Yapay Zekâ ile Vaka Simülasyonu — Sanal Hasta, Rubrik ve İnsan Onayı

Bir hastanın öyküsünü eksiksiz almak, triyajda doğru önceliği vermek ya da kötü bir haberi aileye iletmek; bunlar okuyarak değil, yaparak gelişen becerilerdir. Gerçek hasta başında "deneme" yapılamaz. Simülasyon laboratuvarı, standart hasta oyuncusu ve eğitmen saati ise her kurumda yeterli değildir. Vardiyalı çalışan bir hemşirenin düzenli olarak simülasyon oturumuna katılması da çoğu zaman gerçekçi değildir.

Yapay zekâ destekli vaka simülasyonu bu boşluğu doldurmaya aday yöntemlerden biridir: Katılımcı, ekranda ya da telefonda rolünü oynayan bir "sanal hasta" ile yazışarak çalışır, ardından performansı önceden tanımlı ölçütlerle değerlendirilir. Bu yazıda yöntemin nasıl işlediğini, rubrikle değerlendirmeyi, neden yalnızca sentetik vakalar kullanılması gerektiğini ve en önemlisi sınırlarını ele alıyoruz.

Vaka simülasyonu nedir, sanal hasta ne yapar?

Vaka simülasyonu, katılımcının gerçeğe benzeyen bir klinik durumla karşılaşıp karar verdiği, ardından geri bildirim aldığı eğitim yöntemidir. Literatürde "sanal hasta" (virtual patient) kavramı, bu karşılaşmanın bilgisayar ortamında yaşandığı etkileşimli senaryoları anlatır.

Klasik yöntemlerden farkı

• Maket ve beceri laboratuvarı: El becerisi için vazgeçilmezdir; ancak salon, ekipman ve eğitmen gerektirir.
• Standart hasta: Eğitimli bir oyuncu hastayı canlandırır. İletişim eğitiminde çok değerlidir, fakat planlama yükü nedeniyle seyrek yapılabilir.
• Yazılı vaka: Kolay dağıtılır ama etkileşim yoktur; katılımcı doğru soruyu sormadan da bilgiyi okur.

Yapay zekâ sanal hastası, yazılı vakanın erişilebilirliğini standart hastanın etkileşimine yaklaştırmayı hedefler. Katılımcı doğru soruyu sormazsa bilgi gelmez; hasta kaygılıysa kaçamak ya da tekrar eden yanıtlar verebilir.

Nasıl çalışır?

Tipik bir akış dört adımdan oluşur:

1. Vaka kartı: Klinik uzman ya da eğitim sorumlusu; hastanın yaşını, şikâyetini, öyküsünü, bulgularını, "yalnızca sorulursa söylenecek" bilgileri ve öğrenme hedeflerini içeren kurgusal bir kart hazırlar.
2. Rol yapan model: Dil modeli bu kartla sınırlı kalarak hastayı canlandırır. Kartta olmayan bir bulguyu uydurmaması için kurallarla çerçevelenir.
3. Karşılaşma: Katılımcı anamnez alır, triyaj kararı verir, ilaç istemini kontrol eder ya da hastaya ve yakınına açıklama yapar.
4. Değerlendirme: Görüşme bittikten sonra ikinci bir model, konuşma dökümünü önceden tanımlanmış rubriğe göre puanlar ve her puanın gerekçesini gösterir.

Rol yapan modelle değerlendiren modelin ayrılması önemlidir. Hastayı oynayan sistemin aynı zamanda karşılaşmayı notlandırması, değerlendirmenin bağımsızlığını zayıflatır.

Kanıtlar ne söylüyor?

Sanal hasta yöntemi yeni değildir; dil modellerinden önceki kuşak, önceden yazılmış dallanan senaryolarla çalışıyordu. Bu kuşağa ait araştırmaları bir araya getiren 2019 tarihli sistematik derleme ve meta-analiz (Kononowicz ve ark., Journal of Medical Internet Research), toplam 4.696 katılımcının yer aldığı 51 randomize kontrollü çalışmayı incelemiştir. Yazarlara göre sanal hasta simülasyonları, geleneksel eğitime kıyasla becerileri daha etkili, bilgiyi ise en az onun kadar etkili geliştirebilmektedir. Aynı çalışma, kanıt kalitesinin genel olarak düşük olduğunu ve çalışmalar arasında belirgin farklılık bulunduğunu da vurgular.

