirilmektedir. Makine öğrenmesi, yapay zeka, derin öğrenme ve iş zekası konuları pek çok farklı çalışmada farklı başlıklarda değerlendirmiştir. Fakat literatürde ilgili teknolojileri toplu olarak kapsamlı bir şekilde değerlendiren bir çalışmaya rastlanmamıştır. Aynı zamanda ilgili konu başlıklarının sağlık bilimleri alanında tartışıldığı bir çalışmaya da rastlanmamıştır. Çalışmamız bu boşluğu gidermeyi hedeflemektedir. Özellikle son yıllarda pek çok ülkenin yapay zeka konusunda önemli yatırımlar yaptığı günümüz koşullarında Türkiye’de bir ekonomik çıktı olarak yapay zeka uygulamaları konusunda ne tür kazanımlar elde edebileceğimizi konu kapsamında değerlendirilmektedir. Geleceğe dönük sağlık politikaları için kural koyucular ve politika yürütücüleri için çözüm önerileri ve örnek uygulama önerileri ortaya konmaktadır.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,001 | 0,004 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,004 | 0,003 |
| Science ouverte | 0,005 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,005 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».