Sağlık Sektöründe Karar Destek Araçları: İş Zekâsı, Makine Öğrenmesi, Derin Öğrenme ve Yapay Zeka Uygulamaları
Bibliographic record
Abstract
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.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.002 | 0.002 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.004 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.004 | 0.003 |
| Open science | 0.005 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.001 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; both teacher heads agree on what is shown here.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".