Burada iki not düşmek gerekir. Birincisi, bu sonuçlar dil modeli tabanlı sanal hastalara doğrudan genellenemez; üretken yapay zekâ ile yapılan simülasyonların etkisi ayrıca ölçülmelidir. İkincisi, Dünya Sağlık Örgütü (DSÖ) Ocak 2024'te büyük çok modlu modeller için yayımladığı etik ve yönetişim rehberinde, simüle hasta karşılaşmalarıyla birlikte tıp ve hemşirelik eğitimini bu modellerin beş geniş kullanım alanından biri olarak sayar. Kısacası alan umut verici, ancak "önce ölç, doğrula, sonra yaygınlaştır" yaklaşımını gerektirir.

Hangi senaryolar için uygun?

Tablodaki ölçütler yalnızca örnektir; her kurum rubriğini kendi protokollerine ve eğitim hedeflerine göre oluşturmalıdır. Sanal hasta; el becerisi, fizik muayene ya da ekip içi koordinasyon gibi beden ve ortam gerektiren becerilerin yerini tutmaz, onları tamamlar.

Rubrikle değerlendirme — neden ve nasıl?

Rubrik, bir performansın hangi ölçütlere göre ve hangi düzeylerde değerlendirileceğini önceden tanımlayan puanlama tablosudur. Yapay zekâ ile değerlendirmede rubrik iki işlev görür: Puanlamayı katılımcılar arasında tutarlı kılar ve modelin "bu puanı neden verdin?" sorusuna somut bir dayanak göstermesini sağlar.

İyi bir rubriğin özellikleri

• Gözlemlenebilir ölçütler: "Empati gösterdi" yerine "Hastanın endişesini kendi cümleleriyle yansıttı" gibi konuşma dökümünde görülebilecek davranışlar.
• Kritik hata ayrımı: Alerji sorgulamamak gibi hasta güvenliğini doğrudan etkileyen eksikler toplam puana gömülmemeli, ayrıca işaretlenmelidir.
• Düzey tanımları: Her ölçüt için "yapılmadı / kısmen / tam" gibi açık düzeyler.
• Gerekçe zorunluluğu: Model her puanı konuşmadan bir alıntıyla gerekçelendirmelidir.

Geri bildirim döngüsü

Simülasyonun öğretici kısmı çoğu zaman puandan sonra gelir. Katılımcı gerekçeli geri bildirimi okuyup aynı vakayı ya da benzerini yeniden denediğinde öğrenme pekişir. Eğitim hemşiresinin sonuçları bölüm düzeyinde izlemesi ise hangi ölçütte toplu bir açık bulunduğunu görünür kılar; örneğin bir serviste ilaç güvenliği vakalarında alerji sorgusunun sık atlandığı fark edilebilir.

Sentetik vaka ilkesi

Vaka simülasyonunda gerçek hasta verisi kullanılmamalıdır. Bunun üç temel nedeni var:

1. Mahremiyet: Anonim sanılan bir vaka; nadir bir tanı, yaş ve tarih bilgisi bir araya geldiğinde tanınabilir hâle gelebilir.
2. Gereksizlik: Eğitim hedefi için gereken klinik tablo, kurgusal bir kartla eksiksiz kurulabilir.
3. Kontrol: Sentetik kart öğrenme hedefine göre tasarlanır; hangi bilginin hangi soruyla ortaya çıkacağı bilinçli olarak planlanır.

Sentetik vaka kartı hazırlanırken kurumun güncel protokolleri esas alınmalı ve kart, ilgili alanda yetkin bir uzman onaylamadan kullanıma açılmamalıdır. Protokol değiştiğinde kartın da güncellenmesi gerekir; aksi hâlde simülasyon eski bilgiyi pekiştirir.

