Kompakt YZ’lerle ilaç yan etki sorgulaması için RAG tabanlı mimariler

Günlük tıp için neden önemli

Yeni bir reçete alan herkes muhtemelen “Bu hap baş ağrımı veya döküntümü mi yapıyor?” diye sormuştur. Doktorlar ve hastalar günde binlerce kez aynı soruyla karşılaşıyor, ancak yanıtlar yoğun el kitapları ve veri tabanlarının içinde saklı. Bu çalışma, daha küçük ve verimli yapay zeka sistemlerinin bilinen ilaç yan etkileri kataloğuna erişerek hızlı, kesin ve kanıta dayalı yanıtlar nasıl verebileceğini—uydurma yapmadan—araştırıyor.

İlaç yan etkilerini takip etmenin zorluğu

İlaç yan etkileri dünya çapında hastalık, hastaneye başvuru ve hatta ölümlerin önemli bir nedenidir. Yeni ilaçlar, yoğun klinik ortamda çalışan hekimlerin riskleri ezberlemesinden daha hızlı ortaya çıkıyor ve hastalar giderek daha karmaşık tedavi geçmişleriyle başvuruyor. Basılı kılavuzlar, elektronik hasta kayıtları ve bildirim sistemleri güçlü araçlar olsa da yoğun bir klinikte arama yapmak yavaştır. Sohbet botlarının arkasındaki türden büyük dil modelleri düz yazıyla yanıt verebildikleri için ideal görünür. Yine de “Bu ilaç bu belirli yan etkiye neden olur mu?” gibi spesifik sorulduğunda, kutudan çıkan modeller—çok büyük olanlar dahi—çoğu zaman tahmin eder veya halüsinasyon üretir; en iyi mevcut kanıtlarla uyuşmayan yanıtlar verirler.

YZ’ye tahminetmek yerine bakmayı öğretmek

Yazarlar, sorunu modelleri daha büyük yapmak yerine YZ’nin bilgiye erişim şeklini değiştirerek ele alıyor. Başlangıçta, pazarda bulunan ilaçların hangi yan etkilerle ilişkilendirildiğini listeleyen özenle derlenmiş bir kaynak olan SIDER’dan yararlanıyorlar. Ardından, modelin eğitim sırasında öğrendiklerine güvenmek yerine, soru zamanında ilgili gerçekleri açıkça arayan ve bunları kompakt bir dil modeline ileten iki “açık kitap” sistem inşa ediyorlar. Metin tabanlı yaklaşımda, ilaç–yan etki bilgileri yazılı girdiler olarak saklanıyor ve en ilgili parçaları bulan bir benzerlik motoru ile aranıyor. GraphRAG adı verilen grafik tabanlı yaklaşımdaysa her ilaç ve her yan etki ağda bir düğüm; aralarındaki bağlantı ise o ilaca ilişkin yan etkinin raporlandığını gösteriyor. Her iki sistem de sonunda küçük bir dil modeline yalnızca alınan kanıta dayanarak basit BİR EVET veya HAYIR yanıtı ve kısa bir açıklama üretmesini söylüyor.

Grafik yaklaşımının oyunu nasıl değiştirdiği

Bu tasarımları test etmek için ekip, SIDER’dan türetilmiş yaklaşık yirmi bin ilaç–yan etki çiftinden oluşan büyük, dengeli bir kıstas seti oluşturdu. Her ilaç için o ilaçla bilinen bazı yan etkiler ve ilişkilendirilmeyen diğerleri dahil edildi. Hiçbir arama yapmayan, tek başına çalışan kompakt dil modelleri yalnızca yaklaşık üçte iki oranında doğru yanıt verdi—popüler genel amaçlı sohbet botlarıyla benzer veya onlardan daha kötü düzeyde. Aramaya izin verildiğinde performans sıçrama yaptı. Her ilaç–yan etki çifti için bir cümle saklayan metin tabanlı düzen yaklaşık %98–99 doğruluk sağladı. Grafiğe dayalı GraphRAG daha da ileri giderek esasen mükemmel puanlar elde etti: SIDER’da bağlantı varsa sistem neredeyse her durumda EVET dedi, yoksa HAYIR diye cevapladı. Kalan birkaç hata dil modelinin son ifadelerinden kaynaklanıyordu, temel aramadan değil.

Bir semptomun arkasındaki tüm ilaçları bulmak

Yazarlar ayrıca klinisyenlerin sıkça önem verdiği ters soruyu incelediler: “Bu belirli yan etkiye hangi ilaçlar neden oluyor?” Burada tek bir evet/hayır kararından ziyade sistemin tüm eşleşen ilaçları listelemesi gerekiyor. Yine grafik tabanlı yaklaşım öne çıktı. Belirli bir yan etki düğümünden bağlı tüm ilaç düğümlerine genişlediği için yüzlerce ilaç söz konusu olduğunda bile düşük gecikmeyle tam listeyi döndürüyor. Güçlü bir metin tabanlı yöntem aynı eksiksizliğe yaklaşabilirdi, ancak bunu birçok ayrı metin parçasını tarayarak ve birleştirerek yapmak zorunda kaldığından dramatik şekilde daha yavaş oldu. Ekip ayrıca küçük bir normalizasyon adımı ekleyerek kompakt bir dil modelinin arama öncesi ilaç isimlerindeki yaygın yazım hatalarını düzelttiğini gösterdi; bu, örneğin “floxetine” yerine “fluoxetine” gibi gerçek dünya sorgularına karşı dayanıklılığı büyük ölçüde artırdı.

Hastalar ve klinisyenler için bunun anlamı

Basitçe söylemek gerekirse, bu çalışma ilaç yan etkileriyle ilgili sorularda YZ’yi daha güvenli hale getirmenin en akıllıca yolunun daha büyük modeller inşa etmek değil, daha küçük modelleri iyi düzenlenmiş tıbbi bilgiye bağlamak olduğunu gösteriyor. Bilinen ilaç–yan etki bağlantılarını basit bir grafik olarak temsil ederek ve YZ’nin yanıtlarını bu yapıya dayandırmaya zorlayarak yazarlar kataloglanmış ilişkilere dair tahminleri neredeyse tamamen ortadan kaldırabiliyor. Sonuç, bir doktora veya hastaya bildirilen semptomun yetkili bir yan etki listesinde görünüp görünmediğini ve hangi ilaçlarla bağlantılı olduğunu hızlıca söyleyebilen; yanıtı günlük dilde açıklayan bir sistem. Yeni yan etkiler keşfetmiyor veya dikkatli klinik yargının yerini almıyor olsa da, bu yaklaşım insanların kullandıkları ilaçların risklerini gezmelerine yardımcı olacak güvenilir, etkileşimli araçlar için pratik ve ölçeklenebilir bir temel sunuyor.

Atıf: Nygren, S., Erdogan, O., Avci, P. et al. RAG-based architectures for drug side effect retrieval using compact LLMs. Sci Rep 16, 12754 (2026). https://doi.org/10.1038/s41598-026-41495-2

Anahtar kelimeler: ilaç yan etkileri, tıbbi yapay zeka, bilgi grafikleri, retrieval-augmented generation, farmakovijilans