Sınırlar ve riskler

DSÖ'nün söz konusu rehberi, büyük dil modellerinin yanlış, hatalı, yanlı veya eksik ifadeler üretebileceğine ve kullanıcıların bu hataları gözden kaçırmasına yol açan otomasyon yanlılığına (automation bias) dikkat çeker. Simülasyon bağlamında bu riskler şöyle görünür:

• Kurgudan sapma: Sanal hasta kartta olmayan bir bulguyu "uydurabilir". Kural çerçevesi ve düzenli örneklem kontrolü gerekir.
• Hatalı puanlama: Değerlendirici model bir ölçütü yanlış okuyabilir. Katılımcının itiraz edebilmesi ve itirazın bir insan tarafından incelenmesi gerekir.
• Yanlış güven: Yüksek simülasyon puanı bir klinik yetkinlik belgesi değildir. Sonuçlar gözleme dayalı yetkinlik değerlendirmesinin yerine değil, yanında kullanılmalıdır.
• Kapsam: Sanal hasta bir eğitim aracıdır; gerçek bir hasta için tanı ya da tedavi kararı almak amacıyla kullanılmamalıdır.

İnsan onayı nerede devreye girer?

DSÖ'nün 2021 tarihli sağlıkta yapay zekâ etiği rehberindeki altı ilkeden ikisi, yani insan özerkliğinin korunması ile sorumluluk ve hesap verebilirlik, eğitim uygulamalarına da yol gösterir. Kurum içinde bir vaka simülasyonu programı başlatırken aşağıdaki kontrol listesi kullanılabilir:

• Vaka kartı, yayına alınmadan önce ilgili alandaki klinik uzman tarafından onaylandı.
• Rubrik, eğitim birimi ve bölüm sorumlusuyla birlikte hazırlandı; kritik hatalar ayrıca tanımlandı.
• İlk uygulamalarda model puanları bir eğitmenin puanlarıyla karşılaştırılarak tutarlılık kontrol edildi.
• Rastgele seçilen konuşmalar düzenli aralıklarla bir insan tarafından incelenmektedir.
• Katılımcının puana itiraz yolu tanımlandı ve duyuruldu.
• Protokol değiştiğinde ilgili vaka kartları ve rubrikler güncellenmektedir.
• Simülasyon sonuçlarının kimler tarafından görülebileceği yazılı olarak belirlendi.

Bu adımlar yöntemi yavaşlatmak için değil, güvenilir kılmak içindir. Yapay zekâ çok sayıda karşılaşmayı mümkün kılar; eğitimin doğruluğundan ise uzman sorumlu kalır.

Kaynaklar

• Kononowicz AA ve ark. Virtual Patient Simulations in Health Professions Education: Systematic Review and Meta-Analysis by the Digital Health Education Collaboration. Journal of Medical Internet Research, 2019.
• Dünya Sağlık Örgütü. WHO releases AI ethics and governance guidance for large multi-modal models (18 Ocak 2024).
• Dünya Sağlık Örgütü. Ethics and governance of artificial intelligence for health: Guidance on large multi-modal models.
• Dünya Sağlık Örgütü. WHO issues first global report on Artificial Intelligence (AI) in health and six guiding principles for its design and use (28 Haziran 2021).

ATP MedAI ile vaka simülasyonu

ATP MedAI'ın vaka simülasyonu modülünde sanal hasta, sentetik bir vaka kartından rol yapar; anamnez, triyaj, ilaç güvenliği, hasta iletişimi ve zor görüşme senaryoları çalışılabilir. Görüşme bittiğinde ikinci bir model konuşmayı rubrikle puanlar ve gerekçeli geri bildirim verir. Simülasyon için hasta verisi gerekmez. Yapay zekânın ürettiği içerik uzman onayından geçmeden yayına çıkmaz; sonuçlar kişi ve bölüm bazında yetkinlik haritasına yansır, bireysel sonuçları yalnızca yetkili kişiler görür. Yöntemin kurumunuzda nasıl kurgulanabileceğini bir demo üzerinde birlikte değerlendirebiliriz.

ATP MedAI Editör Ekibi
Bu yazı genel bilgilendirme amacıyla hazırlanmıştır. Hata ya da eksik görürseniz bize yazın; düzeltelim.